feat(config): Rollen-/Judge-Modelle klar benannt + per Env waehlbar (#317)

[TillQuandel]

Closes #317

Problem

MODEL_OPUS (generative/config.py) defaultete real auf anthropic/claude-sonnet-4-6 (A/B-Test 2026-05-20). Der Eval-Judge sowie mehrere Pipeline-Rollen (MODEL_PLANNER, MODEL_EXTRACTOR, MODEL_EXTENDER, MODEL_CANONICALIZER) aliasten direkt auf MODEL_OPUS — sie liefen also auf Sonnet, während der Konstantenname „Opus" suggerierte. Das ist irreführend bei Auswertungen/Studien-Caveats (Self-Preference-Kontext: welches Modell tatsächlich Judge spielt, ist zitierrelevant) und bei der Config-Erwartung, wenn ein Modell bewusst gewählt werden soll.

Neues Namensschema

Alt	Neu	Env
MODEL_OPUS (irreführend)	MODEL_MAIN	ATOMIC_AGENT_MODEL_MAIN
— (hing hart an MODEL_OPUS)	MODEL_JUDGE (Default = MODEL_MAIN)	ATOMIC_AGENT_MODEL_JUDGE
MODEL_PLANNER (Name unverändert, Sperrzone-Import)	gleich, jetzt per Env überschreibbar	ATOMIC_AGENT_MODEL_PLANNER
MODEL_EXTRACTOR (Name unverändert)	gleich, jetzt per Env überschreibbar	ATOMIC_AGENT_MODEL_EXTRACTOR
MODEL_EXTENDER (Name unverändert)	gleich, jetzt per Env überschreibbar	ATOMIC_AGENT_MODEL_EXTENDER
MODEL_CANONICALIZER (Name unverändert)	gleich, jetzt per Env überschreibbar	ATOMIC_AGENT_MODEL_CANONICALIZER

base.py-Defaults (call_claude/call_claude_full/call_claude_async/call_claude_full_async) laufen jetzt auf MODEL_MAIN statt MODEL_OPUS. eval_quality_v4.py (Judge-Call + JSON-Reparatur-Call) läuft jetzt auf MODEL_JUDGE.

Die vier Rollen-Konstantennamen (MODEL_PLANNER/MODEL_EXTRACTOR/MODEL_EXTENDER/MODEL_CANONICALIZER) blieben absichtlich unverändert — sie sind Sperrzone-Importe in planner.py/extractor.py/canonicalizer.py, die in diesem PR nicht angefasst werden durften.

Deprecation-Pfad

MODEL_OPUS bleibt als Alias auf MODEL_MAIN bestehen (Kommentar „deprecated, nutze MODEL_MAIN"). ATOMIC_AGENT_MODEL_OPUS wird weiter als Fallback gelesen — Prioritätsreihenfolge: ATOMIC_AGENT_MODEL_MAIN > ATOMIC_AGENT_MODEL_OPUS (deprecated) > Default. Bestehende .env-Dateien mit ATOMIC_AGENT_MODEL_OPUS funktionieren dadurch unverändert weiter. Ist ATOMIC_AGENT_MODEL_OPUS gesetzt, wird zusätzlich eine DeprecationWarning ausgelöst (getestet).

Judge-Verifikation (Kernpunkt des Issues)

Geprüft, wo der Judge-Modellname in Eval-Records/DB-Feldern landet:

• Das im Eval-Ergebnis gespeicherte model_config-Feld (eval_quality_v4.py:1045, Snapshot von MODEL_CONFIG) hat keinen eigenen judge-Eintrag — nur planner/extractor/verifier/cross_ref/critic/canonicalizer. Das war schon vor diesem PR so und ist unverändert (bewusst keine Schema-Änderung an quality_history.jsonl, siehe unten).
• Der tatsächlich verwendete Modellstring wird aber unabhängig davon korrekt aufgezeichnet: jeder LLM-Call (inkl. Judge- und JSON-Reparatur-Call, die jetzt explizit model=MODEL_JUDGE übergeben) schreibt sein reales, aufgelöstes Modell in die Call-Trace (.cache/runs/<run-id>.jsonl, Feld "model", generative/agents/base.py::_trace). Der irreführende Konstantenname landete dort nie — nur der echte, aufgelöste String. Keine Verhaltensänderung nötig, nur verifiziert.
• docs/evaluation.md (Abschnitt „LLM-Judge") um diesen Befund + das neue Namensschema ergänzt.

Kein EVAL_VERSION-Bump

Reine Benennung/Config-Erweiterung, kein Mess-Verhalten geändert: MODEL_JUDGE defaultet exakt auf denselben Wert wie vorher MODEL_OPUS (anthropic/claude-sonnet-4-6, sofern kein Env gesetzt), der Judge-Prompt/die Judge-Logik ist unverändert. Kein EVAL_VERSION-Bump nötig.

RED-Nachweis (TDD)

Tests zuerst gegen den unveränderten config.py geschrieben und ausgeführt — 8 fehlschlagend wie erwartet:

FAILED test_model_main_defaults_to_sonnet - AttributeError: module 'generative.config' has no attribute 'MODEL_MAIN'
FAILED test_model_opus_alias_env_still_works - AttributeError: ... 'MODEL_MAIN'
FAILED test_model_main_env_wins_over_opus_alias - AttributeError: ... 'MODEL_MAIN'
FAILED test_model_opus_is_deprecated_alias_of_model_main - AttributeError: ... 'MODEL_MAIN'
FAILED test_model_opus_env_emits_deprecation_warning - Failed: DID NOT WARN
FAILED test_model_judge_defaults_to_model_main - AttributeError: ... 'MODEL_JUDGE'
FAILED test_model_judge_env_override_wins - AttributeError: ... 'MODEL_JUDGE'
FAILED test_role_env_override_is_independent_per_role - AssertionError (Planner-Override wirkte nicht)
8 failed, 3 passed

Nach Implementierung: alle grün (siehe unten).

Suite-Ergebnis

• generative/tests/test_config.py + test_config_dead_constants.py + test_per_agent_tracking.py + test_runtime_config.py: 54 passed
• Volle Suite uv run pytest generative lib/decision_engine/tests shared/tests -q: 6165 passed, 3 skipped, 8 deselected, 33 warnings in 564s (0 Failures)
• uv run ruff check .: All checks passed
• uv run ruff format --check .: 301 files already formatted

Auffälligkeiten

• Import-Herkunft vor Testlauf verifiziert: generative.__file__ zeigte auf den Worktree (keine editable-Install-Falle).
• .env.example enthielt vor diesem PR „~5x cheaper than opus", config.pys Kommentar sagt „3x günstiger" — beim ohnehin nötigen Umschreiben dieses Kommentarblocks (neue Env-Vars daneben) die widersprüchliche Zahl entfernt statt weitergetragen; keine separate Recherche/Korrektur außerhalb des Scopes betrieben.