{ "name": "local_02_V1.4", "nodes": [ { "parameters": { "tableName": "tags_gemini_2.5_pro", "columnsUi": { "columnValues": [ { "columnName": "cluster", "columnValue": "={{ $json.cluster }}" }, { "columnName": "schlagwort", "columnValue": "={{ $json.schlagwort }}" }, { "columnName": "gnd_name", "columnValue": "={{ $json.gnd_name }}" }, { "columnName": "gnd_id", "columnValue": "={{ $json.gnd_id }}" }, { "columnName": "confidence", "columnValue": "={{ $json.confidence }}" }, { "columnName": "llm2", "columnValue": "={{ $json.llm2 }}" }, { "columnName": "llm3", "columnValue": "={{ $json.llm3 }}" }, { "columnName": "llm4", "columnValue": "={{ $json.llm4 }}" }, { "columnName": "status", "columnValue": "={{ $json.status }}" }, { "columnName": "hinweis", "columnValue": "={{ $json.kritischer_hinweis }}" }, { "columnName": "audit1", "columnValue": "={{ $json.audit_1_relevance }}" }, { "columnName": "audit2", "columnValue": "={{ $json.audit_2_vision }}" }, { "columnName": "audit3", "columnValue": "={{ $json.audit_3_syntax }}" }, { "columnName": "audit4", "columnValue": "={{ $json.audit_4_sovereignty }}" }, { "columnName": "audit5", "columnValue": "={{ $json.audit_5_museo }}" }, { "columnName": "status2", "columnValue": "={{ $json.Protokoll_Status }}" }, { "columnName": "config", "columnValue": "=# n8n Workflow \u2014 KI-Modell-Konfiguration\nVersion: 1.2\nStand: 2026-06-08\nVerschlagwortung Museumsobjekte (Stadtmuseum Berlin)\nWorkflows: local_01 \u2192 local_02 \u2192 local_03\n\n## \u00c4NDERUNGEN GEGEN\u00dcBER v1.1\n- Synthese-Schritt (LLM1b) wieder eingef\u00fchrt: Gemma-4-12B-QAT als Schiedsrichter\n- LLM2 erh\u00e4lt jetzt master_caption (prim\u00e4r) + caption_1 + caption_2 (zur Verifikation)\n- LLM2 System-Prompt angepasst: master_caption als prim\u00e4re Wahrheit, rohe Captions als Fallback\n- LLM3 System-Prompt angepasst: zwei Captions als Input statt eine synthetisierte\n- LLM2 System-Prompt: Funktion_Zweck Verbotsliste erg\u00e4nzt (Dokumentation, Darstellung etc.)\n- LLM2 System-Prompt: Kultureller_Kontext Geografie/Datierungen mit Beispielen explizit verboten\n- LLM2 System-Prompt: Abschnitt 7 Technische Ausschl\u00fcsse mit Beispielen versch\u00e4rft\n\n\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\n\n## \u00dcBERBLICK: MODELLE IM WORKFLOW\n\n| Modell | Workflow | Stufe | Aufgabe |\n|---|---|---|---|\n| `qwen3.6-35b-a3b-mtp-q4` | local_02 | Caption 1/2 | Caption v2: parallel mit Gemma (Vision) |\n| `gemma-4-26b-a4b-qat` | local_02 | Caption 2/2 | Caption v2: parallel mit Qwen (Vision) |\n| `gemma-4-12b-qat` | local_02 | LLM1b | Synthese/Schiedsrichter (Vision) |\n| `qwen3.6-27b-mtp` | local_02 | LLM2 | Tagging (Vision + master_caption + 2 rohe Captions) |\n| `gemma-4-31b-it` | local_02 | LLM3 | Judge-Audit (Vision + JSON-Schema) |\n| `qwen3.6-35b-mtp` | local_03 | LLM1 | GND-Batch Retrieve-then-Judge (text-only) |\n\n**API-Endpunkt (alle Calls):** `YOUR_LLM_ENDPOINT/v1/chat/completions`\n**Auth:** `Bearer YOUR_API_KEY`\n**GND-Suche:** `YOUR_OPENSEARCH_ENDPOINT/_msearch`\n\n\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\n\n## STUFE 1 \u2014 CAPTION-PIPELINE (local_02)\n\n### Caption v2: Qwen + Gemma parallel\n**Node:** `Code in JavaScript3`\n\n**Qwen** (`qwen3.6-35b-a3b-mtp-q4`):\n```\ntemperature: 0.1\ntop_p: 0.9\nmax_tokens: 2500\nreasoning_budget: 512\ntimeout: 600000 ms\n```\n\n**Gemma** (`gemma-4-26b-a4b-qat`):\n```\ntemperature: 0.1\ntop_p: 0.9\nmax_tokens: 2500\ntimeout: 600000 ms\n```\n\nBeide laufen via `Promise.allSettled()` parallel im `caption_v2` llama-swap Set.\nIndividueller Fallback pro Modell wenn eines ausf\u00e4llt.\nOutput: `res_qwen` + `res_gemma`\n\n---\n\n### LLM1b \u2014 Synthese/Schiedsrichter\n**Node:** `Code in JavaScript (Synthese)`\n**Modell:** `gemma-4-12b-qat`\n\n```\ntemperature: 0.1\ntop_p: 0.9\nmax_tokens: 3000\nenable_thinking: false\ntimeout: 300000 ms\nimage_min_tokens: 140\nimage_max_tokens: 280\n```\n\nVision: ja \u2014 Originalbild als base64.\nInput: Originalbild + res_qwen + res_gemma.\nAufgabe: Schiedsrichter \u2014 pr\u00fcft beide Captions gegen das Bild, verwirft Halluzinationen,\nmarkiert Unsicherheiten, erstellt konsolidierten Befund.\nFallback: res_qwen wenn Synthese ausf\u00e4llt.\nOutput: `master_caption` + `res_qwen` + `res_gemma` + `caption_1` + `caption_2`\n\n\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\n\n## STUFE 2 \u2014 TAGGING (local_02)\n\n### LLM2 \u2014 Schlagwort-Generator\n**Node:** `Code in JavaScript6` \u2192 `HTTP Request3`\n**Modell:** `qwen3.6-27b-mtp`\n\n```\ntemperature: 0.2\ntop_p: 0.8\ntop_k: 20\npresence_penalty: 1.5\nmax_tokens: 4096\nresponse_format: json_object\nenable_thinking: false\ntimeout: 2000000 ms\n```\n\nVision: ja \u2014 Originalbild als base64 inline eingebettet.\nInput: Originalbild + master_caption (prim\u00e4r) + caption_1 (Verifikation) + caption_2 (Verifikation) + Museumsmetadaten.\nmaster_caption ist prim\u00e4re Wahrheit. Rohe Captions als Fallback wenn Bild etwas anderes zeigt.\nOutput: JSON mit 11 Clustern (Objekttyp, Thema_Ph\u00e4nomen, Inhalt_Motiv, Funktion_Zweck,\nVisuelle_Merkmale, Form_Gestalt, Bestandteile, Gebrauchskontext,\nKultureller_Kontext, Emotion_Atmosph\u00e4re, Farbe_Nuancen).\n\n\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\n\n## STUFE 3 \u2014 JUDGE-AUDIT (local_02)\n\n### LLM3 \u2014 Senior-Revisions-Kustos\n**Node:** `Code in JavaScript7` \u2192 `HTTP Request`\n**Modell:** `gemma-4-31b-it`\n\n```\ntemperature: 0.1\ntop_p: 0.8\ntop_k: 20\nmax_tokens: 10000\nenable_thinking: false\nresponse_format: json_schema (strict, name: \"llm3_audit_verdict\")\ntimeout: 300000 ms\n```\n\nVision: ja \u2014 Bild wird als base64 inline eingebettet (data:image/jpeg;base64,...).\nInput: Originalbild + master_caption + caption_1 + caption_2 + Metadaten + LLM2-Schlagworte + LLM2-Reasoning.\nOutput: Ampel-Triage pro Schlagwort (green / yellow / red) + Decolonial Audit Log.\n\n**JSON-Schema (response_format, strict):**\n```\n_decolonial_audit_log: { 1_Relevance_Check, 2_Vision_Check, 3_Syntax_Check,\n 4_Sovereignty_Check, 5_Museo_Check }\nProtokoll_Status: enum [\"Open Access\", \"Restricted\", \"Sensitive\"]\n_provenance_critique: string | null\nKritischer_Hinweis: string | null\n[11 Cluster]: Array<{ term, why, status (green|yellow|red), judge_comment }>\n```\n\n\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\n\n## STUFE 4 \u2014 GND-ABGLEICH (local_03)\n\n### LLM1 \u2014 GND-Batch Retrieve-then-Judge\n**Node:** `LLM1_batched`\n**Modell:** `qwen3.6-35b-mtp`\n\n```\ntemperature: 0.1\ntop_p: 0.8\ntop_k: 20\npresence_penalty: 0.0\nfrequency_penalty: 0.0\nmax_tokens: 2048\nresponse_format: json_object\nenable_thinking: false\nconcurrency: 8\ntimeout: 600000 ms\n```\n\nText-only. L\u00e4uft als Batch mit Concurrency 8 (== -np des Servers).\nVorgeschalteter OpenSearch-Bulk-Request (_msearch) liefert pro Begriff 5 GND-Kandidaten.\nLLM1 w\u00e4hlt den besten Kandidaten aus oder gibt no_match zur\u00fcck.\n\n**Output-Schema pro Begriff:**\n```json\n{\n \"gnd_id\": \"ID aus Kandidaten oder null\",\n \"gnd_preferred_name\": \"Name laut Kandidat oder null\",\n \"gnd_confidence\": \"high | medium | low | no_match\",\n \"reasoning\": \"Begr\u00fcndung\",\n \"debug_tags\": \"DESCRIPTIVE_NO_GND | DEFINITION_MISMATCH | MULTIPLE_CANDIDATES | LOW_FUZZY_OVERLAP | NONE\",\n \"additional_data\": {\n \"alternate_names\": \"Synonyme oder null\",\n \"definition\": \"Definition oder null\"\n }\n}\n```\n\n\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\n\n## TIMEOUTS GESAMT\n\n| Stufe | Modell | Timeout |\n|---|---|---|\n| LLM2 Tagging | qwen3.6-27b-mtp | 2000000 ms (33 min) |\n| LLM1 GND-Batch | qwen3.6-35b-mtp | 600000 ms (10 min) |\n| Caption v2 parallel | qwen3.6-35b-a3b-mtp-q4 + gemma-4-26b-a4b-qat | 600000 ms (10 min) |\n| LLM1b Synthese | gemma-4-12b-qat | 300000 ms (5 min) |\n| LLM3 Judge | gemma-4-31b-it | 300000 ms (5 min) |" } ] } }, "type": "n8n-nodes-base.seaTable", "typeVersion": 2, "position": [ 224, 1680 ], "id": "6b97083f-bc37-44c8-9522-8c219b0f5402", "name": "Create a row", "credentials": { "seaTableApi": { "name": "" } } }, { "parameters": { "operation": "update", "tableName": "metadata", "rowId": "={{ $('Start').item.json.metadata_clean._id }}", "columnsUi": { "columnValues": [ { "columnName": "processed", "columnValue": "ok" }, { "columnName": "newest", "columnValue": "ok_1.3" } ] } }, "type": "n8n-nodes-base.seaTable", "typeVersion": 2, "position": [ 864, 1680 ], "id": "85036281-1768-4061-8a36-8ad649e85c55", "name": "Update a row", "credentials": { "seaTableApi": { "name": "" } } }, { "parameters": { "resource": "link", "tableName": "tags_gemini_2.5_pro:::fvU0", "linkColumn": "=parent_id:::k11D:::IQEj", "linkColumnSourceId": "={{ $('Create a row').item.json._id }}", "linkColumnTargetId": "={{ $('Map_to_SeaTable_Schema').item.json.Objekt_Referenz }}" }, "type": "n8n-nodes-base.seaTable", "typeVersion": 2, "position": [ 576, 1680 ], "id": "e218df03-b3b8-48d1-8b3a-120f95b8dc8a", "name": "Add a row link", "credentials": { "seaTableApi": { "name": "" } } }, { "parameters": { "mode": "raw", "jsonOutput": "={{\n {\n \"Objekt_Referenz\": $('Start').item.json.metadata_clean._id,\n \"Protokoll_Status\": $json.Protokoll_Status,\n \"kritischer_hinweis\": $json.Kritischer_Hinweis,\n \"audit_1_relevance\": $json.Audit_1_Relevance,\n \"audit_2_vision\": $json.Audit_2_Vision,\n \"audit_3_syntax\": $json.Audit_3_Syntax,\n \"audit_4_sovereignty\": $json.Audit_4_Sovereignty,\n \"audit_5_museo\": $json.Audit_5_Museo,\n \"cluster\": $json.Cluster,\n \"schlagwort\": $json.Schlagwort,\n \"status\": $json.Status,\n \"gnd_name\": $json.GND_Name,\n \"gnd_id\": $json.GND_ID,\n \"confidence\": $json.Confidence,\n \"llm2\": $json.LLM2_Rationale,\n \"llm3\": $json.LLM3_Judge,\n \"llm4\": $json.LLM4_Reasoning\n }\n}}", "options": {} }, "type": "n8n-nodes-base.set", "typeVersion": 3.4, "position": [ 48, 1680 ], "id": "b4828023-a18b-4dff-8a41-3c7d55d22055", "name": "Map_to_SeaTable_Schema" }, { "parameters": {}, "type": "n8n-nodes-base.merge", "typeVersion": 3.2, "position": [ -512, 1680 ], "id": "5e40ac58-a8c8-46ab-b2a5-1bdb2d86adb6", "name": "Merge" }, { "parameters": { "jsCode": "/*\n=========================================================\nWEDDING NODE (Merge Appended Branches)\n- Sammelt gnd_result_string und Triage-Daten (rejected) ein\n- Harmonisiert das Daten-Schema f\u00fcr SeaTable\n- Erstellt genau EIN finales Output-Item\n=========================================================\n*/\n\nconst items = $input.all();\n\n// 1. Variablen zum Einsammeln der Daten aus den verschiedenen Str\u00e4ngen\nlet gndString = \"{}\";\nlet rejectedData = {};\nlet topLevelMeta = {\n _decolonial_audit_log: null,\n Protokoll_Status: \"Unknown\",\n Kritischer_Hinweis: null\n};\n\n// 2. Alle eintreffenden Items durchsuchen (fangen den \"Append\" auf)\nfor (const item of items) {\n const json = item.json;\n\n // A: Hat dieses Item den GND-String?\n if (json.gnd_result_string) {\n gndString = json.gnd_result_string;\n }\n\n // B: Hat dieses Item die Triage-Ergebnisse?\n const currentRejected = json.payload_rejected || json.llm_result?.payload_rejected;\n\n if (currentRejected) {\n rejectedData = currentRejected;\n topLevelMeta._decolonial_audit_log = json._decolonial_audit_log || currentRejected._decolonial_audit_log;\n topLevelMeta.Protokoll_Status = json.Protokoll_Status || currentRejected.Protokoll_Status;\n topLevelMeta.Kritischer_Hinweis = json.Kritischer_Hinweis || currentRejected.Kritischer_Hinweis;\n }\n}\n\n// 3. Den GND-String zu einem echten JSON entpacken\nlet validatedData = {};\ntry {\n validatedData = JSON.parse(gndString);\n} catch (e) {\n validatedData = {};\n}\n\n// 4. Das finale Output-Objekt vorbereiten\nconst finalOutput = {\n _decolonial_audit_log: topLevelMeta._decolonial_audit_log,\n Protokoll_Status: topLevelMeta.Protokoll_Status,\n Kritischer_Hinweis: topLevelMeta.Kritischer_Hinweis\n};\n\nconst clusters = [\n \"Objekttyp\", \"Thema_Ph\u00e4nomen\", \"Inhalt_Motiv\", \"Funktion_Zweck\",\n \"Visuelle_Merkmale\", \"Form_Gestalt\", \"Bestandteile\", \"Gebrauchskontext\",\n \"Kultureller_Kontext\", \"Emotion_Atmosph\u00e4re\", \"Farbe_Nuancen\"\n];\n\n// 5. Cluster zusammenf\u00fchren (Die eigentliche Hochzeit)\nfor (const cluster of clusters) {\n const mergedCluster = [];\n\n // A) Validierte Begriffe (GR\u00dcN, aus dem GND-Strang)\n if (validatedData[cluster] && Array.isArray(validatedData[cluster])) {\n for (const validItem of validatedData[cluster]) {\n mergedCluster.push({\n term: validItem.term,\n status: \"green\", // hier kommen nur echte Gr\u00fcne an\n gnd_name: validItem.gnd_name || null,\n gnd_id: validItem.gnd_id || null,\n confidence: validItem.confidence || null,\n llm2_rationale: validItem.llm2_rationale || null,\n llm3_judge_comment: validItem.llm3_judge_comment || null,\n llm4_reasoning: validItem.llm4_reasoning || null\n });\n }\n }\n\n // B) Zur\u00fcckgehaltene Begriffe (GELB + ROT, aus dem Triage-Strang)\n if (rejectedData[cluster] && Array.isArray(rejectedData[cluster])) {\n for (const rejectedItem of rejectedData[cluster]) {\n mergedCluster.push({\n term: rejectedItem.term,\n status: rejectedItem.status || \"red\", // gelb bleibt gelb, rot bleibt rot\n gnd_name: null,\n gnd_id: null,\n confidence: null,\n llm2_rationale: rejectedItem.why || null,\n llm3_judge_comment: rejectedItem.judge_comment || null,\n llm4_reasoning: \"Status nicht gr\u00fcn \u2013 zur\u00fcckgehalten, kein GND-Abgleich durchgef\u00fchrt.\"\n });\n }\n }\n\n finalOutput[cluster] = mergedCluster;\n}\n\n// 6. Wir geben exakt EIN Item zur\u00fcck, das alles beinhaltet\nreturn [{ json: finalOutput }];" }, "type": "n8n-nodes-base.code", "typeVersion": 2, "position": [ -320, 1680 ], "id": "84319c94-5624-4f81-a76f-3c501960b771", "name": "Merge_GND_and_Rejected" }, { "parameters": { "jsCode": "/*\n=========================================================\nFLATTEN FOR SEATABLE (1 Item pro Schlagwort)\n- L\u00f6st die Cluster auf\n- Erstellt f\u00fcr jedes Schlagwort ein eigenes n8n-Item\n- Vererbt das komplette Decolonial Audit Log an jedes Item\n- Bereitet die Spaltennamen f\u00fcr SeaTable vor\n=========================================================\n*/\n\nconst items = $input.all();\nconst flattenedKeywords = [];\n\nconst clusters = [\n \"Objekttyp\", \"Thema_Ph\u00e4nomen\", \"Inhalt_Motiv\", \"Funktion_Zweck\",\n \"Visuelle_Merkmale\", \"Form_Gestalt\", \"Bestandteile\", \"Gebrauchskontext\",\n \"Kultureller_Kontext\", \"Emotion_Atmosph\u00e4re\", \"Farbe_Nuancen\"\n];\n\nfor (const item of items) {\n const json = item.json;\n \n // Wir isolieren das Audit-Log (mit Fallback, falls es mal fehlen sollte)\n const auditLog = json._decolonial_audit_log || {};\n\n // Iteriere durch alle Cluster\n for (const cluster of clusters) {\n const keywordArray = json[cluster];\n\n // Wenn das Cluster existiert und bef\u00fcllt ist...\n if (keywordArray && Array.isArray(keywordArray)) {\n for (const kw of keywordArray) {\n \n // Erstelle ein isoliertes Item f\u00fcr jedes einzelne Schlagwort\n flattenedKeywords.push({\n json: {\n // METADATEN DES OBJEKTS\n // Objekt_ID: json.ID || \"N/A\", <-- Objekt-Referenz f\u00fcr SeaTable\n Protokoll_Status: json.Protokoll_Status || \"Unknown\",\n Kritischer_Hinweis: json.Kritischer_Hinweis || \"\",\n \n // DECOLONIAL AUDIT LOG (aufgeschl\u00fcsselt)\n Audit_1_Relevance: auditLog[\"1_Relevance_Check\"] || \"\",\n Audit_2_Vision: auditLog[\"2_Vision_Check\"] || \"\",\n Audit_3_Syntax: auditLog[\"3_Syntax_Check\"] || \"\",\n Audit_4_Sovereignty: auditLog[\"4_Sovereignty_Check\"] || \"\",\n Audit_5_Museo: auditLog[\"5_Museo_Check\"] || \"\",\n \n // SCHLAGWORT-DATEN\n Cluster: cluster,\n Schlagwort: kw.term,\n Status: kw.status,\n GND_Name: kw.gnd_name || \"\",\n GND_ID: kw.gnd_id || \"\",\n Confidence: kw.confidence || \"\",\n LLM2_Rationale: kw.llm2_rationale || \"\",\n LLM3_Judge: kw.llm3_judge_comment || \"\",\n LLM4_Reasoning: kw.llm4_reasoning || \"\"\n }\n });\n }\n }\n }\n}\n\n// Gibt eine flache Liste aller Schlagworte zur\u00fcck\nreturn flattenedKeywords;" }, "type": "n8n-nodes-base.code", "typeVersion": 2, "position": [ -144, 1680 ], "id": "ab26a547-bc17-4ea2-87cd-edbd763d22c3", "name": "Flatten_for_SeaTable" }, { "parameters": { "content": "## Keywords parsen, nach Seatable schreiben\n", "height": 281, "width": 1828 }, "id": "c0969698-7f71-4590-a2fd-d18026e25abc", "name": "Sticky Note3", "type": "n8n-nodes-base.stickyNote", "typeVersion": 1, "position": [ -704, 1568 ] }, { "parameters": { "jsCode": "/*\n=========================================================\nJSON PARSER & DECOLONIAL VALIDATOR (v5 \u2014 Fehlerklassen-Entscheider)\n1. Parst die LLM-Antwort; Fallback auf Leer-Skelett bei Parse-Fehler\n2. DE-BIAS: nur 'term', exakter Ganzwort-Abgleich (REPLACE/CONTEXTUALIZE/DROP)\n3. NEU: Status wird aus fehlerklassen BERECHNET (nicht mehr vom LLM)\n Pr\u00e4zedenz: Wegwerf > Reparier > Verschieben/gr\u00fcn\n FALSCHER_CLUSTER -> Code verschiebt ins correct_cluster (bleibt gr\u00fcn)\n4. NEU: Code-Netze \u00fcber die Gr\u00fcnen: DATIERUNG (Regex) + exakte Dopplung\n5. NUR GR\u00dcN -> payload_valid (GND); Gelb + Rot -> payload_rejected\n=========================================================\n*/\n\n// ------------------------------------------------------\n// TEIL A: KONFIGURATION\n// ------------------------------------------------------\nconst DE_BIAS_MAP = {\n \"Abendland\": {\"replacement\": [\"Westasien\", \"Europa\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"Eurozentrismus\"},\n \"Abnormit\u00e4tenschau\": {\"replacement\": [], \"action\": \"CONTEXTUALIZE\", \"category\": \"Ableismus\"},\n \"Afrikaner\": {\"replacement\": [\"Menschen des afrikanischen Kontinents\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"Kolonialismus\"},\n \"Arisierung\": {\"replacement\": [\"Raub\", \"Enteignung\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"NS-Unrecht\"},\n \"Australneger\": {\"replacement\": [\"Aborigine\"], \"action\": \"REPLACE\", \"category\": \"Rassismus\"},\n \"Bastard\": {\"replacement\": [\"Au\u00dfereheliches Kind\"], \"action\": \"REPLACE\", \"category\": \"Abwertung\"},\n \"Behinderter\": {\"replacement\": [\"Mensch mit Behinderung\"], \"action\": \"REPLACE\", \"category\": \"Ableismus\"},\n \"Berber\": {\"replacement\": [\"Imazighen\"], \"action\": \"REPLACE\", \"category\": \"Kolonialismus\"},\n \"Buschleute\": {\"replacement\": [\"San\", \"Khoisan\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"Kolonialismus\"},\n \"Buschneger\": {\"replacement\": [\"Maroons\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"Rassismus\"},\n \"Drittes Reich\": {\"replacement\": [\"NS-Regime\"], \"action\": \"REPLACE\", \"category\": \"Nationalsozialismus\"},\n \"Dunkelh\u00e4utig\": {\"replacement\": [\"Schwarze Menschen\", \"PoC\"], \"action\": \"REPLACE\", \"category\": \"Rassismus\"},\n \"Eingeboren\": {\"replacement\": [\"Indigen\"], \"action\": \"REPLACE\", \"category\": \"Kolonialismus\"},\n \"Endl\u00f6sung\": {\"replacement\": [\"Shoah\", \"Holocaust\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"NS-Euphemismus\"},\n \"Eskimo\": {\"replacement\": [\"Inuit\"], \"action\": \"REPLACE\", \"category\": \"Kolonialismus\"},\n \"Exotisch\": {\"replacement\": [], \"action\": \"CONTEXTUALIZE\", \"category\": \"Exotismus\"},\n \"Farbig\": {\"replacement\": [], \"action\": \"DROP\", \"category\": \"Rassismus\"},\n \"Gastarbeiter\": {\"replacement\": [\"Arbeitsmigranten\"], \"action\": \"REPLACE\", \"category\": \"Migration\"},\n \"Gypsy\": {\"replacement\": [\"Roma\", \"Sinti\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"Antiziganismus\"},\n \"H\u00e4uptling\": {\"replacement\": [\"Oberhaupt\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"Kolonialismus\"},\n \"Hottentotte\": {\"replacement\": [\"Khoikhoi\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"Rassismus\"},\n \"Indianer\": {\"replacement\": [\"Indigene Bev\u00f6lkerung\", \"Native Americans\"], \"action\": \"REPLACE\", \"category\": \"Kolonialismus\"},\n \"Irrenanstalt\": {\"replacement\": [\"Psychiatrische Klinik\"], \"action\": \"REPLACE\", \"category\": \"Ableismus\"},\n \"Kristallnacht\": {\"replacement\": [\"Novemberpogrome\"], \"action\": \"REPLACE\", \"category\": \"NS-Euphemismus\"},\n \"Kr\u00fcppel\": {\"replacement\": [\"Mensch mit Behinderung\"], \"action\": \"REPLACE\", \"category\": \"Ableismus\"},\n \"Mohr\": {\"replacement\": [\"Schwarzer Mensch\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"Rassismus\"},\n \"Mongoloid\": {\"replacement\": [\"Person mit Trisomie 21\"], \"action\": \"REPLACE\", \"category\": \"Ableismus\"},\n \"Morgenland\": {\"replacement\": [\"Naher Osten\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"Eurozentrismus\"},\n \"Mulatte\": {\"replacement\": [\"Person mit binationalem Hintergrund\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"Rassismus\"},\n \"Muselmann\": {\"replacement\": [\"Muslim\"], \"action\": \"REPLACE\", \"category\": \"Islamfeindlichkeit\"},\n \"Naturvolk\": {\"replacement\": [\"Indigene Gemeinschaft\"], \"action\": \"REPLACE\", \"category\": \"Kolonialismus\"},\n \"Neger\": {\"replacement\": [\"Schwarzer Mensch\", \"PoC\"], \"action\": \"REPLACE\", \"category\": \"Rassismus\"},\n \"Orientalisch\": {\"replacement\": [\"Westasiatisch\", \"Arabisch\"], \"action\": \"REPLACE\", \"category\": \"Eurozentrismus\"},\n \"Rasse\": {\"replacement\": [], \"action\": \"DROP\", \"category\": \"Rassismus\"},\n \"Schwarzafrika\": {\"replacement\": [\"Subsahara-Afrika\"], \"action\": \"CONTEXTUALIZE\", \"category\": \"Rassismus\"},\n \"Taubstumm\": {\"replacement\": [\"Geh\u00f6rlos\"], \"action\": \"REPLACE\", \"category\": \"Ableismus\"},\n \"Transsexuell\": {\"replacement\": [\"Transgeschlechtlich\"], \"action\": \"REPLACE\", \"category\": \"Gender\"},\n \"Zigeuner\": {\"replacement\": [\"Roma und Sinti\"], \"action\": \"REPLACE\", \"category\": \"Antiziganismus\"},\n \"Zwerg\": {\"replacement\": [\"Kleinw\u00fcchsiger Mensch\"], \"action\": \"REPLACE\", \"category\": \"Ableismus\"}\n};\n\n// ------------------------------------------------------\n// TEIL B: HELFER\n// ------------------------------------------------------\nfunction normalizeTerm(t) {\n return String(t === null || t === undefined ? \"\" : t).trim().toLowerCase();\n}\n\nconst BIAS_LOOKUP = {};\nfor (const [key, rule] of Object.entries(DE_BIAS_MAP)) {\n BIAS_LOOKUP[normalizeTerm(key)] = { original: key, ...rule };\n}\n\nconst META_KEYS = [\"_decolonial_audit_log\", \"Protokoll_Status\", \"_provenance_critique\", \"Kritischer_Hinweis\"];\n\nconst CLUSTERS = [\n \"Objekttyp\", \"Thema_Ph\u00e4nomen\", \"Inhalt_Motiv\", \"Funktion_Zweck\",\n \"Visuelle_Merkmale\", \"Form_Gestalt\", \"Bestandteile\", \"Gebrauchskontext\",\n \"Kultureller_Kontext\", \"Emotion_Atmosph\u00e4re\", \"Farbe_Nuancen\"\n];\n\n// Fehlerklassen -> Status\nconst DISCARD_CLASSES = new Set([\n \"KEINE_EVIDENZ\",\"HALLUZINATION\",\"MATERIAL_PUR\",\"MATERIAL_TECHNIK\",\"DATIERUNG\",\n \"GEOGRAFIE_EIGENNAME\",\"SPEKULATION_ZIRKEL\",\"ASYMMETRIE\",\"REDUNDANZ\"\n]);\nconst REPAIR_CLASSES = new Set([\"PLURAL\",\"ADJEKTIV\",\"KOMPOSITUM\",\"FEHLENDE_BRUECKE\",\"MATERIAL_KOMPOSITUM\"]);\nconst MOVE_CLASS = \"FALSCHER_CLUSTER\";\n\n// Leer-Skelett bei unparsebarer LLM3-Antwort\nfunction buildEmptySkeleton(note) {\n const skel = {\n _decolonial_audit_log: {\n \"1_Relevance_Check\": \"\", \"2_Vision_Check\": \"\", \"3_Syntax_Check\": \"\",\n \"4_Sovereignty_Check\": \"\", \"5_Museo_Check\": \"\"\n },\n Protokoll_Status: \"Restricted Access (Check Local Contexts)\",\n _provenance_critique: null,\n Kritischer_Hinweis: note\n };\n for (const c of CLUSTERS) skel[c] = [];\n return skel;\n}\n\n// DE-BIAS: pr\u00fcft NUR term (exakter Ganzwort-Abgleich)\nfunction applyBiasPolicyToTerms(parsedData, warningsList) {\n for (const [key, value] of Object.entries(parsedData)) {\n if (META_KEYS.includes(key) || !Array.isArray(value)) continue;\n const kept = [];\n for (const entry of value) {\n if (!entry || typeof entry.term !== \"string\") { kept.push(entry); continue; }\n const rule = BIAS_LOOKUP[normalizeTerm(entry.term)];\n if (!rule) { kept.push(entry); continue; }\n\n if (rule.action === \"DROP\") {\n warningsList.push(`Begriff '${entry.term}' automatisch entfernt (${rule.category}).`);\n continue;\n }\n if (rule.action === \"REPLACE\" && rule.replacement && rule.replacement.length > 0) {\n warningsList.push(`Begriff '${entry.term}' ersetzt durch '${rule.replacement[0]}' (${rule.category}).`);\n entry.term = rule.replacement[0];\n kept.push(entry);\n continue;\n }\n if (rule.action === \"CONTEXTUALIZE\") {\n if (!entry.term.includes(\"[sic!]\")) entry.term = `${entry.term} [sic!]`;\n warningsList.push(`SENSITIV: Begriff '${rule.original}' markiert (${rule.category}).`);\n kept.push(entry);\n continue;\n }\n kept.push(entry);\n }\n parsedData[key] = kept;\n }\n}\n\n// Status aus fehlerklassen berechnen + FALSCHER_CLUSTER verschieben\nfunction deriveStatusAndMove(parsedData) {\n const moves = [];\n for (const cluster of CLUSTERS) {\n const arr = Array.isArray(parsedData[cluster]) ? parsedData[cluster] : [];\n for (const it of arr) {\n if (!it || typeof it !== \"object\") continue;\n const flags = Array.isArray(it.fehlerklassen) ? it.fehlerklassen : [];\n\n let status = \"green\";\n if (flags.some(f => DISCARD_CLASSES.has(f))) status = \"red\";\n else if (flags.some(f => REPAIR_CLASSES.has(f))) status = \"yellow\";\n it.status = status;\n\n if (status !== \"red\" &&\n flags.includes(MOVE_CLASS) &&\n typeof it.correct_cluster === \"string\" &&\n CLUSTERS.includes(it.correct_cluster) &&\n it.correct_cluster !== cluster) {\n moves.push({ from: cluster, to: it.correct_cluster, item: it });\n }\n }\n }\n for (const m of moves) {\n const fromArr = parsedData[m.from];\n if (Array.isArray(fromArr)) {\n const idx = fromArr.indexOf(m.item);\n if (idx !== -1) fromArr.splice(idx, 1);\n }\n if (!Array.isArray(parsedData[m.to])) parsedData[m.to] = [];\n parsedData[m.to].push(m.item);\n }\n}\n\n// Deterministische Netze \u00fcber die GR\u00dcNEN: Datierung + exakte Dopplung\nfunction applyGreenNets(parsedData, warningsList) {\n const DATE_RE = /\\b\\d{4}\\b|jahrhundert|\\bjh\\.?\\b|\\b\\d{2,4}er\\b/i;\n const seen = new Set();\n for (const cluster of CLUSTERS) {\n const arr = Array.isArray(parsedData[cluster]) ? parsedData[cluster] : [];\n for (const it of arr) {\n if (!it || it.status !== \"green\" || typeof it.term !== \"string\") continue;\n\n if (DATE_RE.test(it.term)) {\n it.status = \"red\";\n it.judge_comment = (it.judge_comment ? it.judge_comment + \" | \" : \"\") + \"CODE-NET: Datierung -> entfernt.\";\n warningsList.push(`Datierung '${it.term}' per Code entfernt.`);\n continue;\n }\n\n const key = normalizeTerm(it.term);\n if (seen.has(key)) {\n it.status = \"red\";\n it.judge_comment = (it.judge_comment ? it.judge_comment + \" | \" : \"\") + \"CODE-NET: exakte Dopplung -> entfernt.\";\n warningsList.push(`Dopplung '${it.term}' per Code entfernt.`);\n } else {\n seen.add(key);\n }\n }\n }\n}\n\n// ------------------------------------------------------\n// TEIL C: PARSING\n// ------------------------------------------------------\nconst items = $input.all();\nconst outputItems = [];\n\nfunction cleanAndParse(text) {\n if (!text) return { error: \"Empty content\" };\n let cleaned = text.replace(/^```json\\s*/i, '').replace(/\\s*```$/, '');\n const firstBrace = cleaned.indexOf('{');\n const lastBrace = cleaned.lastIndexOf('}');\n if (firstBrace !== -1 && lastBrace !== -1) {\n cleaned = cleaned.substring(firstBrace, lastBrace + 1);\n }\n try {\n return JSON.parse(cleaned);\n } catch (e) {\n try {\n const fixed = cleaned.replace(/\\\\\"/g, '\"');\n return JSON.parse(fixed);\n } catch (e2) {\n return { _parsing_error: true, raw_text: text };\n }\n }\n}\n\n// ------------------------------------------------------\n// TEIL D: HAUPTSCHLEIFE\n// ------------------------------------------------------\nfor (const item of items) {\n const json = item.json;\n\n // 1. PFAD-SUCHE\n let contentString = \"\";\n if (json.choices && json.choices[0] && json.choices[0].message) {\n contentString = json.choices[0].message.content;\n } else if (json.message && json.message.content) {\n contentString = json.message.content;\n } else if (json.response) {\n contentString = json.response;\n } else if (json.content && json.content.parts) {\n contentString = json.content.parts[0].text;\n } else {\n contentString = JSON.stringify(json);\n }\n\n // 2. PARSEN (+ Fallback)\n let parsedData = cleanAndParse(contentString);\n if (parsedData._parsing_error || parsedData.error) {\n const rawText = parsedData.raw_text || \"\";\n parsedData = buildEmptySkeleton(\"AUTO-FLAG: LLM3-Antwort nicht parsebar \u2013 Objekt ohne Tags durchgereicht.\");\n parsedData._llm3_unparsable = true;\n parsedData._llm3_raw = rawText;\n }\n\n // 3. DE-BIAS -> STATUS BERECHNEN -> CODE-NETZE -> SPLIT\n {\n const warnings = [];\n applyBiasPolicyToTerms(parsedData, warnings); // term-Bereinigung\n deriveStatusAndMove(parsedData); // fehlerklassen -> status + Verschiebung\n applyGreenNets(parsedData, warnings); // Datierung + Dopplung \u00fcber die Gr\u00fcnen\n\n if (warnings.length > 0) {\n const existingNote = parsedData.Kritischer_Hinweis ? parsedData.Kritischer_Hinweis + \" | \" : \"\";\n const uniqueWarnings = [...new Set(warnings)];\n parsedData.Kritischer_Hinweis = existingNote + \"AUTO-FLAG: \" + uniqueWarnings.join(\" \");\n }\n\n // NUR GR\u00dcN -> payload_valid; GELB + ROT -> payload_rejected\n let payload_valid = {};\n let payload_rejected = {};\n let hasRedStatus = false;\n\n for (const key of META_KEYS) {\n if (parsedData[key] !== undefined) {\n payload_valid[key] = parsedData[key];\n payload_rejected[key] = parsedData[key];\n }\n }\n\n for (const [key, value] of Object.entries(parsedData)) {\n if (!META_KEYS.includes(key) && Array.isArray(value)) {\n const validItems = [];\n const rejectedItems = [];\n value.forEach(clusterItem => {\n if (clusterItem && clusterItem.status === 'green') {\n validItems.push(clusterItem);\n } else {\n rejectedItems.push(clusterItem);\n hasRedStatus = true;\n }\n });\n payload_valid[key] = validItems;\n payload_rejected[key] = rejectedItems;\n }\n }\n\n parsedData.payload_valid = payload_valid;\n parsedData.payload_rejected = payload_rejected;\n parsedData.has_red_status = hasRedStatus;\n }\n\n // 4. OUTPUT\n const newItem = {\n ...json,\n llm_result: parsedData,\n has_red_status: parsedData.has_red_status,\n ...parsedData\n };\n outputItems.push({ json: newItem });\n}\n\nreturn outputItems;" }, "type": "n8n-nodes-base.code", "typeVersion": 2, "position": [ -528, 1296 ], "id": "b95cf37d-6306-4042-8015-78d26bee315d", "name": "Parse_LLM3_and_Debias" }, { "parameters": { "mode": "raw", "jsonOutput": "={\n \"1_Relevance_Check\": {{ JSON.stringify($json.payload_valid._decolonial_audit_log[\"1_Relevance_Check\"]) }},\n \"2_Vision_Check\": {{ JSON.stringify($json.payload_valid._decolonial_audit_log[\"2_Vision_Check\"]) }},\n \"3_Syntax_Check\": {{ JSON.stringify($json.payload_valid._decolonial_audit_log[\"3_Syntax_Check\"]) }},\n \"4_Sovereignty_Check\": {{ JSON.stringify($json.payload_valid._decolonial_audit_log[\"4_Sovereignty_Check\"]) }},\n \"5_Museo_Check\": {{ JSON.stringify($json.payload_valid._decolonial_audit_log[\"5_Museo_Check\"]) }},\n\n \"Protokoll_Status\": {{ JSON.stringify($json.payload_valid.Protokoll_Status) }},\n\n \"Objekttyp\": {{ JSON.stringify($json.payload_valid.Objekttyp || []) }},\n \"Thema_Ph\u00e4nomen\": {{ JSON.stringify($json.payload_valid[\"Thema_Ph\u00e4nomen\"] || []) }},\n \"Inhalt_Motiv\": {{ JSON.stringify($json.payload_valid.Inhalt_Motiv || []) }},\n \"Funktion_Zweck\": {{ JSON.stringify($json.payload_valid.Funktion_Zweck || []) }},\n \"Visuelle_Merkmale\": {{ JSON.stringify($json.payload_valid.Visuelle_Merkmale || []) }},\n \"Form_Gestalt\": {{ JSON.stringify($json.payload_valid.Form_Gestalt || []) }},\n \"Bestandteile\": {{ JSON.stringify($json.payload_valid.Bestandteile || []) }},\n \"Gebrauchskontext\": {{ JSON.stringify($json.payload_valid.Gebrauchskontext || []) }},\n \"Kultureller_Kontext\": {{ JSON.stringify($json.payload_valid.Kultureller_Kontext || []) }},\n \"Emotion_Atmosph\u00e4re\": {{ JSON.stringify($json.payload_valid[\"Emotion_Atmosph\u00e4re\"] || []) }},\n \"Farbe_Nuancen\": {{ JSON.stringify($json.payload_valid.Farbe_Nuancen || []) }},\n\n \"Kritischer_Hinweis\": {{ JSON.stringify($json.payload_valid.Kritischer_Hinweis || \"\") }},\n\n\"Caption\": {{ JSON.stringify($('02_keywords').item.json.master_caption || \"\") }},\n\"Metadata\": {{ JSON.stringify($('02_keywords').item.json.context_data_string || \"\") }}\n}", "options": {} }, "type": "n8n-nodes-base.set", "typeVersion": 3.4, "position": [ 256, 1296 ], "id": "12f693a0-11ee-4e91-aa78-71d985b5ce60", "name": "Build_GND_Payload" }, { "parameters": { "content": "## Keywords auf GND mappen", "height": 233, "width": 1724 }, "id": "10704340-ae32-47fa-b13d-51d1005eb4f7", "name": "Sticky Note4", "type": "n8n-nodes-base.stickyNote", "typeVersion": 1, "position": [ -704, 1232 ] }, { "parameters": { "assignments": { "assignments": [ { "id": "5560da00-8c14-4763-8aef-f6de3d83577f", "name": "choices[0].message.content", "value": "={{ $json.body.choices[0].message.content }}", "type": "string" }, { "id": "32675ba7-996e-4da1-9dbc-e14f0584be4c", "name": "choices[0].message.reasoning", "value": "={{ $json.body.choices[0].message.reasoning_content }}", "type": "string" }, { "id": "42d0aff5-f742-4652-a2ce-f30037721be1", "name": "Image", "value": "={{ $('02_keywords').item.json.Image }}", "type": "string" } ] }, "options": {} }, "type": "n8n-nodes-base.set", "typeVersion": 3.4, "position": [ 96, 944 ], "id": "5d770f0e-fdf1-4817-a017-bd4a8a48cbde", "name": "Extract_LLM2_Response" }, { "parameters": { "assignments": { "assignments": [ { "id": "c06e74dd-1e46-4c00-a165-62ba24d88fde", "name": "rawSystempromptText", "value": "=SYSTEM-PROMPT: DECOLONIAL MIDDLEWARE & MUSEUM DOCUMENTATION\nVersion: 1.3\nStand: 2026-06-08\n\n0. PR\u00c4AMBEL & MISSION: DEMOKRATISIERUNG DER SAMMLUNG\n\nDER KONTEXT: Du verarbeitest historische Objektdokumentationen eines Stadtmuseums mit 4,5 Millionen Objekten aus 40 Teilsammlungen. Diese Daten sind in den letzten 150 Jahren von Generationen von Museolog:innen erstellt worden. Sie sind oft undurchsichtig, exklusiv, voller Fachjargon, teilweise undokumentiert und tragen historische Biases in sich.\n\nDIE ZIELGRUPPE: Deine Zielgruppe sind AUSSCHLIESSLICH Nicht-Expert:innen. Es sind allt\u00e4gliche Nutzer:innen, die weder die Struktur der Sammlung noch fachspezifische Terminologien kennen und nicht aus der Forschung kommen.\n\nDEINE MISSION (DAS WARUM): Du bist der \u00dcbersetzer zwischen einem historischen Experten-Archiv und der modernen \u00d6ffentlichkeit. Dein Hauptziel ist es, diese riesige, komplexe Sammlung f\u00fcr Laien suchbar und verst\u00e4ndlich zu machen. Du transformierst exklusives Herrschaftswissen in zug\u00e4ngliche, alltagssprachliche Schlagworte, auf die ein durchschnittlicher Mensch bei einer Suchanfrage kommen w\u00fcrde. Gleichzeitig reparierst du epistemische Gewalt durch dekoloniale Sensibilit\u00e4t, ohne das Objekt historisch zu verf\u00e4lschen.\n\nWICHTIG ZU DEINER WAHRNEHMUNG: Du erh\u00e4ltst das Originalbild, einen konsolidierten visuellen Befund (master_caption \u2014 von Gemma-4-12B als Schiedsrichter synthetisiert, inkl. Abschnitt 7 SENSITIVIT\u00c4TS-HINWEIS und Abschnitt 8 KONFIDENZ/UNSICHERHEIT) sowie zwei rohe Ausgangsbefunde (Caption A von Qwen, Caption B von Gemma) zur Verifikation. Die master_caption ist deine prim\u00e4re visuelle Wahrheit. Die rohen Captions dienen als Fallback wenn du am Bild etwas anderes siehst als die master_caption beschreibt. Was weder master_caption noch Bild belegen, tagge nicht.\n\n0.1 INPUT-VERARBEITUNG & KONFLIKTL\u00d6SUNG (BEFUND VS. METADATEN)\n\nDu erh\u00e4ltst vier Quellen: das Originalbild, einen konsolidierten visuellen Befund (master_caption \u2014 prim\u00e4re Wahrheit), zwei rohe Ausgangsbefunde (Caption A von Qwen, Caption B von Gemma \u2014 zur Verifikation) und die historischen Metadaten. Die master_caption ist prim\u00e4r. Bei Zweifeln an der master_caption pr\u00fcfe Caption A/B und das Bild direkt. Bei Widerspr\u00fcchen zwischen Caption A und B entscheidet die master_caption, im Zweifel das Bild. Beide Quellen sind oft asymmetrisch: Die Befunde k\u00f6nnen unsichere Beobachtungen enthalten (in Abschnitt 8 als [unsicher] markiert), Metadaten k\u00f6nnen Dinge nennen, die in den Befunden nicht auftauchen, oder offensichtliche optische Merkmale ignorieren.\n\nGehe bei Diskrepanzen exakt nach dieser Matrix vor:\n\n1. Das \"Unsichtbare\" aus dem Text: Wenn die Metadaten laienrelevante Dinge beschreiben, die in den visuellen Befunden nicht vorkommen (z.B. das Innere einer geschlossenen Schatulle, die Funktion eines kryptischen Werkzeugs), dann vertraue dem Text und tagge diese Begriffe.\n2. Die optische Realit\u00e4t f\u00fcr Laien: Wenn die Befunde oder das Bild eindeutige optische Merkmale nennen (z.B. kaputt, Rost, rund, Hund im Hintergrund), die in den Metadaten fehlen, dann tagge sie! Laien suchen sehr oft nach rein optischen Kriterien, die Generationen von Museolog:innen nicht f\u00fcr aufschreibenswert hielten.\n3. Umgang mit Unsicherheit: Was die Befunde in Abschnitt 8 als [unsicher] kennzeichnen, taggst du nur zur\u00fcckhaltend und nie als harte Tatsache. Erfinde nichts hinzu, was weder die Befunde noch das Bild zeigen. Im Zweifel verlasse dich auf die Textquellen.\n4. Semantische Br\u00fccke (Optik vs. Fachbegriff): Wenn das Objekt laut Metadaten z.B. ein \"Zepter\" ist, in den Befunden f\u00fcr einen Laien aber als verzierter \"Stock\" oder \"Stab\" beschrieben wird, dann vergib ZWINGEND beide Begriffe. Die Befunde liefern dir die visuellen Ankerpunkte f\u00fcr die laiensprachliche \u00dcbersetzung.\n\n1. ROLLE & IDENTIT\u00c4T\n\nDu bist eine Hybride KI-Instanz f\u00fcr das Stadtmuseum Berlin, bestehend aus zwei untrennbar verbundenen Modulen:\n\nDer Kustos (Museologie & Publikumsvermittlung):\nZust\u00e4ndig f\u00fcr formale Erschlie\u00dfung, GND-orientierte Schlagwortdisziplin, saubere semantische Trennung der Cluster \u2013 und die \u00dcbersetzung von historischem Herrschaftswissen in laienverst\u00e4ndliche, allt\u00e4gliche Suchbegriffe. Du arbeitest f\u00fcr Nicht-Expert:innen, die die Sammlung nicht kennen. Du denkst wie eine nutzerzentrierte Suchmaschine, nicht wie ein Fachwissenschaftler im Archiv.\n\nDer Kritiker (Decolonial Middleware):\nZust\u00e4ndig f\u00fcr die Detektion von epistemischer Gewalt, rassistischen oder kolonialen Bildpolitiken, agency-verschleiernder Sprache, \u201ePassive Voice\" (nach Susan Arndt) und Visual Biases \u2013 aber ausschlie\u00dflich dort, wo belastbare Evidenz im Befund oder Text vorliegt.\n\nBeide Module arbeiten nicht gegeneinander, sondern in einer festen Hierarchie:\n\nSicherheit und Protokoll gehen vor\nEvidenz geht vor Interpretation\nPr\u00e4zision geht vor Ausschm\u00fcckung\nHistorisierung geht vor ethnografischem Pr\u00e4sens\nSachlichkeit geht vor moralischer \u00dcberdehnung\nDekoloniale Benennung geht vor neutralisierender Verschleierung, wenn Gewaltverh\u00e4ltnisse klar erkennbar sind\n\nDu bist weder rein bibliothekarisch-neutral noch frei assoziativ-kritisch.\nDu arbeitest als pr\u00e4ziser, laienorientierter Erschlie\u00dfungsapparat mit eingebauter epistemischer Vorsicht.\n\n2. TEIL A: ANWEISUNG KUSTOS (FORMALE DISZIPLIN & \u00dcBERSETZUNG)\n\nDeine obersten Regeln f\u00fcr die bibliothekarische Erfassung:\n\n1. SINGULAR-ZWANG (GND-Standard)\nGib Schlagworte fast immer im Singular aus.\nFalsch: H\u00e4user, Soldaten, B\u00e4ume, B\u00fccher\nRichtig: Haus, Soldat, Baum, Buch\nAusnahme: Pluraletantum oder feste Sammelbegriffe, z. B. Eltern, Ferien.\n\n2. BR\u00dcCKEN-GEBOT (NARROWER TERM + BROADER TERM)\nW\u00e4hle den spezifischsten belastbaren Begriff (z. B. Kaffeekanne, Feldm\u00fctze), aber erg\u00e4nze zwingend den allgemeinen Oberbegriff, den ein Laie suchen w\u00fcrde (Gef\u00e4\u00df, Kopfbedeckung, Hut). Ein Fachbegriff darf nie alleine stehen, wenn Laien ihn nicht kennen w\u00fcrden. Wenn nur ein allgemeiner Begriff sicher belegbar ist, bleibe beim Oberbegriff.\n\n3. FOLKSONOMIE-GEBOT (ALLTAGSSPRACHE F\u00dcR LAIEN)\nTagge konsequent f\u00fcr Menschen ohne Vorwissen. Wenn das Objekt einen museologischen Fachbegriff erfordert, musst du zwingend die einfachsten, g\u00e4ngigsten Alltags-Oberbegriffe erg\u00e4nzen.\nFrage dich immer: \"Was w\u00fcrde ein Laie, der sich nicht auskennt, in eine Suchmaschine tippen, um dieses Objekt zu finden?\"\nFalsch (nur Fachjargon): Tschako\nRichtig (inklusiv): Tschako, Hut, Kopfbedeckung, Milit\u00e4rhut\nFalsch (nur Jargon): Numismatik\nRichtig: M\u00fcnze, Geld, Zahlungsmittel\nKeine Scheu vor sehr einfachen, banalen Begriffen, solange sie das Objekt zutreffend beschreiben.\n\n4. KOMPOSITA-ZERLEGUNG\nZerlege Ad-hoc-Zusammensetzungen, wenn beide Teile semantisch relevant sind.\nBeispiel: Soldatenalltag -> Soldat + Alltag\nBeispiel: Holztisch -> Tisch im Objekttyp; Holz nicht als Schlagwort ausgeben, da Material in separate Felder geh\u00f6rt.\nBehalte feststehende Begriffe bei, wenn sie als eigener Fachbegriff sinnvoll sind, z. B. Dampfschiff, Stereofotografie, Spitzbogen.\n\n5. SEMANTISCHE TRANSFORMATION (GRUNDS\u00c4TZLICHES ADJEKTIV-VERBOT)\nWandle Eigenschaftsw\u00f6rter grunds\u00e4tzlich in substantivische Schlagw\u00f6rter um.\nFalsch: milit\u00e4risch, freudig, altmodisch, r\u00f6tlich\nRichtig: Milit\u00e4r, Freude, Tradition, Rot\nAusnahme: Im Feld Visuelle_Merkmale sind Adjektive erlaubt, wenn sie direkt den im Befund genannten Zustand oder die optische Erscheinung bezeichnen, z. B. vergilbt, besch\u00e4digt, verblasst, gl\u00e4nzend, fragmentiert.\n\n6. SACHLICHKEIT BEI NEUTRALEN OBJEKTEN\nWenn ein Objekt unverd\u00e4chtig ist, z. B. Biedermeier-M\u00f6bel, Landschaftsmalerei, Produktdesign, Alltagskultur, bleibe rein deskriptiv.\nDichte keinen kolonialen, rassistischen oder politischen Bias herbei, wenn keine Evidenz vorliegt.\nDas dekoloniale Modul ist eine Evidenz-Maschine, keine Generalverdachtsmaschine.\n\n7. TECHNISCHE AUSSCHL\u00dcSSE\nWICHTIG:\nKein Material / keine Technik als Schlagwort im JSON\nTagge nicht Holz, Bronze, \u00d6l, Glas, Lithografie, Aquarell, Silbergelatine, auch wenn diese erkennbar oder bekannt sind.\nDiese Informationen geh\u00f6ren in separate Metadatenfelder.\nAuch Herstellungstechniken sind verboten \u2014 niemals: gewebt, gen\u00e4ht, gegossen, gedruckt, gestanzt, graviert, gel\u00f6tet, gestickt. Das sind Techniken, keine Schlagworte.\nKeine Redundanz\nKeine Datierungen \u2014 weder als Jahreszahl noch als Jahrhundertangabe: nicht 19. Jahrhundert, nicht 1920er Jahre, nicht Fr\u00fches 20. Jahrhundert\nKeine Geografienamen als blo\u00dfe Ortsangaben: nicht Berlin, nicht N\u00fcrnberg, nicht Hamburg \u2014 au\u00dfer der Ortsname konstituiert einen kulturellen Kontext der sonst nirgends erfasst wird\nKeine K\u00fcnstlernamen\nKeine Eigennamen von Personen\nKein Begriff soll unn\u00f6tig in mehreren Clustern wiederholt werden\n\n8. GND-ONTOLOGIE-CHECK\nPr\u00fcfe jedes Wort vor der Ausgabe:\nIst es ein Ding, ein Begriff, eine Funktion, ein Motiv, ein Milieu oder ein Affekt?\nOder ist es nur eine lose Beschreibung, die noch nicht GND-kompatibel transformiert wurde?\nRegeln:\nFarben als Nomen: Blau, Ocker, Graublau\nStimmungen als Abstrakta: Trauer, Feierlichkeit, Anspannung\nFormen als Fachbegriffe oder klare Formbezeichnungen: Rechteck, Oval, Zylinder, rund\nMaterialien intern ggf. als Nomen denkbar, aber niemals im JSON ausgeben\nZust\u00e4nde nur im Feld Visuelle_Merkmale\n\n9. ANTI-REDUNDANZ ZWISCHEN CLUSTERN\nEin Begriff soll m\u00f6glichst nur in dem Cluster erscheinen, in dem er semantisch am besten aufgehoben ist.\nObjekttyp = physischer Grundtyp des Gesamtobjekts\nInhalt/Motiv = konkret genannte Dinge, Figuren, Gegenst\u00e4nde, Handlungen\nThema/Ph\u00e4nomen = abstrakte Meta-Ebene\nFunktion/Zweck = Nutzung, Handlung oder Zweck\nGebrauchskontext = Lebenswelt, soziale Praxis, Nutzungssituation\nKultureller Kontext = historische, soziale, politische Einordnung\nVermeide Doppelungen, au\u00dfer ein Bedeutungswechsel ist wirklich n\u00f6tig und begr\u00fcndbar.\n\n10. SONDERREGEL F\u00dcR BILDTR\u00c4GER\nBei Fotografien, Gem\u00e4lden, Druckgrafiken, Postkarten, Plakaten und \u00e4hnlichen Bildtr\u00e4gern beziehen sich\nInhalt_Motiv\nFunktion_Zweck\nGebrauchskontext\nprim\u00e4r auf das dargestellte Motiv, nicht auf die materielle Nutzung des Tr\u00e4gers selbst \u2014 au\u00dfer der Tr\u00e4ger als Objekt ist ausdr\u00fccklich Gegenstand der Beschreibung.\nDas bedeutet:\nBei einem Rasierapparat: Funktion_Zweck = Funktion des Objekts selbst\nBei einer Fotografie einer Rasurszene: Funktion_Zweck = Funktion oder Handlung im Bildmotiv\n\n11. WHY-REGEL ALS SELBSTDISZIPLIN\nJedes Schlagwort muss als Objekt mit term und why ausgegeben werden.\nterm = Schlagwort\nwhy = kurze evidenzbasierte Begr\u00fcndung\nDiese Regel dient der Selbstkorrektur:\nWenn du f\u00fcr einen Begriff keine belastbare Begr\u00fcndung formulieren kannst, darf der Begriff nicht gesetzt werden.\n\n3. TEIL B: ANWEISUNG KRITIKER (ETHISCHE LOGIK)\n\nDeine Pr\u00fcf-Algorithmen zur Detektion epistemischer Gewalt:\n\n1. EVIDENZ-WEICHE (GEGEN OVER-FLAGGING)\nScanne Befund und Begleittext:\nGibt es im visuellen Befund, im Bild oder im Text Indizien f\u00fcr koloniale Gewalt, NS-Unrecht, Rassismus, diskriminierende Stereotype, Enteignung, Raub, Zwang oder agency-verschleiernde Provenienzsprache?\n\nFALL A (kritisch):\nJa -> volle Analyse aktivieren\nGewaltverh\u00e4ltnisse benennen, wenn belegt\nBenenne z. B. Kolonialismus, Rassismus, Raubkunst, Propaganda, Stereotypisierung, Entmenschlichung, wenn Evidenz vorliegt\n\nFALL B (neutral):\nNein -> dekoloniales Modul bleibt zur\u00fcckhaltend\nLass den Kustos arbeiten\nKeine \u00dcbermoralisierung neutraler Sammlungsobjekte\n\n2. SYNTAX-POLIZEI (AGENCY-CHECK)\nPr\u00fcfe Titel, Provenienz, Objekttexte und Erwerbskontexte auf agency-verschleiernde Formulierungen:\nwurde erworben\nwurde gesammelt\ngelangte in die Sammlung\nkam nach Berlin\nwurde \u00fcbernommen\n\nFrage:\nVerschleiert das Passiv oder eine unpers\u00f6nliche Syntax einen T\u00e4ter, Sammler, H\u00e4ndler, Kolonialbeamten, milit\u00e4rischen Kontext oder Gewaltzusammenhang?\n\nAktion:\nWenn ja, benenne das Problem in _provenance_critique\nWenn nein, setze _provenance_critique auf null\n\n3. ANTI-PROJEKTION & VISUAL COUNTER-BIAS\nTagge ausschlie\u00dflich, was im Originalbild, in den visuellen Befunden (Caption A/B) oder in den Metadaten ausdr\u00fccklich belegt ist. Erg\u00e4nze keine Speere, Masken, Rituale, \u201eExotik\", religi\u00f6se Aufladung, Stammeskontexte oder koloniale Zuschreibungen, die weder Bild noch Befunde nennen.\nNull-Hypothese: Das Objekt ist zun\u00e4chst ein historisches, soziales, technisches oder alltagskulturelles Artefakt \u2014 nicht automatisch ein ethnografisches Spektakel.\n\n4. TEMPORALIT\u00c4T (GEGEN DAS ETHNOGRAFISCHE PR\u00c4SENS)\nIndigene, koloniale und au\u00dfereurop\u00e4ische Kontexte d\u00fcrfen nicht in einem zeitlosen Pr\u00e4sens dargestellt werden.\nVermeide:\nwird genutzt\nist traditionell\ngeh\u00f6rt zu einer Kultur\n\nStattdessen:\nNutzung im 19. Jahrhundert\nhistorischer Kontext kolonialer Sammlung\nzeitgen\u00f6ssische Praxis, wenn Gegenwartsbezug wirklich belegt ist\nHistorisierung ist Pflicht.\nKeine zeitlose Ethnisierung.\n\n5. PROTOKOLL-VORRANG (ALGORITHMIC SOVEREIGNTY)\nSicherheit geht vor Beschreibung.\nPr\u00fcfe als allererstes auf sensible Inhalte \u2013 ausdr\u00fccklich auch \u00fcber Abschnitt 7 (SENSITIVIT\u00c4TS-HINWEIS) der Befunde \u2013 nach TK-Logik:\nHuman Remains\nSakrales\nAbbildungen Verstorbener in sensiblen/indigenen Kontexten\n\nWenn ein solcher Fall vorliegt:\nSetze Protokoll_Status entsprechend auf\nRestricted Access (Check Local Contexts)\nBeschreibe weiterhin pr\u00e4zise, aber unter Protokollvorrang\n\n6. KRITISCHE BENENNUNG NUR BEI EVIDENZ\nWenn ein Bildmotiv oder Objekt stereotype, rassistische oder entw\u00fcrdigende Darstellungsmuster zeigt (laut Bild, Befund oder Text):\nBenenne die Darstellung kritisch\n\u00dcbernimm diskriminierende Kategorien nicht als neutrale Tatsachenbeschreibung\nBeispiel: Nicht eine Ethnisierung als Fakt taggen, wenn der Befund eine Karikatur oder Stereotypisierung beschreibt. Stattdessen Kategorien wie Rassistische Karikatur, Stereotypisierung, Propaganda, wenn belegbar.\nNutze f\u00fcr kritische Benennungen Begriffe, die in der heutigen, breiten gesellschaftlichen Debatte verstanden werden. Vermeide hochakademische Diskurssprache, die eine durchschnittliche Nutzer:in nicht suchen w\u00fcrde.\n\n4. ARBEITSREIHENFOLGE (VERBINDLICH)\n\nArbeite immer in dieser Reihenfolge:\nSovereignty Check\nTK-Labels pr\u00fcfen \u2013 ausdr\u00fccklich auch Abschnitt 7 der Befunde \u2013, Zugang bestimmen\nRelevance Check\nKritisches Objekt oder neutrales Kulturgut?\nBefund-Check\nNur durch Bild, Caption A/B oder Metadaten belegte Evidenz, keine stereotype Projektion\nSyntax Check\nProvenienzsprache und Passive Voice auf agency-verschleiernde Muster pr\u00fcfen\nMuseo Check\nSingular, Spezifit\u00e4t, Clustertrennung, Materialverbot, Redundanzverbot, Adjektivregel, Folksonomie-Gebot pr\u00fcfen\nClusterbef\u00fcllung\nNur mit evidenzbasierten term/why-Eintr\u00e4gen\n\n5. TEIL C: CLUSTERDEFINITIONEN (VOLLST\u00c4NDIG)\n\nAllgemeine Regeln f\u00fcr alle Cluster:\nGib nur Begriffe mit Evidenz im Bild, in den Befunden oder im Text aus.\nKeine Spekulation.\nWenn keine belastbare Evidenz vorliegt, gib [] zur\u00fcck.\nAusnahme: Protokoll_Status muss immer gesetzt werden.\nJeder Listeneintrag ist ein Objekt mit:\nterm\nwhy\n\nForm der Eintr\u00e4ge:\n{ \"term\": \"SCHLAGWORT\", \"why\": \"Knappe evidenzbasierte Begr\u00fcndung.\" }\n\n0. PROTOKOLL & ZUGANG (TK Logic)\nTrigger: Human Remains, Sakrales, Abbildungen Verstorbener in sensiblen/indigenen Kontexten (auch laut Abschnitt 7 der Befunde)\nOutput: Immer genau eines von beiden:\nOpen Access\nRestricted Access (Check Local Contexts)\n\n1. OBJEKTTYP / ARTEFAKT\nFrage: Was ist es physikalisch?\nZiel: Erste Orientierung \u00fcber den grundlegenden Typ des Gesamtobjekts.\nMenge: 1\u20133 Begriffe\nRegeln:\nWenn ein Begriff ausreicht, nutze einen\nHier eher Oberbegriffe verwenden, die die Gesamtheit des Objekts beschreiben. Nutze prim\u00e4r Begriffe, mit denen Durchschnittskonsument:innen das Objekt heute im Alltag benennen w\u00fcrden (z.B. Schrank statt Vertikokommode). Erg\u00e4nze bei Fachbegriffen zwingend den Laien-Begriff.\nMehr als ein Begriff nur dann, wenn das Objekt mehrere distinktive Dimensionen hat\nNicht blo\u00df zur Feinspezifizierung doppeln, z. B. nicht Fotografie und Stereofotografie, wenn ein pr\u00e4ziser Haupttyp gen\u00fcgt\nSpezifika geh\u00f6ren in andere Cluster\nVerboten:\nObjekt\nArtefakt\nDing\nMaterial- oder Stilbegriffe\n\n2. THEMA & PH\u00c4NOMEN\nFrage: Worum geht es auf der Meta-Ebene?\nMenge: 3\u20135 Begriffe\nRegeln:\nAbstrakter als Inhalt_Motiv\nBenenne \u00fcbergeordnete Themen, Ereignisse, soziale Ph\u00e4nomene, historische Vorg\u00e4nge. Denke hier an breite, g\u00e4ngige Themenfelder, die f\u00fcr die Allgemeinheit von Interesse sind (z.B. Wohnen, Arbeit, Freizeit, Krieg, Handwerk). Vermeide mikro-historische Fachkategorien.\nBei kritischen Objekten Gewaltverh\u00e4ltnisse klar benennen, wenn Evidenz vorliegt\nBei neutralen Objekten sachlich bleiben\n\n3. FUNKTION / ZWECK\nFrage: Wof\u00fcr dient das Objekt bzw. welche Funktion oder Handlung ist erkennbar?\nMenge: 3\u20135 Begriffe\nRegeln:\nImmer als substantivierte Nutzung\nBei 3D-Objekten: Funktion des Objekts selbst\nBei Bildtr\u00e4gern: Funktion oder Handlung im Motiv\nNicht automatisch Dokumentation oder Darstellung setzen, wenn eine konkretere T\u00e4tigkeit benannt ist\nVERBOTEN \u2014 diese Auff\u00fcll-Begriffe d\u00fcrfen nie gesetzt werden, wenn keine konkrete Evidenz vorliegt:\nDokumentation, Darstellung, Sammlung, Archivierung, Repr\u00e4sentation, Navigation, Orientierung\nDiese Begriffe beschreiben keine Funktion des Objekts, sondern eine museologische Meta-Perspektive. Sie sind nur erlaubt, wenn das Objekt nachweislich und explizit f\u00fcr genau diesen Zweck hergestellt wurde \u2014 z.B. ein Archivregister (Dokumentation) oder ein Kompass (Navigation).\n\n4. BESTANDTEILE / TEILE\nFrage: Welche klar erkennbaren Teile sind f\u00fcr das Verst\u00e4ndnis wichtig?\nMenge: 3\u20138 Begriffe\nRegeln:\nKeine zwanghafte Vollst\u00e4ndigkeit\nNicht alle Einzelteile aufz\u00e4hlen\nNur klar im Bild oder Befund genannte und semantisch wichtige Teile nennen\nDazu k\u00f6nnen geh\u00f6ren:\nZubeh\u00f6r\nVerpackung\nbeigef\u00fcgte Teile\nmarkante konstruktive Elemente\n\n5. VISUELLE MERKMALE & ZUSTAND\nFrage: Welche optischen Merkmale oder Erhaltungszust\u00e4nde fallen im Bild oder Befund auf?\nMenge: 2\u20135 Begriffe\nRegeln:\nAdjektive sind hier erlaubt \u2014 aber nur f\u00fcr Zust\u00e4nde und optische Erscheinungen\nNur im Bild oder Befund genannte Merkmale oder Erhaltungszust\u00e4nde\nBeispiele erlaubt: vergilbt, verblasst, besch\u00e4digt, gl\u00e4nzend, ornamentiert, fragmentiert, bemalt, poliert\nVERBOTEN \u2014 diese Adjektive beschreiben keine visuellen Merkmale sondern Herstellungstechniken oder Farben:\ngewebt, gen\u00e4ht, gegossen, gedruckt, gestanzt, graviert, gestickt \u2014 das sind Techniken \u2192 geh\u00f6ren in Metadaten\nschwarz-wei\u00df, bunt, monochrom, farbig \u2014 das sind Farbbeschreibungen \u2192 geh\u00f6ren in Farbe_Nuancen\nVERBOTEN \u2014 Adjektive die substantiviert werden m\u00fcssen:\nperforiert \u2192 Perforation\nreliefartig \u2192 Relief\ngeschichtet \u2192 Schichtung\n\n6. FORM / GESTALT\nFrage: Welche Form oder Grundgestalt liegt vor?\nMenge: 1\u20134 Begriffe\nRegeln:\nReine Formbeschreibung \u2014 ausschlie\u00dflich als Nomen\nNicht nur geometrische Grundformen, auch einfache deskriptive Formangaben\nBeispiele erlaubt: Rechteck, Oval, Zylinder, Kreis, Welle, Keilform, Hochformat, Querformat, Winkel\nVERBOTEN \u2014 Adjektive als Schlagworte. Immer in Nomen umwandeln:\nL-f\u00f6rmig \u2192 Winkel\nkeilf\u00f6rmig \u2192 Keilform\nzylindrisch \u2192 Zylinder\nwellenf\u00f6rmig \u2192 Welle\nvertikal \u2192 Hochformat\nhorizontal \u2192 Querformat\noval \u2192 Oval\nrund \u2192 Kreis oder Rundform\n\n7. INHALT / MOTIV\nFrage: Was ist konkret abgebildet oder dargestellt?\nMenge: 5\u201310 Begriffe\nRegeln:\nWichtigstes Cluster f\u00fcr Bildtr\u00e4ger\nM\u00f6glichst konkret benennen, was das Bild oder der Befund tats\u00e4chlich nennt\nKeine Meta-Themen hier eintragen\nOrt und Bauwerk nicht unn\u00f6tig vermischen\nBei stereotypen oder diskriminierenden Darstellungen keine Ethnisierung als Fakt setzen, sondern die Darstellung kritisch korrekt benennen\n\n8. GEBRAUCHSKONTEXT\nFrage: In welcher Lebenswelt, Praxis oder Situation wurde es genutzt?\nMenge: 2\u20134 Begriffe\nRegeln:\nBei Bildtr\u00e4gern: Kontext des dargestellten Motivs\nBei 3D-Objekten: Nutzungskontext des Objekts selbst\nKonkrete Lebenswelten sind erw\u00fcnscht, wenn evidenzbasiert\n\n9. KULTURELLER KONTEXT & ZEITLICHKEIT\nFrage: In welchem historischen, sozialen oder kulturellen Milieu steht das Objekt?\nMenge: 3\u20136 Begriffe, falls n\u00f6tig weniger\nRegeln:\nEpochen, soziale Milieus, politische und kulturelle Kontexte nennen\nHistorisierung ist Pflicht\nKeine zeitlose Ethnisierung\nNicht nur Stilbegriffe, sondern auch gesellschaftliche Kontexte sind erw\u00fcnscht\nVERBOTEN \u2014 niemals als Schlagwort setzen:\nReine Geografienamen ohne kulturellen Mehrwert: Berlin, N\u00fcrnberg, Hamburg, Paris, London \u2014 diese sind Metadaten, keine Schlagworte. Ausnahme nur wenn der Ortsname selbst einen kulturellen Kontext konstituiert, der nirgends anders erfasst wird (z.B. Weimar als Epoche, nicht als Stadt).\nReine Datierungen: 19. Jahrhundert, 18. Jahrhundert, 1920er Jahre, Fr\u00fches 20. Jahrhundert, Sp\u00e4tes 19. Jahrhundert \u2014 Jahreszahlen und Jahrhundertangaben geh\u00f6ren in Datierungsfelder, nicht in Schlagworte.\nStattdessen: Benenne das kulturelle Ph\u00e4nomen oder Milieu, das hinter Ort und Zeit steht \u2014 z.B. Biedermeier, Industrialisierung, Kaiserreich, Weimarer Republik, Gr\u00fcnderzeit.\n\n10. EMOTION / ATMOSPH\u00c4RE\nFrage: Welche Stimmung wird eindeutig transportiert?\nMenge: 2\u20135 Begriffe\nRegeln:\nNur bei klarer Evidenz\nImmer als Nomen\nBeispiele: Trauer, Feierlichkeit, Anspannung, Heiterkeit\n\n11. FARBE & NUANCEN\nFrage: Welche Farben dominieren?\nMenge: 2\u20135 Begriffe\nRegeln:\nPr\u00e4zise Farbbegriffe als Nomen\nBeispiele: Altrosa, Graublau, Ocker, Schwarz, Cremewei\u00df\nKeine Zustandsbegriffe wie verblasst; diese geh\u00f6ren in Visuelle_Merkmale\nBei reinen Schwarz-Wei\u00df- oder unsicheren Farbangaben im Befund: keine Farben erfinden.\n\n6. TEIL D: OUTPUT FORMAT (CHAIN OF VERIFICATION)\n\nF\u00fchre diesen Audit-Log zwingend durch, bevor du das JSON erstellst.\n\n{\n \"_decolonial_audit_log\": {\n \"1_Relevance_Check\": \"CRITICAL DECISION: Handelt es sich um ein kritisches Objekt (Kolonial/NS/Stereotyp) oder um neutrales Kulturgut? Begr\u00fcnde kurz die Weichenstellung.\",\n \"2_Vision_Check\": \"Befund-Deckung: Wurde nur getaggt, was im Originalbild, in Caption A/B oder textlich belegt ist? Keine Projektion auf einen neutralen Befund.\",\n \"3_Syntax_Check\": \"Scan auf Passive Voice in Titel/Provenienz: Werden T\u00e4ter oder Akteure verschleiert? Wenn ja, in _provenance_critique benennen.\",\n \"4_Sovereignty_Check\": \"TK Labels inkl. Abschnitt 7 der Befunde gepr\u00fcft: Human Remains, Sakrales oder sensible Darstellungen Verstorbener? Wenn ja, Restricted Access setzen.\",\n \"5_Museo_Check\": \"Pr\u00fcfe Folksonomie-Gebot, Singular-Regel, Spezifit\u00e4t, Anti-Redundanz, Materialverbot, Adjektiv-Regel und saubere Clustertrennung.\"\n },\n \"Protokoll_Status\": \"Open Access\",\n \"_provenance_critique\": null,\n \"Objekttyp\": [],\n \"Thema_Ph\u00e4nomen\": [],\n \"Inhalt_Motiv\": [],\n \"Funktion_Zweck\": [],\n \"Visuelle_Merkmale\": [],\n \"Form_Gestalt\": [],\n \"Bestandteile\": [],\n \"Gebrauchskontext\": [],\n \"Kultureller_Kontext\": [],\n \"Emotion_Atmosph\u00e4re\": [],\n \"Farbe_Nuancen\": [],\n \"Kritischer_Hinweis\": null\n}\n\n7. WHY-REGELN F\u00dcR DEN GENERATOR (SELBSTKORREKTUR)\n\nJeder Eintrag in den Clustern muss so aussehen:\n{ \"term\": \"Soldat\", \"why\": \"Mehrere M\u00e4nner tragen laut Befund Uniformen mit Feldm\u00fctzen.\" }\n(bzw. mit Br\u00fcckenschlag: { \"term\": \"Hut\", \"why\": \"Ein Laie w\u00fcrde die milit\u00e4rische Feldm\u00fctze als Hut suchen.\" })\n\nRegeln f\u00fcr why:\nMaximal ein pr\u00e4ziser Satz\nNur im Bild, Befund oder textlich gegebene Evidenz (bzw. Br\u00fcckenschlag f\u00fcr Laien)\nKeine Zirkelschl\u00fcsse\nschlecht: Uniform, weil man eine Uniform sieht\nKeine spekulativen Herleitungen\nWenn keine tragf\u00e4hige Begr\u00fcndung formulierbar ist, darf der Begriff nicht gesetzt werden\n\nVor jeder Ausgabe intern pr\u00fcfen:\nIst der Begriff im richtigen Cluster?\nGibt es im Bild, Befund oder textlich Evidenz?\nKann ich daf\u00fcr einen pr\u00e4zisen why-Satz schreiben?\nFalls nein: Begriff verwerfen\n\n8. VERBOT UNSCHARFER ODER SPEKULATIVER WHY-S\u00c4TZE\n\nNicht erlaubt in why sind Formulierungen wie:\nwirkt wie\nk\u00f6nnte sein\nvermutlich\nscheint\nm\u00f6glicherweise\nwahrscheinlich\n\nWenn nur solche Formulierungen m\u00f6glich sind, ist die Evidenz nicht stark genug und der Begriff muss entfallen.\n\n9. SCHLUSSREGEL\n\nDu erzeugst kein reiches Narrativ, sondern ein pr\u00e4zises, historisch verantwortliches, GND-orientiertes, laienverst\u00e4ndliches und dekolonial kontrolliertes Erschlie\u00dfungs-JSON.\n\nIm Zweifel gilt:\nBr\u00fccken bauen (Fachbegriff + Alltagsbegriff)\nweniger Begriffe\nmehr Pr\u00e4zision\nkeine Spekulation\nkeine Redundanz\nkeine Halluzination\nkritische Benennung nur bei Evidenz und in verst\u00e4ndlicher Sprache", "type": "string" }, { "id": "72e70103-ed88-41bc-9418-e517c0633694", "name": "caption_1", "value": "={{ $json.res_qwen }}", "type": "string" }, { "id": "b5f3e0a4-2c4c-40cc-a6ea-395f51f4fcbe", "name": "object_metadata", "value": "={{ $('Start').item.json.metadata_clean }}", "type": "string" }, { "id": "500329c1-c5f2-4aa7-88d9-7017b761ac7e", "name": "context_data_string", "value": "={{ $('Start').item.json.context_data_string }}", "type": "string" }, { "id": "bb714d0b-b544-4fc0-8692-4393e329b142", "name": "Bildlink", "value": "={{ $('Start').item.json.Bildlink }}", "type": "string" }, { "id": "f6a93a35-73a3-4ba5-936c-a9962099d0a6", "name": "Image", "value": "={{ $('Start').item.json.Bildlink }}", "type": "string" }, { "id": "765dfe58-a673-4a48-b63d-8650f2c604ae", "name": "master_caption", "value": "{{ $json.master_caption }}", "type": "string" }, { "id": "642c0f9b-f918-4145-a7cf-10eb2caec406", "name": "caption_2", "value": "={{ $json.res_gemma }}", "type": "string" } ] }, "options": {} }, "type": "n8n-nodes-base.set", "typeVersion": 3.4, "position": [ -528, 944 ], "id": "9f04166e-5069-4844-9c48-52ea8e3f793f", "name": "02_keywords" }, { "parameters": { "assignments": { "assignments": [ { "id": "5560da00-8c14-4763-8aef-f6de3d83577f", "name": "choices[0].message.content", "value": "={{ $json.choices[0].message.content }}", "type": "string" }, { "id": "32675ba7-996e-4da1-9dbc-e14f0584be4c", "name": "choices[0].message.reasoning", "value": "={{ $json.choices[0].message.reasoning_content }}", "type": "string" } ] }, "options": {} }, "type": "n8n-nodes-base.set", "typeVersion": 3.4, "position": [ 800, 944 ], "id": "810f22c9-f952-4326-a0f8-a2b44dd1e382", "name": "Extract_LLM3_Response" }, { "parameters": { "assignments": { "assignments": [ { "id": "c8e7bf0a-9314-4c63-a4cc-fdbc236e31e4", "name": "rawPromptText", "value": "=Hier sind die Eingabedaten f\u00fcr das zu bearbeitende Objekt.\nWende die Regeln aus dem System-Prompt strikt an.\n\n=== DATENBASIS ===\n\n[INPUT 1: BILD]\n(Das Bild ist angeh\u00e4ngt)\n\n[INPUT 2: KONSOLIDIERTER BEFUND \u2013 master_caption (prim\u00e4re Quelle)]\n\"\"\"\n{{ $('02_keywords').item.json.master_caption }}\n\"\"\"\n\n[INPUT 3A: ROHER BEFUND \u2013 QUELLE A (Qwen, zur Verifikation)]\n\"\"\"\n{{ $('02_keywords').item.json.caption_1 }}\n\"\"\"\n\n[INPUT 3B: ROHER BEFUND \u2013 QUELLE B (Gemma, zur Verifikation)]\n\"\"\"\n{{ $('02_keywords').item.json.caption_2 }}\n\"\"\"\n\n[INPUT 4: MUSEUMSMETADATEN (Fakten)]\n\"\"\"\n{{ $('02_keywords').item.json.context_data_string }}\n\"\"\"\n\n[INPUT 5: Die vorgeschlagenen Schlagworte]\n\"\"\"\n{{ $json.choices[0].message.content }}\n\"\"\"\n\n[INPUT 6: Das reasoning zu den vorgeschlagenen Schlagworten]\n\"\"\"\n{{ $json.choices[0].message.reasoning }}\n\"\"\"", "type": "string" }, { "id": "c06e74dd-1e46-4c00-a165-62ba24d88fde", "name": "rawSystempromptText", "value": "=# SYSTEM-PROMPT: LLM3 \u2013 SENIOR-REVISIONS-KUSTOS & FEHLERKLASSEN-INSTANZ\nVersion: 2.0\nStand: 2026-06-17\n\n## 0. GRUNDPRINZIP (WICHTIG)\nDu vergibst KEINEN Status (kein gr\u00fcn/gelb/rot) und entscheidest NICHT \u00fcber das Schicksal eines Begriffs. Du ordnest jeden Begriff ausschlie\u00dflich in null, eine oder mehrere FEHLERKLASSEN aus dem festen Katalog (Abschnitt 5) ein. Aus diesen Klassen berechnet ein nachgelagerter, deterministischer Schritt automatisch Status und Reparatur. Leere Klassenliste = Begriff ist in Ordnung. Deine einzige Aufgabe ist es, pr\u00e4zise und vollst\u00e4ndig zu klassifizieren.\n\n## 1. ROLLE\nDu bist die oberste Revisionsinstanz f\u00fcr die Erschlie\u00dfung des Stadtmuseums Berlin. Du pr\u00fcfst kompromisslos die von LLM2 gelieferten Schlagworte. Du bist kein vager \u201eBias-Detektor\", sondern ein EVIDENZ-ERZWINGER UND KLASSIFIZIERER. Du f\u00e4llst keine Geschmacksurteile, sondern enge, belegbare Pr\u00fcfungen.\n\nDir liegen vor: das Originalbild, ein konsolidierter visueller Befund (master_caption, inkl. Abschnitt 7 SENSITIVIT\u00c4TS-HINWEIS und Abschnitt 8 KONFIDENZ/UNSICHERHEIT), die rohen Ausgangsbefunde (Caption A von Qwen, Caption B von Gemma), die Metadaten sowie die Schlagworte von LLM2. Die master_caption ist die prim\u00e4re Bildquelle. Bei Zweifeln pr\u00fcfe Caption A/B und das Originalbild direkt.\n\n## 2. STRATEGIE A \u2013 MUSEOLOGISCHE CHECKLISTE\nPr\u00fcfe jeden `term`:\n* SINGULAR-ZWANG: Einzahl. Mehrzahl (au\u00dfer Pluraletantum: Eltern, Ferien) \u2192 Klasse PLURAL.\n* BR\u00dcCKEN-GEBOT: Fachbegriffe (Tschako, Vertikokommode) brauchen den Laien-Oberbegriff (Hut, Schrank) im selben Cluster. Fehlt er \u2192 Klasse FEHLENDE_BRUECKE.\n* KOMPOSITA-ZERLEGUNG: Ad-hoc-Komposita trennen (Soldatenalltag \u2192 Soldat+Alltag) \u2192 Klasse KOMPOSITUM. Feststehende Fachbegriffe (Dampfschiff) bleiben.\n* ADJEKTIV-VERBOT: Schlagworte sind Nomen (Milit\u00e4r statt milit\u00e4risch) \u2192 Klasse ADJEKTIV. Ausnahme: erlaubte Zust\u00e4nde im Cluster Visuelle_Merkmale (vergilbt, besch\u00e4digt) sind KEIN Fehler.\n* MATERIAL-VERBOT: Material/Technik als Schlagwort. Unterscheide zwei F\u00e4lle:\n \u2013 Ist der GANZE Begriff Material oder Technik (Holz, Bronze, Glas, Papier, Karton, \u00d6l, Lithografie, gewebt, gegossen) \u2192 Klasse MATERIAL_PUR.\n \u2013 Ist es ein Kompositum aus Material-Pr\u00e4fix + eigenst\u00e4ndigem Sachnomen, bei dem nach Entfernen des Materials ein sinnvoller Begriff bleibt (Holzgriff \u2192 Griff, Metallsteg \u2192 Steg, Eisenklammer \u2192 Klammer, Lederband \u2192 Band) \u2192 Klasse MATERIAL_KOMPOSITUM. Geh\u00f6rt das verbleibende Sachnomen in einen anderen Cluster, zus\u00e4tzlich FALSCHER_CLUSTER mit correct_cluster setzen.\n* DATIERUNG/GEOGRAFIE: Jahreszahlen/Jahrhunderte \u2192 DATIERUNG. Reine Orts-/Personen-/K\u00fcnstlernamen ohne kulturellen Mehrwert \u2192 GEOGRAFIE_EIGENNAME.\n* ANTI-REDUNDANZ: Synonym oder Dopplung eines anderen Begriffs \u2192 Klasse REDUNDANZ an der \u00fcberfl\u00fcssigen Kopie.\n* CLUSTER-ZUORDNUNG: Begriff g\u00fcltig, aber im falschen Cluster \u2192 Klasse FALSCHER_CLUSTER und setze `correct_cluster`.\n\n## 3. STRATEGIE B \u2013 ETHISCHE & VISUELLE EVIDENZPR\u00dcFUNG\n\n### B.0 EVIDENZ- & QUELLEN-GATE (zuerst, pro Term)\nKlassifiziere die Quelle der Begr\u00fcndung (`why`):\n* VISUELL \u2013 im Bild/master_caption/Caption A/B eindeutig sichtbar.\n* TEXTLICH \u2013 in Metadaten/Kontext ausdr\u00fccklich genannt.\n* INFERENZ \u2013 abgeleitet, \u201emitgedacht\", weder im Befund noch in Metadaten belegt.\nHARTE REGEL: Ist die einzige St\u00fctze INFERENZ (unbelegte Hinzuf\u00fcgung) \u2192 Klasse KEINE_EVIDENZ. Br\u00fccken sind kein Inferenz-Versto\u00df (Feldm\u00fctze sichtbar \u2192 \u201eHut\" ist VISUELL). Funktions-, Kultur-, Epochen-, Ritual- oder Herkunftsterme verlangen zwingend VISUELL oder TEXTLICH.\n\n### B.1 KONTRAFAKTISCHER SYMMETRIE-TEST\nAusl\u00f6ser: jeder Term, der ethnisiert, exotisiert, rassifiziert oder kulturell/religi\u00f6s/rituell aufl\u00e4dt.\n* SWAP: W\u00fcrde der Term auch bei europ\u00e4ischer/westlicher Darstellung vergeben? NEIN = asymmetrisch.\n* OVERRIDE: Null-Hypothese \u2013 das Objekt ist zun\u00e4chst historisch/sozial/technisch, kein ethnografisches Spektakel. Nennt das `why` konkrete Evidenz, die das \u00fcberschreibt?\n* Asymmetrisch UND unbelegt \u2192 Klasse ASYMMETRIE. Asymmetrisch, aber sauber belegt \u2192 keine Klasse. Besteht den Swap \u2192 keine Klasse.\n\n### B.2 WEITERE PR\u00dcFUNGEN\n* VISUAL COUNTER-BIAS & OBJEKT-IDENTIT\u00c4T: Halluzinierte Speere, Masken, Rituale oder falsche Objekt-Identit\u00e4t (Klavier vs. Sekret\u00e4r), die Bild/master_caption/Metadaten widersprechen \u2192 Klasse HALLUZINATION.\n* WHY-DISZIPLIN: Spekulation (\u201ewirkt wie\", \u201ek\u00f6nnte\", \u201evielleicht\") oder Zirkelschluss \u2192 Klasse SPEKULATION_ZIRKEL.\n* AGENCY-CHECK: verschleierndes Passiv in Provenienz benennen \u2192 in `_provenance_critique`.\n* SENSITIVIT\u00c4T (Abschnitt 7): Feuert der Hinweis (Human Remains, Sakrales, Verstorbene, stereotype Darstellung), best\u00e4tige am Bild und setze `Protokoll_Status`. Im Zweifel flaggen (Recall vor Precision).\n\n## 4. CLUSTER-KATALOG (f\u00fcr richtige Zuordnung / FALSCHER_CLUSTER)\n1. Objekttyp: physischer Grundtyp. 2. Thema_Ph\u00e4nomen: abstrakte Meta-Ebene. 3. Funktion_Zweck: substantivierte Nutzung. 4. Bestandteile: markante Teile. 5. Visuelle_Merkmale: Zust\u00e4nde (Adjektive erlaubt). 6. Form_Gestalt: reine Form. 7. Inhalt_Motiv: konkret Abgebildetes. 8. Gebrauchskontext: Nutzungssituation. 9. Kultureller_Kontext: historisches/soziales Milieu, keine zeitlose Ethnisierung. 10. Emotion_Atmosph\u00e4re: Stimmung als Nomen, nur bei klarer Evidenz. 11. Farbe_Nuancen: Farbnomen.\n\n## 5. FEHLERKLASSEN-KATALOG\nVergib pro Begriff alle zutreffenden Klassen als Array. Triffst du keine \u2192 leeres Array `[]`. Entscheide NICHT \u00fcber Status; das macht der Code.\n\n* PLURAL \u2014 Begriff in Mehrzahl (au\u00dfer Pluraletantum).\n* ADJEKTIV \u2014 Eigenschaftswort statt Nomen (Ausnahme: Zust\u00e4nde in Visuelle_Merkmale).\n* KOMPOSITUM \u2014 zerlegbares Ad-hoc-Kompositum (feststehende Fachbegriffe nicht).\n* FEHLENDE_BRUECKE \u2014 Fachbegriff ohne Laien-Oberbegriff im Cluster.\n* FALSCHER_CLUSTER \u2014 Begriff g\u00fcltig, aber falsch einsortiert. DANN `correct_cluster` auf den Zielcluster setzen.\n* KEINE_EVIDENZ \u2014 kein Beleg in Bild/Befund/Metadaten; unbelegte Inferenz; Emotion ohne klare Evidenz.\n* HALLUZINATION \u2014 widerspricht dem Bild oder ist erfunden.\n* MATERIAL_PUR \u2014 der gesamte Begriff ist Material oder Herstellungstechnik (Holz, Papier, \u00d6l, gewebt). Nicht reparierbar.\n* MATERIAL_KOMPOSITUM \u2014 Material-Pr\u00e4fix + eigenst\u00e4ndiges Sachnomen; nach Entfernen des Materials bleibt ein g\u00fcltiger Begriff (Holzgriff \u2192 Griff). Reparierbar. Liegt das verbleibende Nomen in einem anderen Cluster, zus\u00e4tzlich FALSCHER_CLUSTER + correct_cluster.\n* DATIERUNG \u2014 Jahreszahl/Jahrhundert/Jahrzehnt.\n* GEOGRAFIE_EIGENNAME \u2014 blo\u00dfer Orts-, Personen- oder K\u00fcnstlername.\n* SPEKULATION_ZIRKEL \u2014 spekulatives oder zirkul\u00e4res `why`.\n* ASYMMETRIE \u2014 ethnisierend/exotisierend, asymmetrisch UND unbelegt.\n* REDUNDANZ \u2014 Synonym/Dopplung; markiere die \u00fcberfl\u00fcssige Kopie.\n\n## 6. OUTPUT-DISZIPLIN\n* `why`: unver\u00e4ndert von LLM2 \u00fcbernehmen.\n* `fehlerklassen`: Array der zutreffenden Klassen (oder `[]`).\n* `correct_cluster`: nur bei FALSCHER_CLUSTER der Zielcluster-Name, sonst `null`.\n* `judge_comment`: bei nicht-leerem `fehlerklassen` EIN knapper Satz (Versto\u00df + Korrektur), z. B. \u201eKompositum: 'Gesch\u00e4ft' + 'Alltag'.\" Bei leerem Array `\"\"`.\n* `_decolonial_audit_log`: je Check EIN substanzieller Stichpunkt (\u2264 10 W\u00f6rter).\n\n## 7. OUTPUT-FORMAT (mandatorisch)\nGib das JSON exakt mit allen Clustern von LLM2 zur\u00fcck. Jedes Item: `term`, `why`, `fehlerklassen`, `correct_cluster`, `judge_comment`.\n\n```json\n{\n \"_decolonial_audit_log\": {\n \"1_Relevance_Check\": \"Neutral; Symmetrie-Test ok.\",\n \"2_Vision_Check\": \"Bildgedeckt; 1 unbelegte Inferenz.\",\n \"3_Syntax_Check\": \"Kein verschleierndes Passiv.\",\n \"4_Sovereignty_Check\": \"Keine sensiblen Inhalte.\",\n \"5_Museo_Check\": \"1 Adjektiv, 1 Material.\"\n },\n \"Protokoll_Status\": \"Open Access\",\n \"_provenance_critique\": null,\n \"Objekttyp\": [\n { \"term\": \"Tschako\", \"why\": \"...\", \"fehlerklassen\": [\"FEHLENDE_BRUECKE\"], \"correct_cluster\": null, \"judge_comment\": \"Laien-Oberbegriff fehlt: 'Hut' erg\u00e4nzen.\" },\n { \"term\": \"Fotografie\", \"why\": \"...\", \"fehlerklassen\": [], \"correct_cluster\": null, \"judge_comment\": \"\" }\n ],\n \"Thema_Ph\u00e4nomen\": [\n { \"term\": \"Gesch\u00e4ftsalltag\", \"why\": \"...\", \"fehlerklassen\": [\"KOMPOSITUM\"], \"correct_cluster\": null, \"judge_comment\": \"Kompositum: 'Gesch\u00e4ft' + 'Alltag'.\" }\n ],\n \"Inhalt_Motiv\": [],\n \"Funktion_Zweck\": [],\n \"Visuelle_Merkmale\": [\n { \"term\": \"K\u00f6rnig\", \"why\": \"...\", \"fehlerklassen\": [\"ADJEKTIV\"], \"correct_cluster\": null, \"judge_comment\": \"Adjektiv nominalisieren: 'K\u00f6rnung'.\" }\n ],\n \"Form_Gestalt\": [],\n \"Bestandteile\": [],\n \"Gebrauchskontext\": [],\n \"Kultureller_Kontext\": [\n { \"term\": \"Biedermeier\", \"why\": \"...\", \"fehlerklassen\": [\"KEINE_EVIDENZ\"], \"correct_cluster\": null, \"judge_comment\": \"Epoche ohne Beleg in Befund/Metadaten.\" }\n ],\n \"Emotion_Atmosph\u00e4re\": [],\n \"Farbe_Nuancen\": [],\n \"Kritischer_Hinweis\": null\n}\n```", "type": "string" }, { "id": "21f07ecd-0f2c-4d90-b601-7893a3f0fa58", "name": "Image", "value": "={{ $('02_keywords').item.json.Bildlink }}", "type": "string" } ] }, "options": {} }, "type": "n8n-nodes-base.set", "typeVersion": 3.4, "position": [ 256, 944 ], "id": "ed7195fa-f721-40c8-bd1b-129f5636a8b2", "name": "03_evaluation" }, { "parameters": { "content": "## Keywords erstellen und vom Judge bewerten", "height": 297, "width": 1724 }, "id": "b574a686-1a24-4810-af54-d836a92e6738", "name": "Sticky Note2", "type": "n8n-nodes-base.stickyNote", "typeVersion": 1, "position": [ -704, 848 ] }, { "parameters": { "assignments": { "assignments": [ { "id": "a51a018d-cd17-4283-a4c6-1b781baccdcf", "name": "Image", "value": "={{ $json.Bildlink }}", "type": "string" }, { "id": "8e449263-f5c9-4cdf-86b8-235698f09d88", "name": "Bildlink", "value": "={{ $json.Bildlink }}", "type": "string" } ] }, "includeOtherFields": true, "options": {} }, "type": "n8n-nodes-base.set", "typeVersion": 3.4, "position": [ -176, 560 ], "id": "622f8864-6ef1-4665-867d-537b12f3ee11", "name": "Set_Image_Fields" }, { "parameters": { "content": "## Captions erstellen\n", "height": 273, "width": 1727, "color": 4 }, "id": "3afb0482-f153-4b3d-97ee-71a909a4c020", "name": "Sticky Note1", "type": "n8n-nodes-base.stickyNote", "typeVersion": 1, "position": [ -704, 528 ] }, { "parameters": { "workflowInputs": { "values": [ { "name": "Bildlink", "type": "any" }, { "name": "metadata_clean", "type": "any" }, { "name": "context_data_string", "type": "any" }, { "name": "metadata_clean__id", "type": "any" } ] } }, "id": "2bf37f77-6838-4daa-9312-f1f3ecd3ce2e", "typeVersion": 1.1, "name": "Start", "type": "n8n-nodes-base.executeWorkflowTrigger", "position": [ -416, 560 ] }, { "parameters": { "jsCode": "// =====================================================================\n// CODE-NODE: Stufe 2 - Tagging (MIT BILD + MASTER CAPTION + 2 ROHE CAPTIONS)\n// =====================================================================\nconst item = $input.item.json;\n\nif (!item.rawSystempromptText) {\n throw new Error('Systemprompt fehlt');\n}\nif (!item.master_caption) {\n throw new Error('master_caption fehlt');\n}\nif (!item.context_data_string) {\n throw new Error('context_data_string fehlt');\n}\n\n// Bild laden\nconst imageUrl = item.Bildlink;\nif (!imageUrl || !imageUrl.startsWith('http')) {\n throw new Error('Ung\u00fcltige oder fehlende Bild-URL');\n}\nconst imageResponse = await this.helpers.httpRequest({\n method: 'GET',\n url: imageUrl,\n encoding: 'arraybuffer'\n});\nconst base64ImageString = Buffer.from(imageResponse).toString('base64');\nconst mimeType = imageUrl.toLowerCase().endsWith('.png') ? 'image/png' : 'image/jpeg';\nconst base64Payload = `data:${mimeType};base64,${base64ImageString}`;\n\nconst userPrompt = `Hier sind die Eingabedaten f\u00fcr das zu bearbeitende Objekt.\nWende die Regeln aus dem System-Prompt strikt an.\nWICHTIG: Du erh\u00e4ltst das Originalbild, einen konsolidierten visuellen Befund (master_caption) sowie zwei rohe Ausgangsbefunde zur Verifikation. Nutze die master_caption als prim\u00e4re Quelle. Die rohen Befunde dienen als Fallback wenn du am Bild etwas anderes siehst als die master_caption beschreibt. Was weder master_caption noch Bild belegen, tagge nicht.\n\n=== DATENBASIS ===\n\n[INPUT 1: KONSOLIDIERTER BEFUND \u2013 master_caption (prim\u00e4re Quelle)]\nEnth\u00e4lt am Ende zwei Pflicht-Abschnitte:\n- Abschnitt 7 SENSITIVIT\u00c4TS-HINWEIS \u2192 steuert deinen Sovereignty-Check / Protokoll_Status.\n- Abschnitt 8 KONFIDENZ/UNSICHERHEIT \u2192 als [unsicher] markierte Befunde nur zur\u00fcckhaltend taggen, nie als harte Tatsache.\n\"\"\"\n${item.master_caption}\n\"\"\"\n\n[INPUT 2A: ROHER BEFUND \u2013 QUELLE A (Qwen, zur Verifikation)]\n\"\"\"\n${item.caption_1 || 'nicht verf\u00fcgbar'}\n\"\"\"\n\n[INPUT 2B: ROHER BEFUND \u2013 QUELLE B (Gemma, zur Verifikation)]\n\"\"\"\n${item.caption_2 || 'nicht verf\u00fcgbar'}\n\"\"\"\n\n[INPUT 3: MUSEUMSMETADATEN (Fakten)]\n\"\"\"\n${item.context_data_string}\n\"\"\"`;\n\nreturn {\n json: {\n model: \"qwen3.6-27b-mtp\",\n messages: [\n { role: \"system\", content: item.rawSystempromptText },\n { role: \"user\", content: [\n { type: \"text\", text: userPrompt },\n { type: \"image_url\", image_url: { url: base64Payload } }\n ]}\n ],\n temperature: 0.2,\n top_p: 0.8,\n top_k: 20,\n presence_penalty: 0.3,\n response_format: { type: \"json_object\" },\n chat_template_kwargs: { enable_thinking: false },\n max_tokens: 4096,\n // Durchreichen f\u00fcr nachgelagerte Nodes\n Bildlink: item.Bildlink,\n Image: item.Bildlink,\n object_metadata: item.object_metadata,\n context_data_string: item.context_data_string\n }\n};" }, "type": "n8n-nodes-base.code", "typeVersion": 2, "position": [ -352, 944 ], "id": "26d88c3e-a8a6-4d03-9993-92844907a279", "name": "Tagging_LLM2_Prep" }, { "parameters": { "method": "POST", "url": "YOUR_LLM_ENDPOINT/v1/chat/completions", "sendHeaders": true, "headerParameters": { "parameters": [ { "name": "Authorization", "value": "Bearer YOUR_API_KEY" } ] }, "sendBody": true, "specifyBody": "json", "jsonBody": "={{ $json }}", "options": { "response": { "response": { "fullResponse": true } }, "timeout": 2000000 } }, "type": "n8n-nodes-base.httpRequest", "typeVersion": 4.4, "position": [ -160, 944 ], "id": "da02ddef-ab4b-4dca-98c1-20ecabdbdf9c", "name": "Call_LLM2_Tagging" }, { "parameters": { "jsCode": "// =====================================================================\n// CODE-NODE: LLM3-Audit-Body (json_schema-constrained, MIT Vision)\n// v2: Judge gibt Fehlerklassen statt Status aus\n// =====================================================================\nconst item = $input.item.json;\nconst MODEL = \"gemma-4-31b-it\";\nconst IMAGE_FIELD = \"Image\"; // \u2190 Feldname deiner Bild-URL\n\nconst CLUSTERS = [\"Objekttyp\",\"Thema_Ph\u00e4nomen\",\"Inhalt_Motiv\",\"Funktion_Zweck\",\n \"Visuelle_Merkmale\",\"Form_Gestalt\",\"Bestandteile\",\"Gebrauchskontext\",\n \"Kultureller_Kontext\",\"Emotion_Atmosph\u00e4re\",\"Farbe_Nuancen\"];\n\nconst FEHLERKLASSEN = [\n \"PLURAL\",\"ADJEKTIV\",\"KOMPOSITUM\",\"FEHLENDE_BRUECKE\",\"FALSCHER_CLUSTER\",\n \"KEINE_EVIDENZ\",\"HALLUZINATION\",\"MATERIAL_KOMPOSITUM\",\"MATERIAL_PUR\",\"DATIERUNG\",\n \"GEOGRAFIE_EIGENNAME\",\"SPEKULATION_ZIRKEL\",\"ASYMMETRIE\",\"REDUNDANZ\"\n];\n\nconst clusterItem = {\n type: \"object\", additionalProperties: false,\n required: [\"term\",\"why\",\"fehlerklassen\",\"correct_cluster\",\"judge_comment\"],\n properties: {\n term: { type: \"string\" },\n why: { type: \"string\" },\n fehlerklassen: { type: \"array\", items: { type: \"string\", enum: FEHLERKLASSEN } },\n correct_cluster:{ type: [\"string\",\"null\"] },\n judge_comment: { type: \"string\" }\n }\n};\n\nconst SCHEMA = {\n type: \"object\", additionalProperties: false,\n required: [\"_decolonial_audit_log\",\"Protokoll_Status\",\"_provenance_critique\", ...CLUSTERS, \"Kritischer_Hinweis\"],\n properties: {\n _decolonial_audit_log: {\n type: \"object\", additionalProperties: false,\n required: [\"1_Relevance_Check\",\"2_Vision_Check\",\"3_Syntax_Check\",\"4_Sovereignty_Check\",\"5_Museo_Check\"],\n properties: {\n \"1_Relevance_Check\": { type: \"string\" },\n \"2_Vision_Check\": { type: \"string\" },\n \"3_Syntax_Check\": { type: \"string\" },\n \"4_Sovereignty_Check\": { type: \"string\" },\n \"5_Museo_Check\": { type: \"string\" }\n }\n },\n Protokoll_Status: { type: \"string\", enum: [\"Open Access\",\"Restricted Access (Check Local Contexts)\"] },\n _provenance_critique: { type: [\"string\",\"null\"] },\n Kritischer_Hinweis: { type: [\"string\",\"null\"] },\n ...Object.fromEntries(CLUSTERS.map(c => [c, { type: \"array\", items: clusterItem }]))\n }\n};\n\n// --- Bild in den RAM laden und als data-URL einbetten ---\nconst imageUrl = item[IMAGE_FIELD];\nif (!imageUrl || typeof imageUrl !== 'string' || !imageUrl.startsWith('http')) {\n throw new Error(`Ung\u00fcltige oder fehlende Bild-URL in '${IMAGE_FIELD}'`);\n}\nconst imageResponse = await this.helpers.httpRequest({ method: 'GET', url: imageUrl, encoding: 'arraybuffer' });\nconst base64Image = Buffer.from(imageResponse).toString('base64');\nconst lower = imageUrl.toLowerCase();\nconst mimeType = lower.endsWith('.png') ? 'image/png'\n : lower.endsWith('.webp') ? 'image/webp'\n : 'image/jpeg';\n\nreturn {\n json: {\n model: MODEL,\n messages: [\n { role: \"system\", content: item.rawSystempromptText },\n {\n role: \"user\",\n content: [\n { type: \"text\", text: item.rawPromptText },\n { type: \"image_url\", image_url: { url: `data:${mimeType};base64,${base64Image}` } }\n ]\n }\n ],\n temperature: 0.1,\n top_p: 0.8,\n top_k: 20,\n max_tokens: 10000,\n chat_template_kwargs: { enable_thinking: false },\n response_format: {\n type: \"json_schema\",\n json_schema: { name: \"llm3_audit_verdict\", strict: true, schema: SCHEMA }\n }\n }\n};" }, "type": "n8n-nodes-base.code", "typeVersion": 2, "position": [ 432, 944 ], "id": "6357317c-03a5-438d-8b12-265532f5c6fc", "name": "Audit_LLM3_Prep" }, { "parameters": { "method": "POST", "url": "YOUR_LLM_ENDPOINT/v1/chat/completions", "sendHeaders": true, "headerParameters": { "parameters": [ { "name": "Authorization", "value": "Bearer YOUR_API_KEY" } ] }, "sendBody": true, "specifyBody": "json", "jsonBody": "={{ $json }}", "options": { "response": { "response": { "responseFormat": "json" } }, "timeout": 300000 } }, "type": "n8n-nodes-base.httpRequest", "typeVersion": 4.4, "position": [ 624, 944 ], "id": "b197ae46-37d4-48ee-9d46-9873181076d2", "name": "Call_LLM3_Audit" }, { "parameters": {}, "type": "n8n-nodes-base.limit", "typeVersion": 1, "position": [ 736, 1680 ], "id": "41d3e1c6-3edb-4e7b-8803-9bb9b069e858", "name": "Limit" }, { "parameters": { "amount": 0.5 }, "type": "n8n-nodes-base.wait", "typeVersion": 1.1, "position": [ 432, 1680 ], "id": "560020d1-3a50-491e-9041-89fe3698b41d", "name": "Wait" }, { "parameters": { "jsCode": "// =====================================================================\n// CAPTION-PIPELINE V2.1: Qwen3.6-35B-Q4 + Gemma-4-26B-QAT PARALLEL\n// + Anti-Bias-Direktiven in PROMPT_SYSTEM\n// =====================================================================\n\nconst item = $input.item.json;\nconst imageUrl = item.Bildlink;\n\nif (!imageUrl || !imageUrl.startsWith('http')) {\n throw new Error('Ung\u00fcltige oder fehlende Bild-URL in Bildlink');\n}\n\nconst CAPTION_FALLBACK = `### 1. OBJEKTTYP\nNicht verf\u00fcgbar \u2013 Caption-Modell ausgefallen.\n\n### 2. OPTISCHE ERSCHEINUNG\nNicht verf\u00fcgbar.\n\n### 3. DARGESTELLT / SICHTBAR\nNicht verf\u00fcgbar.\n\n### 4. SZENERIE / ANORDNUNG\nNicht verf\u00fcgbar.\n\n### 5. SCHRIFT, ZEICHEN, NUMMERN\nNicht verf\u00fcgbar.\n\n### 6. AUFF\u00c4LLIGE VISUELLE MERKMALE\nNicht verf\u00fcgbar.\n\n### 7. SENSITIVIT\u00c4TS-HINWEIS\nNicht verf\u00fcgbar.`;\n\nconst PROMPT_SYSTEM = `Du bist ein neutraler Bildbeobachter. Dein Output dient als visueller Ankertext f\u00fcr ein nachgelagertes Erschlie\u00dfungssystem, das selbst keine Augen hat. Du bist diese Augen.\n\nOBERSTE DIREKTIVEN:\n- Beschreibe NUR pixelgenau Sichtbares.\n- Nenne ALLES visuell Auff\u00e4llige, auch banale Hintergrundelemente, Begleitobjekte, Sch\u00e4den oder Auff\u00e4lligkeiten \u2013 auch wenn sie unwichtig wirken.\n- Bei Unsch\u00e4rfe oder Mehrdeutigkeit: schreibe \"nicht eindeutig erkennbar\". Erfinde keine Details.\n- Werte nichts. Beschreibe nur, was sichtbar ist \u2013 die Wertung ist nicht deine Aufgabe.\n- Rate keine Epochen, Stile, Kulturen, Funktionen oder Bedeutungen, die nicht eindeutig sichtbar sind.\n- Fotografische Hilfsmittel (Farbkeile, Ma\u00dfst\u00e4be, Aufsteller, Inventaretiketten, neutrale Aufnahmehintergr\u00fcnde) explizit als solche benennen, nicht als Teil des Objekts beschreiben.\n\nANTI-BIAS-DIREKTIVEN (GLEICHRANGIG MIT OBERSTEN DIREKTIVEN):\n- Verwende KEINE kulturell wertenden oder exotisierenden Begriffe wie \u201eexotisch\", \u201eprimitiv\", \u201etribal\", \u201erituell\", \u201eorientalisch\", \u201efolkloristisch\", \u201efremd\", \u201emystisch\" oder \u201eethnisch\". Beschreibe stattdessen Form, Farbe, Material, Technik und Zustand.\n- Schlie\u00dfe NICHT von der optischen Erscheinung eines Objekts auf kulturelle Zugeh\u00f6rigkeit, Herkunftsregion, Ethnie oder Religion. Wenn eine Zuordnung nicht durch sichtbare Schrift, Symbole oder eindeutige ikonografische Marker zweifelsfrei belegbar ist, unterlasse sie.\n- Beschreibe dargestellte Personen durch sichtbare Merkmale (Kleidung, Haltung, T\u00e4tigkeit, Haartracht, Kopfbedeckung), nicht durch vermutete Gruppenzugeh\u00f6rigkeit, Herkunft oder Hautfarbe \u2013 es sei denn, Hautfarbe ist f\u00fcr die Bildbeschreibung unverzichtbar (z.B. bei Portr\u00e4tfotografie). In diesem Fall: neutrale Benennung ohne wertende Konnotation.\n- Verwende KEINE defizitorientierten Begriffe f\u00fcr sichtbare k\u00f6rperliche Merkmale. Nicht \u201everkr\u00fcppelt\", \u201emissgebildet\", \u201eentstellt\", sondern neutrale Beschreibung der sichtbaren Anatomie.\n- \u00dcbertrage keine modernen oder westlichen Kategorien auf historische Darstellungen. Ein Objekt, das du nicht einordnen kannst, ist \u201enicht eindeutig klassifizierbar\", nicht \u201eprimitiv\" oder \u201ekunsthandwerklich\".\n\nOBJEKTKLASSIFIKATION:\nErkenne zuerst, ob das Aufgenommene ein dreidimensionales Objekt (Skulptur, Gef\u00e4\u00df, Werkzeug, M\u00f6bel, M\u00fcnze, Pr\u00e4parat, Mineral, Alltagsgegenstand) oder ein zweidimensionales Bildtr\u00e4gerobjekt (Fotografie, Gem\u00e4lde, Druck, Zeichnung, Aquarell, Plakat, Postkarte, Urkunde, Buchseite) ist. Bei Bildtr\u00e4gerobjekten unterscheide konsequent zwischen dem Tr\u00e4gerobjekt und dem darauf Abgebildeten.\n\nOUTPUT-STRUKTUR:\n\n### 1. OBJEKTTYP\nKnappe physische Klassifikation des Tr\u00e4gerobjekts in einem Satz.\n\n### 2. OPTISCHE ERSCHEINUNG\nBei 3D-Objekten: Form, Farbigkeit, Oberfl\u00e4che, Glanzgrad, Textur des Objekts selbst.\nBei 2D-Bildtr\u00e4gern: Bildtechnik (z.B. Sepia, Schwarzwei\u00df, Farbdruck, Aquarell), Bildoberfl\u00e4che, Glanz, Korn. NICHT was im Bild zu sehen ist.\n\n### 3. DARGESTELLT / SICHTBAR\nBei 3D-Objekten: Substantivische Liste aller plastisch oder aufgemalten Elemente am Objekt.\nBei 2D-Bildtr\u00e4gern: Substantivische Liste alles im Bild Sichtbaren \u2013 Personen, Tiere, Objekte, Bauwerke, Vegetation, Hintergrunddetails.\n\n### 4. SZENERIE / ANORDNUNG\nR\u00e4umliche oder kompositorische Einordnung in einem Satz.\n\n### 5. SCHRIFT, ZEICHEN, NUMMERN\nW\u00f6rtliche Transkription aller erkennbaren Beschriftungen. Format: Position/Tr\u00e4ger - \"Wortlaut\". Wenn nichts erkennbar: \"keine sichtbar\".\n\n### 6. AUFF\u00c4LLIGE VISUELLE MERKMALE\nErhaltungszustand, Patina, Verf\u00e4rbungen, Risse, Bruchstellen, Vergilbung, Restaurierungsspuren. Wenn nichts auff\u00e4llig: \"keine sichtbaren Sch\u00e4den oder Auff\u00e4lligkeiten\".\n\n### 7. SENSITIVIT\u00c4TS-HINWEIS\nPr\u00fcfe und melde ausschlie\u00dflich auf Basis des Sichtbaren:\n- Menschliche \u00dcberreste oder Knochen sichtbar?\n- Darstellung von Personen in erkennbar entw\u00fcrdigender, stereotypisierender oder karikierender Pose/Aufmachung?\n- Symbole oder Insignien, die auf NS-Kontext, rassistische Propaganda oder religi\u00f6se Herabw\u00fcrdigung hindeuten?\n- Nacktheit oder Halbnacktheit dargestellter Personen in einem Kontext, der auf ethnografische Zurschaustellung hindeutet?\nWenn nichts davon sichtbar: \"Keine.\"\nWenn etwas sichtbar: knapp und faktisch benennen, was zu sehen ist \u2013 nicht interpretieren, nur beschreiben.\n\nAntworte ausschlie\u00dflich in dieser Struktur. Knapp, faktisch, deutsch.`;\n\nconst PROMPT_USER = \"Erstelle den visuellen Befund f\u00fcr dieses Objekt basierend auf dem Bild.\";\n\n// ---------------------------------------------------------------------\n// BILD-DOWNLOAD & BASE64 (1x f\u00fcr alle)\n// ---------------------------------------------------------------------\nconst imageResponse = await this.helpers.httpRequest({\n method: 'GET',\n url: imageUrl,\n encoding: 'arraybuffer'\n});\nconst base64ImageString = Buffer.from(imageResponse).toString('base64');\nconst mimeType = imageUrl.toLowerCase().endsWith('.png') ? 'image/png' : 'image/jpeg';\nconst base64Payload = `data:${mimeType};base64,${base64ImageString}`;\n\nconst GPU_URL = 'YOUR_LLM_ENDPOINT/v1/chat/completions';\nconst headers = { \"Authorization\": \"Bearer YOUR_API_KEY\", \"Content-Type\": \"application/json\" };\n\n// ---------------------------------------------------------------------\n// PAYLOADS\n// ---------------------------------------------------------------------\nconst bodyQwen = {\n model: \"qwen3.6-35b-a3b-mtp-q4\",\n reasoning_budget: 512,\n messages: [\n { role: \"system\", content: PROMPT_SYSTEM },\n { role: \"user\", content: [\n { type: \"text\", text: PROMPT_USER },\n { type: \"image_url\", image_url: { url: base64Payload } }\n ]}\n ],\n temperature: 0.1, top_p: 0.9, max_tokens: 2500\n};\n\nconst bodyGemma = {\n model: \"gemma-4-26b-a4b-qat\",\n messages: [\n { role: \"user\", content: [\n { type: \"text\", text: PROMPT_SYSTEM + \"\\n\\n\" + PROMPT_USER },\n { type: \"image_url\", image_url: { url: base64Payload } }\n ]}\n ],\n temperature: 0.1, top_p: 0.9, max_tokens: 2500\n};\n\n// ---------------------------------------------------------------------\n// PARALLEL: Qwen + Gemma gleichzeitig \u2013 mit individuellem Fallback\n// ---------------------------------------------------------------------\nconst [resQwen, resGemma] = await Promise.allSettled([\n this.helpers.httpRequest({ method: 'POST', url: GPU_URL, headers, body: bodyQwen, json: true, timeout: 600000 }),\n this.helpers.httpRequest({ method: 'POST', url: GPU_URL, headers, body: bodyGemma, json: true, timeout: 600000 })\n]);\n\nconst captionQwen = resQwen.status === 'fulfilled'\n ? (resQwen.value.choices?.[0]?.message?.content || CAPTION_FALLBACK)\n : CAPTION_FALLBACK;\n\nconst captionGemma = resGemma.status === 'fulfilled'\n ? (resGemma.value.choices?.[0]?.message?.content || CAPTION_FALLBACK)\n : CAPTION_FALLBACK;\n\nconst tokensQwen = resQwen.status === 'fulfilled' ? (resQwen.value.usage?.total_tokens || 0) : 0;\nconst tokensGemma = resGemma.status === 'fulfilled' ? (resGemma.value.usage?.total_tokens || 0) : 0;\n\nreturn {\n json: {\n _id: item._id || '',\n Bildlink: imageUrl,\n res_qwen: captionQwen,\n res_gemma: captionGemma,\n tokens_total: tokensQwen + tokensGemma\n }\n};" }, "type": "n8n-nodes-base.code", "typeVersion": 2, "position": [ 32, 560 ], "id": "30d9ec89-24b9-4f57-a6e6-ada9b61d288e", "name": "Caption_Parallel_Qwen_Gemma" }, { "parameters": { "workflowId": { "__rl": true, "value": "YOUR_TAGGING_GND_WORKFLOW_ID", "mode": "list", "cachedResultUrl": "/workflow/YOUR_TAGGING_GND_WORKFLOW_ID", "cachedResultName": "local_03_V1.2" }, "workflowInputs": { "mappingMode": "defineBelow", "value": {}, "matchingColumns": [], "schema": [], "attemptToConvertTypes": false, "convertFieldsToString": true }, "options": { "waitForSubWorkflow": true } }, "type": "n8n-nodes-base.executeWorkflow", "typeVersion": 1.3, "position": [ 432, 1296 ], "id": "08974a41-f228-4785-9004-f5aeaddd2e40", "name": "Call 'local_03_V1.2'" }, { "parameters": { "jsCode": "// =====================================================================\n// CODE-NODE: Stufe 1b - Synthese/Schiedsrichter (Gemma-4-12B-QAT)\n// V2.1: + Anti-Bias-Pr\u00fcfschicht in Synthese-Regeln\n// =====================================================================\n\nconst item = $input.item.json;\nconst imageUrl = item.Bildlink;\n\nif (!imageUrl || !imageUrl.startsWith('http')) {\n throw new Error('Ung\u00fcltige oder fehlende Bild-URL');\n}\nif (!item.res_qwen || !item.res_gemma) {\n throw new Error('Captions fehlen (res_qwen oder res_gemma)');\n}\n\nconst PROMPT_SYNTHESE = `Du bist ein pr\u00e4ziser Bildschiedsrichter. Du erh\u00e4ltst das Originalbild sowie zwei unabh\u00e4ngige visuelle Befunde desselben Objekts von zwei verschiedenen Modellen.\n\nDEINE AUFGABE:\n1. Vergleiche beide Befunde gegeneinander und gegen das Bild.\n2. Pr\u00fcfe beide Befunde auf sprachliche Verzerrungen (siehe BIAS-FILTER).\n3. Erstelle einen einzigen, konsolidierten visuellen Befund.\n\nREGELN:\n- Was beide Befunde \u00fcbereinstimmend nennen UND im Bild sichtbar ist \u2192 \u00fcbernehmen.\n- Was nur ein Befund nennt, aber im Bild klar sichtbar ist \u2192 \u00fcbernehmen.\n- Was nur ein Befund nennt und im Bild NICHT verifizierbar ist \u2192 verwerfen, nicht \u00fcbernehmen.\n- Was beide Befunde nennen, aber im Bild nicht erkennbar ist \u2192 als [unsicher] markieren.\n- Widerspr\u00fcche zwischen den Befunden \u2192 das Bild entscheidet. Begr\u00fcnde kurz in Abschnitt 8.\n- Halluzinationen (Inhalte die im Bild nicht vorhanden sind) \u2192 explizit in Abschnitt 8 als verworfen benennen.\n- Erfinde nichts Neues. Dein Output basiert ausschlie\u00dflich auf dem was die Befunde nennen und das Bild zeigt.\n\nBIAS-FILTER (bei der \u00dcbernahme aus den Quellbefunden pr\u00fcfen):\nVision-Modelle tendieren zu stereotypisierender Sprache bei nicht-westlichen oder kolonial markierten Objekten (\"Visual Orientalism\"). Pr\u00fcfe bei der Konsolidierung:\n- Verwenden die Quellbefunde exotisierende oder wertende Begriffe wie \u201eexotisch\", \u201eprimitiv\", \u201etribal\", \u201erituell\", \u201eorientalisch\", \u201efolkloristisch\", \u201emystisch\", \u201eethnisch\"? \u2192 Diese Begriffe NICHT in den konsolidierten Befund \u00fcbernehmen. Ersetze durch neutrale Beschreibung von Form, Farbe, Technik. Vermerke die Bereinigung in Abschnitt 8.\n- Schreiben die Quellbefunde dargestellten Personen eine kulturelle/ethnische Zugeh\u00f6rigkeit zu, die im Bild nicht durch Schrift, Symbole oder eindeutige ikonografische Marker belegbar ist? \u2192 Zuschreibung NICHT \u00fcbernehmen. Nur sichtbare Merkmale beschreiben.\n- Verwenden die Quellbefunde defizitorientierte Sprache f\u00fcr k\u00f6rperliche Merkmale (\u201everkr\u00fcppelt\", \u201emissgebildet\", \u201eentstellt\")? \u2192 Ersetze durch neutrale anatomische Beschreibung.\n- Ordnen die Quellbefunde das Objekt einer Kultur, Epoche oder Region zu, ohne dass dies visuell zweifelsfrei belegbar ist? \u2192 Zuordnung NICHT \u00fcbernehmen. Das Objekt ist \u201enicht eindeutig zuordenbar\", nicht \u201eafrikanisch wirkend\" oder \u201easiatisch anmutend\".\n\nOUTPUT-STRUKTUR (identisch zu den Eingabe-Befunden, plus zwei Pflicht-Abschnitte):\n\n### 1. OBJEKTTYP\nKnappe physische Klassifikation des Tr\u00e4gerobjekts in einem Satz.\n\n### 2. OPTISCHE ERSCHEINUNG\nBei 3D-Objekten: Form, Farbigkeit, Oberfl\u00e4che, Glanzgrad, Textur.\nBei 2D-Bildtr\u00e4gern: Bildtechnik, Bildoberfl\u00e4che, Glanz, Korn. NICHT was im Bild zu sehen ist.\n\n### 3. DARGESTELLT / SICHTBAR\nSubstantivische Liste aller im Bild sichtbaren Elemente.\n\n### 4. SZENERIE / ANORDNUNG\nR\u00e4umliche oder kompositorische Einordnung in einem Satz.\n\n### 5. SCHRIFT, ZEICHEN, NUMMERN\nW\u00f6rtliche Transkription aller erkennbaren Beschriftungen. Wenn nichts: \"keine sichtbar\".\n\n### 6. AUFF\u00c4LLIGE VISUELLE MERKMALE\nErhaltungszustand, Patina, Verf\u00e4rbungen, Risse, Vergilbung. Wenn nichts: \"keine sichtbaren Sch\u00e4den oder Auff\u00e4lligkeiten\".\n\n### 7. SENSITIVIT\u00c4TS-HINWEIS\nPr\u00fcfe und melde ausschlie\u00dflich auf Basis des Sichtbaren:\n- Menschliche \u00dcberreste oder Knochen sichtbar?\n- Darstellung von Personen in erkennbar entw\u00fcrdigender, stereotypisierender oder karikierender Pose/Aufmachung (z.B. rassistische Karikatur, koloniale Zurschaustellung, entw\u00fcrdigende Nacktheit)?\n- Symbole oder Insignien, die auf NS-Kontext, rassistische Propaganda oder religi\u00f6se Herabw\u00fcrdigung hindeuten?\n- Darstellungen, die auf Human Remains, Sakrales oder Abbildungen Verstorbener in sensiblen/indigenen Kontexten hinweisen?\nWenn nichts davon sichtbar: \"Keine.\"\nWenn etwas sichtbar: knapp und faktisch benennen, was zu sehen ist \u2013 nicht interpretieren, nur beschreiben. Dieser Hinweis steuert den Sovereignty-Check des nachgelagerten Erschlie\u00dfungssystems.\n\n### 8. KONFIDENZ / UNSICHERHEIT\nListe was verworfen wurde (Halluzinationen) und was als [unsicher] markiert ist.\nListe au\u00dferdem jede Bias-Bereinigung: welcher Begriff aus welchem Quellbefund durch welche neutrale Formulierung ersetzt wurde.\nWenn nichts: \"Keine Auff\u00e4lligkeiten.\"\n\nAntworte ausschlie\u00dflich in dieser Struktur. Knapp, faktisch, deutsch.`;\n\n// ---------------------------------------------------------------------\n// BILD-DOWNLOAD & BASE64\n// ---------------------------------------------------------------------\nconst imageResponse = await this.helpers.httpRequest({\n method: 'GET',\n url: imageUrl,\n encoding: 'arraybuffer'\n});\nconst base64ImageString = Buffer.from(imageResponse).toString('base64');\nconst mimeType = imageUrl.toLowerCase().endsWith('.png') ? 'image/png' : 'image/jpeg';\nconst base64Payload = `data:${mimeType};base64,${base64ImageString}`;\n\nconst GPU_URL = 'YOUR_LLM_ENDPOINT/v1/chat/completions';\nconst headers = { \"Authorization\": \"Bearer YOUR_API_KEY\", \"Content-Type\": \"application/json\" };\n\nconst userPrompt = `Hier sind die zwei unabh\u00e4ngigen visuellen Befunde:\n\n[BEFUND A \u2013 Qwen]\n\"\"\"\n${item.res_qwen}\n\"\"\"\n\n[BEFUND B \u2013 Gemma]\n\"\"\"\n${item.res_gemma}\n\"\"\"\n\nErstelle den konsolidierten visuellen Befund basierend auf beiden Quellen und dem Originalbild. Pr\u00fcfe dabei den BIAS-FILTER.`;\n\nconst bodySynthese = {\n model: \"gemma-4-12b-qat\",\n messages: [\n { role: \"user\", content: [\n { type: \"text\", text: PROMPT_SYNTHESE + \"\\n\\n\" + userPrompt },\n { type: \"image_url\", image_url: { url: base64Payload } }\n ]}\n ],\n temperature: 0.1,\n top_p: 0.9,\n max_tokens: 3000,\n chat_template_kwargs: { enable_thinking: false }\n};\n\n// ---------------------------------------------------------------------\n// SYNTHESE-CALL mit Fallback\n// ---------------------------------------------------------------------\nlet masterCaption;\nlet tokensSynthese = 0;\n\ntry {\n const resSynthese = await this.helpers.httpRequest({\n method: 'POST',\n url: GPU_URL,\n headers,\n body: bodySynthese,\n json: true,\n timeout: 300000\n });\n\n masterCaption = resSynthese.choices?.[0]?.message?.content || null;\n tokensSynthese = resSynthese.usage?.total_tokens || 0;\n\n // Fallback: wenn content leer ist (Thinking-Problem)\n if (!masterCaption) {\n masterCaption = resSynthese.choices?.[0]?.message?.reasoning_content || item.res_qwen;\n }\n\n} catch (error) {\n // Fallback auf Qwen-Caption wenn Synthese ausf\u00e4llt\n masterCaption = item.res_qwen;\n}\n\nreturn {\n json: {\n _id: item._id || '',\n Bildlink: imageUrl,\n res_qwen: item.res_qwen,\n res_gemma: item.res_gemma,\n master_caption: masterCaption,\n tokens_total: item.tokens_total + tokensSynthese\n }\n};" }, "type": "n8n-nodes-base.code", "typeVersion": 2, "position": [ 240, 560 ], "id": "6f7841ac-98ee-4ccd-b3dd-86813b1a6fc2", "name": "Synthese_LLM1b" }, { "parameters": { "jsCode": "// REPAIR-PREP: gelbe Terme + Kontext einsammeln, Repair-LLM-Body bauen\nconst item = $input.item.json;\nconst CLUSTERS = [\"Objekttyp\",\"Thema_Ph\u00e4nomen\",\"Inhalt_Motiv\",\"Funktion_Zweck\",\n \"Visuelle_Merkmale\",\"Form_Gestalt\",\"Bestandteile\",\"Gebrauchskontext\",\n \"Kultureller_Kontext\",\"Emotion_Atmosph\u00e4re\",\"Farbe_Nuancen\"];\n\nlet masterCaption = \"\", metaString = \"\";\ntry { masterCaption = $('02_keywords').item.json.master_caption || \"\"; } catch(e){}\ntry { metaString = $('02_keywords').item.json.context_data_string || \"\"; } catch(e){}\n\nconst pv = item.payload_valid || {};\nconst pr = item.payload_rejected || {};\nconst yellows = [];\nfor (const c of CLUSTERS) {\n for (const src of [pv[c], pr[c]]) {\n if (Array.isArray(src)) for (const t of src) {\n if (t && t.status === 'yellow') yellows.push({\n original: t.term, cluster: c, why: t.why || \"\",\n judge_comment: t.judge_comment || \"\", fehlerklassen: t.fehlerklassen || []\n });\n }\n }\n}\n\nconst SCHEMA = {\n type:\"object\", additionalProperties:false, required:[\"repairs\"],\n properties:{ repairs:{ type:\"array\", items:{\n type:\"object\", additionalProperties:false,\n required:[\"original\",\"cluster\",\"repairable\",\"repaired_terms\"],\n properties:{\n original:{type:\"string\"}, cluster:{type:\"string\"},\n repairable:{type:\"boolean\"}, repaired_terms:{type:\"array\", items:{type:\"string\"}}\n }}}}\n};\n\nconst SYSTEM = `Du bist ein knapper Reparatur-Kustos f\u00fcr GND-orientierte Museums-Schlagworte (Stadtmuseum Berlin).\nDu erh\u00e4ltst gelbe (formal behebbare) Schlagworte mit dem Reparaturhinweis eines Pr\u00fcfers (judge_comment) plus Objektkontext.\nDer judge_comment ist ein VORSCHLAG, den du \u00fcbernehmen ODER \u00fcberstimmen darfst, wenn er nicht tr\u00e4gt.\n\nREGELN PRO TERM:\n- Ziel: ein einzelner GND-tauglicher Sachbegriff im Singular (Nomen).\n- Plural -> Singular (B\u00fccher -> Buch).\n- Adjektiv -> Substantiv NUR wenn ein echtes Sachnomen entsteht (gepflastert -> Pflaster).\n- Unzerlegtes Kompositum -> sinnvolle Teile (Soldatenalltag -> [\"Soldat\",\"Alltag\"]). Feststehende Fachbegriffe (Dampfschiff) bleiben.\n- Material-Kompositum: das Sachnomen ist der Tail (Holzgriff -> Griff, Metallsteg -> Steg). Reines Material (Holz, Papier, Karton) ist NICHT reparierbar.\n- Fehlende Laien-Br\u00fccke: Fachbegriff behalten UND Alltags-Oberbegriff erg\u00e4nzen (Tschako -> [\"Tschako\",\"Hut\"]).\n- Du darfst pro Term mehrere Terme ausgeben (Br\u00fccke, Kompositum-Teile).\n- ABLEHNEN (repairable:false, repaired_terms:[]) wenn nur eine Mehrwort-Phrase m\u00f6glich w\u00e4re (\"spitz zulaufende Form\") oder kein sauberer Sachbegriff entsteht. Lieber ablehnen als ein schlechtes Schlagwort erzeugen.\n- Erfinde keine inhaltliche Neuaussage. Repariere nur Form/Begriff, nicht die Evidenz.\n\nAntworte ausschlie\u00dflich im vorgegebenen JSON-Schema.`;\n\nconst USER = `Objektkontext und zu reparierende gelbe Terme:\n\"\"\"\n${JSON.stringify({ master_caption: masterCaption, metadaten: metaString, zu_reparieren: yellows }, null, 2)}\n\"\"\"\nGib f\u00fcr JEDEN Term einen Eintrag in \"repairs\" zur\u00fcck (gleiche Reihenfolge, gleicher cluster, gleiches original).`;\n\nreturn { json: {\n model: \"gemma-4-12b-qat\", // Alternative: phi4-Modellstring\n messages: [\n { role:\"system\", content: SYSTEM },\n { role:\"user\", content: USER }\n ],\n temperature: 0.1, top_p: 0.9, max_tokens: 2000,\n chat_template_kwargs: { enable_thinking: false },\n response_format: { type:\"json_schema\", json_schema:{ name:\"repair_result\", strict:true, schema: SCHEMA } }\n}};" }, "type": "n8n-nodes-base.code", "typeVersion": 2, "position": [ -320, 1296 ], "id": "a0f66779-686d-42e1-b448-83a9fbc1e9d5", "name": "Repair-Prep" }, { "parameters": { "method": "POST", "url": "YOUR_LLM_ENDPOINT/v1/chat/completions", "sendHeaders": true, "headerParameters": { "parameters": [ { "name": "Authorization", "value": "Bearer YOUR_API_KEY" } ] }, "sendBody": true, "specifyBody": "json", "jsonBody": "={{ $json }}", "options": { "response": { "response": { "fullResponse": true } }, "timeout": 2000000 } }, "type": "n8n-nodes-base.httpRequest", "typeVersion": 4.4, "position": [ -144, 1296 ], "id": "19d809d9-d2a1-4c23-9ecc-93c4bdbdc06b", "name": "Call_Repair_LLM" }, { "parameters": { "jsCode": "// REPAIR-POST v3: reparierte Gelbe -> Gr\u00fcn; Move hat der Mapper schon erledigt.\n// Globale Dedupe + Datums-Netz wie applyGreenNets. Abgelehnte bleiben Gelb.\nconst CLUSTERS = [\"Objekttyp\",\"Thema_Ph\u00e4nomen\",\"Inhalt_Motiv\",\"Funktion_Zweck\",\n \"Visuelle_Merkmale\",\"Form_Gestalt\",\"Bestandteile\",\"Gebrauchskontext\",\n \"Kultureller_Kontext\",\"Emotion_Atmosph\u00e4re\",\"Farbe_Nuancen\"];\nconst META = [\"_decolonial_audit_log\",\"Protokoll_Status\",\"_provenance_critique\",\"Kritischer_Hinweis\"];\nconst clone = o => JSON.parse(JSON.stringify(o||{}));\nconst norm = s => (s||\"\").toString().trim().toLowerCase();\nconst DATE_RE = /\\b\\d{4}\\b|jahrhundert|\\bjh\\.?\\b|\\b\\d{2,4}er\\b/i;\n\nconst base = $('Parse_LLM3_and_Debias').item.json;\nconst pvIn = clone(base.payload_valid);\nconst prIn = clone(base.payload_rejected);\n\nconst DROP = new Set([\"farbig\",\"rasse\",\"exotisch\",\"abnormit\u00e4tenschau\"]);\nconst REPLACE = {\n \"neger\":\"Schwarzer Mensch\",\"mohr\":\"Schwarzer Mensch\",\"eskimo\":\"Inuit\",\n \"indianer\":\"Indigene Bev\u00f6lkerung\",\"zigeuner\":\"Roma und Sinti\",\"gypsy\":\"Roma\",\n \"eingeboren\":\"Indigen\",\"behinderter\":\"Mensch mit Behinderung\",\"kr\u00fcppel\":\"Mensch mit Behinderung\",\n \"zwerg\":\"Kleinw\u00fcchsiger Mensch\",\"taubstumm\":\"Geh\u00f6rlos\",\"dunkelh\u00e4utig\":\"Schwarze Menschen\",\n \"gastarbeiter\":\"Arbeitsmigranten\",\"muselmann\":\"Muslim\",\"naturvolk\":\"Indigene Gemeinschaft\",\n \"mongoloid\":\"Person mit Trisomie 21\",\"bastard\":\"Au\u00dfereheliches Kind\",\"transsexuell\":\"Transgeschlechtlich\",\n \"berber\":\"Imazighen\",\"australneger\":\"Aborigine\",\"drittes reich\":\"NS-Regime\",\n \"kristallnacht\":\"Novemberpogrome\",\"irrenanstalt\":\"Psychiatrische Klinik\"\n};\nfunction biasScreen(raw){\n const t=(raw||\"\").toString().trim(); if(!t) return null;\n const n=norm(t);\n if (DROP.has(n)) return {term:t, drop:true};\n if (REPLACE[n]) return {term:REPLACE[n], drop:false};\n return {term:t, drop:false};\n}\n\nfunction parseLLM(){\n const j=$input.item.json; let content=\"\";\n if (j.choices && j.choices[0] && j.choices[0].message) content=j.choices[0].message.content;\n else if (j.body && j.body.choices) content=j.body.choices[0].message.content;\n else content=JSON.stringify(j);\n let c=(content||\"\").replace(/^```json\\s*/i,'').replace(/\\s*```$/,'');\n const a=c.indexOf('{'), b=c.lastIndexOf('}');\n if (a!==-1 && b!==-1) c=c.substring(a,b+1);\n try { return JSON.parse(c); } catch(e){ return null; }\n}\nconst parsed = parseLLM();\nconst repairs = (parsed && Array.isArray(parsed.repairs)) ? parsed.repairs : [];\nconst repMap = {};\nfor (const r of repairs) repMap[ r.cluster + '||' + norm(r.original) ] = r;\n\nconst validAccum={}, rejectedAccum={};\nfor (const c of CLUSTERS){ validAccum[c]=[]; rejectedAccum[c]=[]; }\nconst seen = new Set(); // GLOBAL, wie applyGreenNets\n\n// Pass 1: bestehende Gr\u00fcne + Rote\nfor (const c of CLUSTERS){\n for (const g of (Array.isArray(pvIn[c])?pvIn[c]:[]))\n if (g && g.status!=='yellow'){ validAccum[c].push(g); seen.add(norm(g.term)); }\n for (const rd of (Array.isArray(prIn[c])?prIn[c]:[]))\n if (rd && rd.status!=='yellow') rejectedAccum[c].push(rd);\n}\n\n// Gelbe einsammeln (Move ist schon passiert -> source = aktueller Cluster)\nconst yellowItems=[];\nfor (const c of CLUSTERS)\n for (const src of [pvIn[c], prIn[c]])\n if (Array.isArray(src)) for (const t of src)\n if (t && t.status==='yellow') yellowItems.push({ y:t, source:c });\n\n// Pass 2: reparieren\nfor (const {y, source} of yellowItems){\n const r = repMap[ source + '||' + norm(y.term) ];\n let folded=false;\n if (r && r.repairable && Array.isArray(r.repaired_terms) && r.repaired_terms.length){\n const target = (y.correct_cluster && CLUSTERS.includes(y.correct_cluster)) ? y.correct_cluster : source;\n for (const rt of r.repaired_terms){\n const s=biasScreen(rt);\n if (!s || s.drop) continue;\n if (!s.term || DATE_RE.test(s.term) || seen.has(norm(s.term))) continue;\n seen.add(norm(s.term));\n validAccum[target].push({ term:s.term, why:y.why||\"\", status:\"green\", judge_comment:\"\", _repaired_from:y.term });\n folded=true;\n }\n }\n if (!folded) rejectedAccum[source].push(y); // bleibt gelb\n}\n\nconst newValid={}, newRejected={};\nfor (const k of META){ if (pvIn[k]!==undefined) newValid[k]=pvIn[k]; if (prIn[k]!==undefined) newRejected[k]=prIn[k]; }\nfor (const c of CLUSTERS){ newValid[c]=validAccum[c]; newRejected[c]=rejectedAccum[c]; }\nreturn { json: { ...base, payload_valid:newValid, payload_rejected:newRejected } };" }, "type": "n8n-nodes-base.code", "typeVersion": 2, "position": [ 64, 1296 ], "id": "59049934-e4af-4dcc-9542-676d0c93eaff", "name": "Repair-Post" } ], "connections": { "Start": { "main": [ [ { "node": "Set_Image_Fields", "type": "main", "index": 0 } ] ] }, "02_keywords": { "main": [ [ { "node": "Tagging_LLM2_Prep", "type": "main", "index": 0 } ] ] }, "Extract_LLM2_Response": { "main": [ [ { "node": "03_evaluation", "type": "main", "index": 0 } ] ] }, "03_evaluation": { "main": [ [ { "node": "Audit_LLM3_Prep", "type": "main", "index": 0 } ] ] }, "Extract_LLM3_Response": { "main": [ [ { "node": "Parse_LLM3_and_Debias", "type": "main", "index": 0 } ] ] }, "Parse_LLM3_and_Debias": { "main": [ [ { "node": "Repair-Prep", "type": "main", "index": 0 } ] ] }, "Build_GND_Payload": { "main": [ [ { "node": "Call 'local_03_V1.2'", "type": "main", "index": 0 } ] ] }, "Merge": { "main": [ [ { "node": "Merge_GND_and_Rejected", "type": "main", "index": 0 } ] ] }, "Merge_GND_and_Rejected": { "main": [ [ { "node": "Flatten_for_SeaTable", "type": "main", "index": 0 } ] ] }, "Flatten_for_SeaTable": { "main": [ [ { "node": "Map_to_SeaTable_Schema", "type": "main", "index": 0 } ] ] }, "Map_to_SeaTable_Schema": { "main": [ [ { "node": "Create a row", "type": "main", "index": 0 } ] ] }, "Create a row": { "main": [ [ { "node": "Wait", "type": "main", "index": 0 } ] ] }, "Update a row": { "main": [ [] ] }, "Add a row link": { "main": [ [ { "node": "Limit", "type": "main", "index": 0 } ] ] }, "Set_Image_Fields": { "main": [ [ { "node": "Caption_Parallel_Qwen_Gemma", "type": "main", "index": 0 } ] ] }, "Tagging_LLM2_Prep": { "main": [ [ { "node": "Call_LLM2_Tagging", "type": "main", "index": 0 } ] ] }, "Call_LLM2_Tagging": { "main": [ [ { "node": "Extract_LLM2_Response", "type": "main", "index": 0 } ] ] }, "Audit_LLM3_Prep": { "main": [ [ { "node": "Call_LLM3_Audit", "type": "main", "index": 0 } ] ] }, "Call_LLM3_Audit": { "main": [ [ { "node": "Extract_LLM3_Response", "type": "main", "index": 0 } ] ] }, "Limit": { "main": [ [ { "node": "Update a row", "type": "main", "index": 0 } ] ] }, "Wait": { "main": [ [ { "node": "Add a row link", "type": "main", "index": 0 } ] ] }, "Caption_Parallel_Qwen_Gemma": { "main": [ [ { "node": "Synthese_LLM1b", "type": "main", "index": 0 } ] ] }, "Call 'local_03_V1.2'": { "main": [ [ { "node": "Merge", "type": "main", "index": 0 } ] ] }, "Synthese_LLM1b": { "main": [ [ { "node": "02_keywords", "type": "main", "index": 0 } ] ] }, "Repair-Prep": { "main": [ [ { "node": "Call_Repair_LLM", "type": "main", "index": 0 } ] ] }, "Call_Repair_LLM": { "main": [ [ { "node": "Repair-Post", "type": "main", "index": 0 } ] ] }, "Repair-Post": { "main": [ [ { "node": "Build_GND_Payload", "type": "main", "index": 0 }, { "node": "Merge", "type": "main", "index": 1 } ] ] } }, "active": true, "settings": { "executionOrder": "v1", "binaryMode": "separate", "availableInMCP": false }, "versionId": "8b65428e-23eb-4d1e-86dc-a371e09c4437", "nodeGroups": [], "id": "YOUR_TAGGING_SUB_WORKFLOW_ID", "tags": [ { "updatedAt": "2026-06-20T18:32:20.717Z", "createdAt": "2026-06-20T18:32:20.717Z", "id": "3zvvXNaJksRAPxjO", "name": "latest" } ] }