feat(dashboard): Wilson-CI der Fehlerquote sichtbar + Delta gegen letzte n>=20-Version (#196 P4+P5)

[TillQuandel]

Schließt #196 ab (P1–P3 waren PR #209). Closes #196.

P4 — Wilson-CI sichtbar machen

Persistenz-Lücke geschlossen: run_eval.py schrieb anchors_total/anchors_hallucinated nicht in note_evals (der Pipeline-Pfad eval_quality_v4.save_result() tat es bereits). Insert-Dict in _eval_insert_data() extrahiert + Felder ergänzt; Round-Trip-Test gegen tempfile-DB belegt das echte Spalten-Mapping. Keine neue CI-Spalte — das CI ist aus den Roh-Counts ableitbar (SSoT), Design-Entscheidung dokumentiert.

Serverseitig: neues _pooled_hall_stats() (aus _pooled_hall_pct() extrahiert, Delegation — keine Duplikation) liefert gepoolte Rate + wilson_ci(ah, th) + anchors_total/rows_n/notes_n. CI nur wenn Roh-Counts vorhanden; beim Mean-Fallback (Alt-Zeilen ohne Counts) bleiben alle CI-Felder null → Kachel zeigt kein CI.

Kachel: Fehlerquote zeigt „CI x–y % · N Anker" (DE-Locale via _fmtDE) + Cluster-Caveat im hint/hint-pop-Tooltip (PR-#219-Muster): Anker innerhalb einer Note sind korreliert — das CI unterschätzt die Unsicherheit.

P5 — Delta-Semantik

version_delta() vergleicht die neueste Version jetzt gegen die letzte frühere Version mit n≥20 statt starr gegen die direkte Vorversion (die praktisch immer n=1–2 hat → Delta war dauerhaft „nicht belastbar"). Fallback ohne n≥20-Historie: direkte Vorversion, reliable:false (Verhalten wie bisher). Rückgabe neu mit prev_version/prev_n; alle drei Client-Konsumenten (Delta-Chip, Spark-Row, Übersichts-Banner) zeigen die Vergleichsbasis transparent an. Notwendige Folge-Konsistenz: Der Banner las den Wert aus version_delta, das Label aber aus vers[-2] — nach der Umstellung hätte er Wert (v0.3.31) und Label (v0.3.139) gemischt.

RED-Beweis (TDD)

• hall_kpi: ImportError: cannot import name '_pooled_hall_stats' (Collection-RED)
• run_eval: AttributeError: module 'run_eval' has no attribute '_eval_insert_data'
• P5: assert 5.0 == 12.0 (verglich noch gegen Vorversion) + 2× KeyError: 'prev_version'
• Gesamt-RED: 5 failed, 18 passed → nach Implementierung 42 passed (3 Testdateien)

Suite

pytest generative lib/decision_engine/tests shared/tests -q: 5776 passed, 3 skipped, 4 deselected (master-Stand: 5766). ruff format --check . + ruff check . sauber.

Playwright-Sichtverifikation (hell+dunkel)

Server aus Worktree auf Port 8061 (genau 1 Listener-PID verifiziert), echte DB read-only. Reale Werte v0.3.140: Fehlerquote 7,5 %, CI 5,9–9,6 %, 810 Anker (52 Zeilen/40 Notes); Delta gegen v0.3.31 (n=21), reliable:true — vorher wäre gegen v0.3.139 (n=2, immer ausgegraut) verglichen worden. Screenshots: C:/tmp/196-verify/196-{kpis,ci-tooltip,delta-tooltip}-{light,dark}.png.

Reviews

• Task-Review (Opus): Spec ✅, Approved; 3 Minor-Kosmetik-Punkte (Null-Guard-Inkonsistenz im hint-pop, fehlender Regressionsschutz für die main()-Verdrahtung, prev_version unescaped als Fortführung des Bestandsmusters) — fürs Whole-Branch-Review vorgemerkt.
• Cross-Model (Mistral magistral-medium): 1 Fund verworfen als Fake-Fund (_distinct_notes „nicht definiert" — existiert in eval_dashboard.py:668, vorgeschlagener Fix duplizierte die Bestandsfunktion); 1 Fund bestätigt-minor (theoretisches „n=undefined" im Banner nur bei fehlgeformtem kpi_trend mit ungleich langen Listen — vor-bestehendes Restrisiko, Backlog).

Scope

run_eval.py (+ neuer Test), generative/eval_dashboard.py, internal/dashboard/eval_dashboard.html, 2 bestehende Testdateien erweitert (keine Assertions entfernt). anchor_rate bewusst NICHT in run_eval geschrieben — Feld existiert im generativen eval_note()-Result nicht, auch save_result() schreibt es nicht; ein Wert wäre geraten.

Kontrollrunde (2026-07-12, zweite unabhängige Review-Ebene)

• Opus-Kontroll-Review (Fehlerfindung + Behauptungs-Drift-Prüfung des PR-Bodys, Selbstverifikationspflicht): 0 neue Funde; 10/10 geprüfte PR-Behauptungen belegt (u. a. CI-Arithmetik wilson_ci(61, 810) → 7,5 % / 5,9–9,6 % exakt; alle drei Delta-Konsumenten konsistent auf prev_version; keine Assertions entfernt — Diff der Testdateien rein additiv). 9 Kandidaten aktiv widerlegt, darunter 12 Edge-Case-Proben an version_delta (leere/ungleich lange Listen, None-Werte) ohne Crash. Ergänzender Beleg: der dokumentierte hint-pop-Null-Guard-Minor kann faktisch nie auslösen (hall_anchors_total ist serverseitig an hall_ci_low gekoppelt — beide null oder beide gesetzt).
• Mistral-Schwerpunkt-Resample (Linse Server↔Client-Feldvertrag / CI-Mathematik / Schleifenlogik): 0 Funde.