fix: Bugfix-Sweep – Worker-Lebensdauer, HTML-Export, RAG-Verdrahtung, Extraktion

[lukisch]

Zusammenfassung

Code-Review mit anschließenden Fixes. Die schwersten Befunde:

• App-Abbruch: QThread: Destroyed while thread is still running. Ein Worker wurde schon im Abschluss-Slot verworfen, eine laufende Extraktion wurde ersetzt, und closeEvent hat nicht auf Worker gewartet.
• HTML-Export: Er erlaubte Script-Injection, z. B. <img onerror>, <script> oder javascript:-Links aus LLM-Ausgaben.
• RAG:
  • Embeddings liefen synchron im GUI-Thread.
  • Nach einem Wechsel in den Einstellungen konnte der Chat Chunks aus fremden Projekten abfragen.
  • Die angezeigte „Konfidenz“ war in Wahrheit eine Distanz.
• Verlorene Dateien: Dateien aus Menü, Toolbar oder „Ordner hinzufügen“ wurden nie extrahiert.

Fixes

• Worker: neues src/gui/worker_utils.py (retain_until_finished, stop_workers). Alle Worker laufen über _start_tracked_worker. Abbruch über requestInterruption, und closeEvent wartet auf alle Worker.
• Export: ReportExporter.markdown_to_html escaped den gesamten Text und erlaubt nur http, https und mailto als Link-Schema. Der Titel wird escaped. Die GUI nutzt diese eine Implementierung.
• TXT-Export entfernt nur noch Markdown-Syntax (C#, #12 und file_name bleiben erhalten). YAML-Front-Matter wird per json.dumps gequotet. Pandoc läuft mit Timeout und klaren Fehlermeldungen.
• RAG:
  • Indexierung über den bestehenden Index-Worker.
  • Der Chat bekommt immer den aktuellen DocumentManager; ohne Dokumentfilter keine RAG-Abfrage.
  • Relevanz-Scores statt Distanz.
  • Re-Index bettet zuerst ein und ersetzt erst danach.
  • Index-Flags werden synchronisiert.
• Projekte: Neue Projekte übernehmen die gespeicherte LLM-Konfiguration. Öffnen erfolgt per ID. Das aktuelle Projekt wird vor dem Wechsel gespeichert. Projektordner bekommen ein uuid-Suffix.
• Dateien: Alle Hinzufüge-Wege starten die Extraktion, und die Warteschlange verliert keine Dateien mehr. Die unterstützten Dateitypen stehen in einer gemeinsamen Liste (.pptx/.html/.htm neu dabei, .odt/.ods entfernt).
• Extraktion:
  • Excel behält 0/False.
  • RTF: \uN-Fallback wird korrekt übersprungen, Multibyte-Codepages werden richtig dekodiert.
  • BOM/UTF-16-Erkennung.
  • PPTX-Folien in numerischer Reihenfolge.
  • fitz/openpyxl/extract_msg werden geschlossen.
• Sonstiges:
  • Ollama-Verfügbarkeit wird lazy und erneut geprüft.
  • Der Chat rendert Plaintext.
  • Translator erkennt deutsche Hinweiswörter jetzt nur als ganze Wörter.
  • Companion-Notizen werden per Projekt-ID gespeichert (workspace.id im Export, abwärtskompatibel).

Tests

• python -m pytest -q mit der vollständigen requirements.txt (langchain, chromadb): 147 passed, 3 skipped (vorher 103 passed).
• 44 neue Regressionstests in tests/test_bugfixes_2026_10.py.
• Web Companion: npm test → 60/60 (2 neue Tests).
• tests/linux_platform_smoke.py → ok.

Nicht enthalten: eigene Chroma-Collections pro Projekt. Das ist unnötig, weil Dokument-IDs uuid4 sind und jede Abfrage nach IDs gefiltert wird. Ebenfalls nicht enthalten: ein persistenter Extraktions-Cache.

🤖 Generated with Claude Code

https://claude.ai/code/session_014VFa8w68q2cEYMqHQqfiH2

---

Generated by Claude Code

[github-actions]

Welcome! 👋 Thanks for your first pull request in this repository.

A maintainer will review it soon. Please make sure:

• Your changes are tested
• Documentation is updated if needed
• The PR description explains what and why

Thanks for contributing!