mindnet/app/core/ingestion/ingestion_validation.py

"""
FILE: app/core/ingestion/ingestion_validation.py
DESCRIPTION: WP-15b semantische Validierung von Kanten gegen den LocalBatchCache.
             WP-24c: Erweiterung um automatische Symmetrie-Generierung (Inverse Kanten).
             WP-25b: Konsequente Lazy-Prompt-Orchestration (prompt_key + variables).
             WP-26 v1.3: Schema-Validierung für Intra-Note-Edges gegen graph_schema.md.
VERSION: 3.1.0 (WP-26: Intra-Note-Edge Schema-Validation)
STATUS: Active
FIX: 
- WP-24c: Integration der EdgeRegistry zur dynamischen Inversions-Ermittlung.
- WP-24c: Implementierung von validate_and_symmetrize für bidirektionale Graphen.
- WP-25b: Beibehaltung der hierarchischen Prompt-Resolution und Modell-Spezi-Logik.
- WP-26: FA-12 Schema-Validierung gegen effektiven Chunk-Typ.
"""
import logging
from typing import Dict, Any, Optional, List, Tuple
from app.core.parser import NoteContext

# Import der neutralen Bereinigungs-Logik zur Vermeidung von Circular Imports
from app.core.registry import clean_llm_text
# WP-24c: Zugriff auf das dynamische Vokabular
from app.services.edge_registry import registry as edge_registry
# WP-26 v1.3: Graph-Schema für Validierung
from app.core.graph.graph_utils import get_topology_info

logger = logging.getLogger(__name__)


# ==============================================================================
# WP-26 v1.3: Schema-Validierung für Intra-Note-Edges (FA-12)
# ==============================================================================

def validate_intra_note_edge(
    edge: Dict[str, Any],
    source_chunk: Dict[str, Any],
    target_chunk: Dict[str, Any],
    strict_mode: bool = False
) -> Tuple[bool, float, Optional[str]]:
    """
    WP-26 v1.3 (FA-12): Validiert eine Intra-Note-Edge gegen das graph_schema.md.
    Verwendet den EFFEKTIVEN Typ (section_type || note_type) beider Chunks.
    
    Args:
        edge: Das Edge-Dict mit "kind", "source_id", "target_id"
        source_chunk: Chunk-Payload der Quelle mit "type" (effektiver Typ)
        target_chunk: Chunk-Payload des Ziels mit "type" (effektiver Typ)
        strict_mode: Wenn True, werden atypische Edges abgelehnt (nicht nur gewarnt)
        
    Returns:
        Tuple (is_valid, confidence, reason)
        - is_valid: True wenn die Edge erlaubt ist
        - confidence: Angepasste Confidence (0.7 für atypische, 0.0 für prohibited)
        - reason: Optional Begründung für Ablehnung/Warnung
    """
    # Effektive Typen extrahieren (section_type hat Vorrang vor note_type)
    source_type = source_chunk.get("type") or source_chunk.get("note_type") or "default"
    target_type = target_chunk.get("type") or target_chunk.get("note_type") or "default"
    edge_kind = edge.get("kind", "related_to")
    
    # Schema-Lookup
    topology = get_topology_info(source_type, target_type)
    typical_edges = topology.get("typical", [])
    prohibited_edges = topology.get("prohibited", [])
    
    # 1. Prüfung: Ist die Edge verboten?
    if edge_kind in prohibited_edges:
        reason = f"Edge '{edge_kind}' von {source_type} → {target_type} ist verboten (prohibited)"
        logger.warning(f"🚫 [SCHEMA-VALIDATION] {reason}")
        return (False, 0.0, reason)
    
    # 2. Prüfung: Ist die Edge typisch?
    if edge_kind in typical_edges:
        # Edge ist typisch → volle Confidence
        logger.debug(f"✅ [SCHEMA-VALIDATION] Edge '{edge_kind}' von {source_type} → {target_type} ist typisch")
        return (True, 1.0, None)
    
    # 3. Edge ist atypisch (weder typical noch prohibited)
    reason = f"Edge '{edge_kind}' von {source_type} → {target_type} ist atypisch (nicht in typical: {typical_edges})"
    
    if strict_mode:
        # Im Strict-Mode werden atypische Edges abgelehnt
        logger.warning(f"⚠️ [SCHEMA-VALIDATION] {reason} - ABGELEHNT (strict_mode)")
        return (False, 0.0, reason)
    else:
        # Im normalen Modus: Edge erlaubt, aber mit reduzierter Confidence (0.7)
        logger.info(f"ℹ️ [SCHEMA-VALIDATION] {reason} - erlaubt mit reduzierter Confidence")
        return (True, 0.7, reason)


def validate_edge_against_schema(
    edge: Dict[str, Any],
    chunks_by_id: Dict[str, Dict[str, Any]],
    strict_mode: bool = False
) -> Tuple[bool, Dict[str, Any]]:
    """
    WP-26 v1.3: Wrapper für die Schema-Validierung mit Chunk-Lookup.
    
    Args:
        edge: Das Edge-Dict
        chunks_by_id: Dictionary von chunk_id → chunk_payload
        strict_mode: Wenn True, werden atypische Edges abgelehnt
        
    Returns:
        Tuple (is_valid, updated_edge)
        - is_valid: True wenn die Edge erlaubt ist
        - updated_edge: Edge mit ggf. angepasster Confidence
    """
    source_id = edge.get("source_id", "")
    target_id = edge.get("target_id", "")
    is_internal = edge.get("is_internal", False)
    
    # Nur Intra-Note-Edges validieren
    if not is_internal:
        return (True, edge)
    
    # Chunks nachschlagen
    source_chunk = chunks_by_id.get(source_id, {})
    target_chunk = chunks_by_id.get(target_id, {})
    
    # Wenn Chunks nicht gefunden → Edge erlauben (Integrität vor Präzision)
    if not source_chunk or not target_chunk:
        logger.debug(f"[SCHEMA-VALIDATION] Chunks nicht gefunden für {source_id} / {target_id} - Edge erlaubt")
        return (True, edge)
    
    # Schema-Validierung durchführen
    is_valid, confidence, reason = validate_intra_note_edge(
        edge=edge,
        source_chunk=source_chunk,
        target_chunk=target_chunk,
        strict_mode=strict_mode
    )
    
    if not is_valid:
        return (False, edge)
    
    # Confidence anpassen wenn nötig
    updated_edge = edge.copy()
    if confidence < 1.0:
        original_confidence = edge.get("confidence", 1.0)
        updated_edge["confidence"] = min(original_confidence, confidence)
        updated_edge["schema_validation_note"] = reason
    
    return (True, updated_edge)

async def validate_edge_candidate(
    chunk_text: str, 
    edge: Dict, 
    batch_cache: Dict[str, NoteContext],
    llm_service: Any,
    provider: Optional[str] = None,
    profile_name: str = "ingest_validator"
) -> bool:
    """
    WP-15b/25b: Validiert einen Kandidaten semantisch gegen das Ziel im Cache.
    Nutzt Lazy-Prompt-Loading (PROMPT-TRACE) für deterministische YES/NO Entscheidungen.
    """
    target_id = edge.get("to")
    target_ctx = batch_cache.get(target_id)
    
    # Robust Lookup Fix (v2.12.2): Support für Anker (Note#Section)
    if not target_ctx and "#" in str(target_id):
        base_id = target_id.split("#")[0]
        target_ctx = batch_cache.get(base_id)
    
    # Sicherheits-Fallback (Hard-Link Integrity)
    # Wenn das Ziel nicht im Cache ist, erlauben wir die Kante (Link-Erhalt).
    if not target_ctx:
        logger.info(f"ℹ️ [VALIDATION SKIP] No context for '{target_id}' - allowing link.")
        return True

    try:
        logger.info(f"⚖️ [VALIDATING] Relation '{edge.get('kind')}' -> '{target_id}' (Profile: {profile_name})...")
        
        # WP-25b: Lazy-Prompt Aufruf. 
        # Übergabe von prompt_key und Variablen für modell-optimierte Formatierung.
        raw_response = await llm_service.generate_raw_response(
            prompt_key="edge_validation",
            variables={
                "chunk_text": chunk_text[:1500],
                "target_title": target_ctx.title,
                "target_summary": target_ctx.summary,
                "edge_kind": edge.get("kind", "related_to")
            },
            priority="background",
            profile_name=profile_name
        )
        
        # Bereinigung zur Sicherstellung der Interpretierbarkeit (Mistral/Qwen Safe)
        response = clean_llm_text(raw_response)
        
        # Semantische Prüfung des Ergebnisses
        is_valid = "YES" in response.upper()
        
        if is_valid:
            logger.info(f"✅ [VALIDATED] Relation to '{target_id}' confirmed.")
        else:
            logger.info(f"🚫 [REJECTED] Relation to '{target_id}' irrelevant for this chunk.")
        return is_valid

    except Exception as e:
        error_str = str(e).lower()
        error_type = type(e).__name__
        
        # WP-25b: Differenzierung zwischen transienten und permanenten Fehlern
        # Transiente Fehler (Netzwerk) → erlauben (Integrität vor Präzision)
        if any(x in error_str for x in ["timeout", "connection", "network", "unreachable", "refused"]):
            logger.warning(f"⚠️ Transient error for {target_id}: {error_type} - {e}. Allowing edge.")
            return True
        
        # Permanente Fehler → ablehnen (Graph-Qualität schützen)
        logger.error(f"❌ Permanent validation error for {target_id}: {error_type} - {e}")
        return False

async def validate_and_symmetrize(
    chunk_text: str, 
    edge: Dict, 
    source_id: str,
    batch_cache: Dict[str, NoteContext],
    llm_service: Any,
    profile_name: str = "ingest_validator"
) -> List[Dict]:
    """
    WP-24c: Erweitertes Validierungs-Gateway.
    Prüft die Primärkante und erzeugt bei Erfolg automatisch die inverse Kante.
    
    Returns:
        List[Dict]: Eine Liste mit 0, 1 (nur Primär) oder 2 (Primär + Invers) Kanten.
    """
    # 1. Semantische Prüfung der Primärkante (A -> B)
    is_valid = await validate_edge_candidate(
        chunk_text=chunk_text,
        edge=edge,
        batch_cache=batch_cache,
        llm_service=llm_service,
        profile_name=profile_name
    )
    
    if not is_valid:
        return []

    validated_edges = [edge]
    
    # 2. WP-24c: Symmetrie-Generierung (B -> A)
    # Wir laden den inversen Typ dynamisch aus der EdgeRegistry (Single Source of Truth)
    original_kind = edge.get("kind", "related_to")
    inverse_kind = edge_registry.get_inverse(original_kind)
    
    # Wir erzeugen eine inverse Kante nur, wenn ein sinnvoller inverser Typ existiert
    # und das Ziel der Primärkante (to) valide ist.
    target_id = edge.get("to")
    
    if target_id and source_id:
        # Die inverse Kante zeigt vom Ziel der Primärkante zurück zur Quelle.
        # Sie wird als 'virtual' markiert, um sie im Retrieval/UI identifizierbar zu machen.
        inverse_edge = {
            "to": source_id,
            "kind": inverse_kind,
            "provenance": "structure",  # System-generiert, geschützt durch Firewall
            "confidence": edge.get("confidence", 0.9) * 0.9, # Leichte Dämpfung für virtuelle Pfade
            "virtual": True,
            "note_id": target_id,        # Die Note, von der die inverse Kante ausgeht
            "rule_id": f"symmetry:{original_kind}"
        }
        
        # Wir fügen die Symmetrie nur hinzu, wenn sie einen echten Mehrwert bietet 
        # (Vermeidung von redundanten related_to -> related_to Loops)
        if inverse_kind != original_kind or original_kind not in ["related_to", "references"]:
            validated_edges.append(inverse_edge)
            logger.info(f"🔄 [SYMMETRY] Generated inverse edge: '{target_id}' --({inverse_kind})--> '{source_id}'")
            
    return validated_edges