feat(search): deterministischer Backstop für heikle Kategorien

Schliesst die ~5-15 % Erst-Miss bei Fragen, deren veraltete Antwort
konfident-falsch waere (Amtstraeger, Wohnort lebender Personen, "lebt X noch").

- app/pipeline/search_backstop.py: should_force_search() erkennt solche
  Phrasierungen per mehrsprachiger Regex (de/en/nl + etwas fr/es) mit
  Gegenwarts-Schutz ("wer ist", nicht "wer war"). 22 Offline-Tests.
- ToolCallingLLM: bei Treffer wird die Suche DETERMINISTISCH erzwungen.
  Wichtig: NICHT per tool_choice-Forcen (das honoriert das Modell nicht
  zuverlaessig -> beobachtet: ignoriert, veraltete Antwort). Stattdessen
  fuehrt der Wrapper die Suche selbst aus und speist das Ergebnis als
  synthetischen Tool-Turn ein (_inject_forced_search). Metrik
  search_forced_total. Filler/Geduld feuern auch hier.
- Haertung: _chat faengt non-JSON-200 ab (war ein Crash-/Hänger-Ausloeser,
  betrifft auch Produktion).

Live verifiziert: "Wer ist Bundeskanzler?" sucht jetzt 3/3 -> Merz.
Tests: 312 gruen. Doc: §5.7.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

Docs/weg2-tool-calling.md

@@ -122,6 +122,21 @@ separat zählen — Kostensicht **und** Live-Beobachtung der Trigger-Rate.
 **Kein** eigenes Sonar-Kontingent in v1 (erst Metrik-Sicht; `quota.py`-Anbindung
 später bei Bedarf).
 
+### 5.7 Such-Backstop (heikle Kategorien)
+Das Modell self-triggert zu ~93 %; die Misses liegen in den Kategorien, in denen
+eine veraltete Erstantwort **konfident-falsch** ist (Amtsträger, Wohnort lebender
+Personen, „lebt X noch"). `app/pipeline/search_backstop.py` erkennt solche
+Phrasierungen per mehrsprachiger Regex (`should_force_search`, Gegenwarts-Schutz:
+„wer **ist**", nicht „wer **war**" → historische Fragen triggern nicht; offline
+getestet). Bei Treffer erzwingt `ToolCallingLLM` die Suche **deterministisch**.
+
+**Wichtige Designentscheidung:** *Nicht* per `tool_choice`-Forcen — das honoriert
+das Modell nicht zuverlässig (beobachtet: forced choice ignoriert → veraltete
+Antwort). Stattdessen führt der Wrapper die Suche **selbst direkt** aus und speist
+das Ergebnis als synthetischen Tool-Turn ein (`_inject_forced_search`); das Modell
+formuliert daraus. Metrik: `search_forced_total`. Recall-optimiert (lieber eine
+überflüssige Suche als eine konfident falsche Antwort).
+
 ## 6. Die zwei harten Stellen (bewusst benannt)
 
 - **Streaming + Tool-Erkennung.** Beim gestreamten ersten Call kommen