KI-Vision-Model, Breed-Scraper, Karte/Routen + Release v1292

Parallele Arbeit (auf Staging mitgetestet): KI-Vision-Model (VISION_MODEL in
ki.py/routes, im KI-Status sichtbar), Breed-Scraper-Anpassungen
(breed_enricher/breed_evaluator, evaluate_enrichment mit user_id),
Karten-/Routen-Änderungen (map.js, routes.js), kleinere UI-Anpassungen
(admin.js, components.css), docker-compose, MARKETING, nav-loop-Test.

Version-Bump auf 1292 (VERSION, sw.js, app.js, index.html, landing.html).

backend/scraper/breed_evaluator.py

@@ -43,19 +43,23 @@ Aktivität zur Erfahrung)?
 '''
 
 
-async def evaluate_enrichment(sample_size: int = 20) -> dict:
+async def evaluate_enrichment(sample_size: int = 20, user_id: int | None = None) -> dict:
     """
-    Bewertet `sample_size` zufällig gewählte angereicherte Rassen via Claude.
+    Bewertet `sample_size` zufällig gewählte angereicherte Rassen als LLM-as-Judge.
+
+    Läuft über die zentrale KI-Abstraktion (ki.complete). Admins/Moderatoren werden
+    dort Cloud-priorisiert (Claude); ist die Cloud nicht erreichbar, fällt die
+    Bewertung sauber auf das lokale Modell zurück, statt hart abzubrechen.
 
     Returns dict mit aggregierten Scores und Einzelergebnissen.
     """
     import sys, os
     sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
     from database import db
+    import ki
 
-    ANTHROPIC_KEY = os.getenv("ANTHROPIC_API_KEY", "")
-    if not ANTHROPIC_KEY:
-        raise RuntimeError("ANTHROPIC_API_KEY nicht gesetzt — Evaluierung benötigt Cloud.")
+    if ki.KI_MODE == "off":
+        raise RuntimeError("KI ist deaktiviert (KI_MODE=off) — Evaluierung nicht möglich.")
 
     with db() as conn:
         rassen = conn.execute(
@@ -65,8 +69,7 @@ async def evaluate_enrichment(sample_size: int = 20) -> dict:
                       wohnung_geeignet, temperament, ki_model
                FROM wiki_rassen
                WHERE ki_enriched = 1
-                 AND ki_model IS NOT NULL
-                 AND ki_model NOT LIKE 'claude%'
+                 AND (ki_model IS NULL OR ki_model NOT LIKE 'claude%')
                ORDER BY RANDOM()
                LIMIT ?""",
             (sample_size,),
@@ -75,10 +78,10 @@ async def evaluate_enrichment(sample_size: int = 20) -> dict:
     if not rassen:
         return {"error": "Keine angereicherten Rassen gefunden."}
 
-    import anthropic
-    client = anthropic.Anthropic(api_key=ANTHROPIC_KEY)
+    _EVAL_SYSTEM = "Du bist ein präziser Qualitätsprüfer. Antworte ausschließlich als JSON."
 
     results = []
+    sources = set()
     totals = {"vollstaendigkeit": 0, "korrektheit": 0,
               "sprachqualitaet": 0, "konsistenz": 0, "gesamt": 0}
 
@@ -102,22 +105,17 @@ async def evaluate_enrichment(sample_size: int = 20) -> dict:
             data=json.dumps(data, ensure_ascii=False, indent=2),
         )
         try:
-            def _call():
-                return client.messages.create(
-                    model="claude-haiku-4-5-20251001",
-                    max_tokens=256,
-                    system=[{
-                        "type": "text",
-                        "text": "Du bist ein präziser Qualitätsprüfer. Antworte ausschließlich als JSON.",
-                        "cache_control": {"type": "ephemeral"},
-                    }],
-                    messages=[{"role": "user", "content": prompt}],
-                )
-            loop = asyncio.get_event_loop()
-            resp = await loop.run_in_executor(None, _call)
-            raw = resp.content[0].text.strip()
+            raw, source = await ki.complete(
+                prompt,
+                system=_EVAL_SYSTEM,
+                max_tokens=256,
+                json_mode=True,
+                user_id=user_id,
+                return_source=True,
+            )
+            sources.add(source)
 
-            # JSON extrahieren
+            # JSON extrahieren (lokale Modelle wrappen gern in ```json … ```)
             import re
             match = re.search(r"\{[\s\S]+\}", raw)
             scores = json.loads(match.group(0)) if match else {}
@@ -136,9 +134,12 @@ async def evaluate_enrichment(sample_size: int = 20) -> dict:
     count = len([r for r in results if "error" not in r])
     averages = {k: round(v / count, 2) for k, v in totals.items()} if count else {}
 
+    judge_source = "/".join(sorted(sources)) if sources else "unbekannt"
+
     return {
         "sample_size":  len(rassen),
         "evaluated":    count,
         "averages":     averages,
+        "judge_source": judge_source,   # "cloud" (Claude) oder "local" (LM Studio)
         "results":      results,
     }