feat(llm): Koreferenz-Vorstufe + Tool-/Sonar-Metriken (Weg 2, Schritt 5)

Schliesst die im Tool-Calling-Eval isolierte Restkante (nl + Pronomen-aus-
History, z. B. "Leeft hij nog?" -> "Leeft Rutger Hauer nog?") und macht die
Web-Suche metrisch beobachtbar.

- Decontextualizer (app/pipeline/decontextualizer.py): loest Pronomen der
  letzten Aeusserung anhand des Verlaufs auf. Bewusst gegated (kurze
  Folgefrage MIT Pronomen UND History) -> kein Extra-Call im Normalfall;
  best effort (bei Fehler Original behalten).
- ToolCallingLLM nutzt die Vorstufe vor complete()/stream() und zaehlt
  tool_calls_total{tool=...}.
- SonarTool zaehlt sonar_calls_total{status=ok|error}.
- Verdrahtung: Registry openrouter-tools reicht den Decontextualizer durch.

Damit ist v1 von Weg 2 vollstaendig. Tests: 290 gruen.

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

app/providers/llm/tool_calling.py

@@ -17,6 +17,7 @@ from datetime import date
 
 import httpx
 
+from app.metrics import metrics
 from app.providers.llm.base import LLMProvider, lang_instruction, with_lang_reminder
 from app.providers.llm.openrouter import SYSTEM_PROMPT as PERSONA_PROMPT
 
@@ -126,7 +127,8 @@ class _StreamAcc:
 class ToolCallingLLM(LLMProvider):
     def __init__(self, api_key: str, model: str, tools: list,
                  knowledge_cutoff: str = "fall 2024", max_rounds: int = 3,
-                 max_retries: int = 4, temperature: float = 0.3):
+                 max_retries: int = 4, temperature: float = 0.3,
+                 decontextualizer=None):
         self.api_key = (api_key or "").strip()
         self.model = (model or "").strip()
         self.tools = {t.name: t for t in tools}
@@ -134,6 +136,13 @@ class ToolCallingLLM(LLMProvider):
         self.max_rounds = max(1, max_rounds)
         self.max_retries = max(1, max_retries)
         self.temperature = temperature
+        self.decontextualizer = decontextualizer
+
+    async def _resolve_text(self, text: str, history, language) -> str:
+        """Koreferenz-Vorstufe (gegated) — löst Pronomen aus der History auf."""
+        if self.decontextualizer is not None and history:
+            return await self.decontextualizer.run(text, history, language)
+        return text
 
     def _initial_messages(self, text: str, history, language) -> list[dict]:
         if not self.api_key:
@@ -181,6 +190,7 @@ class ToolCallingLLM(LLMProvider):
         """Führt einen Tool-Aufruf aus und liefert den tool-Message-Inhalt."""
         fn = tool_call.get("function", {})
         name = fn.get("name", "")
+        metrics.inc("tool_calls_total", {"tool": name or "unknown"})
         tool = self.tools.get(name)
         if tool is None:
             logger.warning("Unbekanntes Tool angefragt: %r", name)
@@ -196,6 +206,7 @@ class ToolCallingLLM(LLMProvider):
 
     async def complete(self, text: str, history: list[dict] | None = None,
                        session_id: str | None = None, language: str | None = None) -> str:
+        text = await self._resolve_text(text, history, language)
         messages = self._initial_messages(text, history, language)
 
         for _ in range(self.max_rounds):
@@ -228,6 +239,7 @@ class ToolCallingLLM(LLMProvider):
         durch. `on_tool_start(language)` (optional) feuert, bevor ein Tool läuft —
         Aufhänger für den ephemeren Filler (Schritt 4b).
         """
+        text = await self._resolve_text(text, history, language)
         messages = self._initial_messages(text, history, language)
 
         for _ in range(self.max_rounds):