refactor: Pipeline-Stufen in Ordner mit ihren Prompts

Im Wurzelverzeichnis liegt nur noch TextToModel.py (Ablauf und CLI).
Jede Stufe liegt mit Code und Prompt in einem eigenen Ordner: core,
understanding, modeling, checks, solving, reporting, data, benchmark;
Tests unter tests/, Aufgaben unter tasks/. understand_task,
text_to_model/revise_model und review_assumptions/needs_work/select_best
sind aus TextToModel.py zu ihren Prompts gewandert, inhaltlich
unveraendert. Prompt-Kennung des Benchmarks bleibt 93744636095a.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

modeling/extraction.py

@@ -0,0 +1,68 @@
+"""Stufen 2 und 5 der Pipeline: Modellspezifikation aus dem Text extrahieren und nach der Prüfung korrigieren."""
+from pathlib import Path
+from typing import List
+
+from core.llm import LLMSession
+from core.model_schema import (
+    AssumptionReview,
+    CheckIssue,
+    CheckSeverity,
+    OptimizationModelSpecification,
+    TaskUnderstanding,
+)
+
+ROUTING_PROMPT_FILE = Path(__file__).parent / "Routing-und-Extraktions-Prompt.txt"
+
+
+def text_to_model(session: LLMSession, task: str,
+                  understanding: TaskUnderstanding | None = None,
+                  data_prompt: str = "") -> OptimizationModelSpecification:
+    inhalt = task if not data_prompt else f"{task}\n\n{data_prompt}"
+    if understanding is not None:
+        # Die Verstehensstufe hat Teilfragen und Zahlen schon erfasst – die Extraktion muss den Text
+        # nicht noch einmal danach absuchen, sondern baut darauf auf.
+        inhalt += ("\n\nBEREITS ERFASSTES VERSTÄNDNIS (Teilfragen und Zahlen; übernimm die Werte aus facts "
+                   "in extracted_values, statt sie neu zu suchen):\n" + understanding.model_dump_json(indent=2))
+    return session.create(
+        OptimizationModelSpecification,
+        [
+            {"role": "system", "content": ROUTING_PROMPT_FILE.read_text(encoding="utf-8")},
+            {"role": "user", "content": inhalt},
+        ],
+        step="Extraktion",
+    )
+
+
+def revise_model(
+    session: LLMSession, task: str, spec: OptimizationModelSpecification, review: AssumptionReview,
+    issues: List[CheckIssue] = (),
+) -> OptimizationModelSpecification:
+    errors = [i for i in issues if i.severity == CheckSeverity.ERROR]
+    check_text = "\n".join(f"- [{i.code}] {i.message}" for i in errors) or "keine"
+    # Warnungen lösen für sich keine Korrekturrunde aus; findet aber ohnehin eine statt,
+    # sollen sie mit behoben werden – sonst erreicht z. B. unerklärter Fachjargon das LLM nie.
+    hinweise = [i for i in issues if i.severity == CheckSeverity.WARNING]
+    hinweis_text = "\n".join(f"- [{i.code}] {i.message}" for i in hinweise) or "keine"
+    return session.create(
+        OptimizationModelSpecification,
+        [
+            {"role": "system", "content": ROUTING_PROMPT_FILE.read_text(encoding="utf-8")},
+            {
+                "role": "user",
+                "content": (
+                    f"AUFGABENTEXT:\n{task}\n\n"
+                    f"BISHERIGE MODELLSPEZIFIKATION:\n{spec.model_dump_json(indent=2)}\n\n"
+                    f"PRÜFBERICHT:\n{review.model_dump_json(indent=2)}\n\n"
+                    f"FEHLER DER AUTOMATISCHEN KONSISTENZPRÜFUNG:\n{check_text}\n\n"
+                    f"HINWEISE DER AUTOMATISCHEN PRÜFUNG (kein Fehler, aber zu verbessern):\n{hinweis_text}\n\n"
+                    "Überarbeite die Modellspezifikation: Setze alle Korrekturen aus dem Prüfbericht um, "
+                    "behebe alle Fehler der Konsistenzprüfung, passe die betroffenen Restriktionen, Variablen "
+                    "und Parameter an und weise fehlende Annahmen in open_assumptions aus. "
+                    "Arbeite auch die Hinweise ab, soweit das Modell dadurch nicht schlechter wird – "
+                    "unerklärte Fachbegriffe gehören in executive_summary, nicht weggelassen. "
+                    "Behalte korrekte Teile unverändert bei."
+                ),
+            },
+        ],
+        step="Korrektur",
+    )