Kategorisierung parallelisieren (bis zu 8 Batches gleichzeitig)

Die 77 LLM-Calls liefen bisher sequenziell -> bei langsamer Modell-Latenz
minutenlang. Jetzt ThreadPoolExecutor (parallel=8); id-basiertes Mapping ist
reihenfolge-unabhängig, Logik unverändert. Voller deepseek-Lauf: 162s statt
sequenziell ~20min bei der heutigen Latenz (~16s/Call). Schnelle Modelle
(gemini-flash) entsprechend ~15-20s. +1 Test (parallel ordnet alle Batches
vollständig zu). 58 Tests grün.

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

src/angebote/kategorisieren.py

@@ -39,40 +39,62 @@ def kategorisiere(
     *,
     batch_groesse: int = 25,
     fortschritt=None,
+    parallel: int = 8,
 ) -> list[KategorisiertesAngebot]:
     """Ordnet jedes Angebot einer Produktgruppe zu, ohne Daten zu verändern.
 
     `fortschritt`: optionaler Callback (erledigte_batches, gesamt_batches) --
-    für Live-Anzeigen (z. B. die Web-UI). Ändert die Logik nicht.
+    für Live-Anzeigen (z. B. die Web-UI).
+    `parallel`: bis zu so viele Batches gleichzeitig (LLM-Calls sind I/O-bound).
+    Ändert die Logik nicht -- nur die Ausführungs-Reihenfolge. Die Zuordnung
+    erfolgt id-basiert, ist also reihenfolge-unabhängig.
     """
+    import threading
+
     original = {a.angebot_id: a for a in angebote}
     ergebnis: dict[str, KategorisiertesAngebot] = {}
+    lock = threading.Lock()
 
-    import math
+    batches = [
+        angebote[start : start + batch_groesse]
+        for start in range(0, len(angebote), batch_groesse)
+    ]
+    gesamt_batches = max(1, len(batches))
+    erledigt = [0]
 
-    gesamt_batches = max(1, math.ceil(len(angebote) / batch_groesse))
-    for nr, start in enumerate(range(0, len(angebote), batch_groesse), 1):
-        batch = angebote[start : start + batch_groesse]
+    def verarbeite(batch):
         posten = [
-            {
-                "id": a.angebot_id,
-                "titel": a.titel,
-                "marke": a.marke,
-                "menge": a.menge,
-            }
+            {"id": a.angebot_id, "titel": a.titel, "marke": a.marke, "menge": a.menge}
             for a in batch
         ]
-        antworten = kategorisierer.klassifiziere(posten)
-        for ant in antworten:
-            aid = ant.get("id")
-            if aid not in original or aid in ergebnis:
-                continue  # fremde/duplizierte ID ignorieren
-            gruppe, unsicher = _bereinige_gruppe(ant.get("gruppe"), ant.get("unsicher"))
-            ergebnis[aid] = KategorisiertesAngebot(
-                angebot=original[aid], gruppe=gruppe, unsicher=unsicher
-            )
-        if fortschritt is not None:
-            fortschritt(nr, gesamt_batches)
+        return kategorisierer.klassifiziere(posten)
+
+    def uebernehmen(antworten):
+        with lock:
+            for ant in antworten:
+                aid = ant.get("id")
+                if aid not in original or aid in ergebnis:
+                    continue  # fremde/duplizierte ID ignorieren
+                gruppe, unsicher = _bereinige_gruppe(
+                    ant.get("gruppe"), ant.get("unsicher")
+                )
+                ergebnis[aid] = KategorisiertesAngebot(
+                    angebot=original[aid], gruppe=gruppe, unsicher=unsicher
+                )
+            erledigt[0] += 1
+            if fortschritt is not None:
+                fortschritt(erledigt[0], gesamt_batches)
+
+    if parallel > 1 and len(batches) > 1:
+        from concurrent.futures import ThreadPoolExecutor, as_completed
+
+        with ThreadPoolExecutor(max_workers=parallel) as ex:
+            futures = [ex.submit(verarbeite, b) for b in batches]
+            for fut in as_completed(futures):
+                uebernehmen(fut.result())  # AbbruchFehler propagiert bewusst
+    else:
+        for batch in batches:
+            uebernehmen(verarbeite(batch))
 
     # Posten, die das Modell nicht (gültig) beantwortet hat: ehrlich als
     # unsicher mit Fallback markieren -- nicht still einsortieren.

tests/test_kategorisieren_integritaet.py

@@ -35,6 +35,23 @@ def test_originaldaten_unveraendert_property():
         assert nachher is vorher
 
 
+def test_parallel_ordnet_alle_batches_vollstaendig_zu():
+    # 60 Angebote -> 3 Batches -> parallel verarbeitet; nichts darf verloren gehen.
+    angebote = [beispiel_angebot(f"Artikel {i}", preis=float(i)) for i in range(60)]
+    fake = FakeKategorisierer(
+        lambda posten: [
+            {"id": p["id"], "gruppe": "Sonstiges", "unsicher": False} for p in posten
+        ]
+    )
+    ergebnis = kategorisiere(angebote, fake, batch_groesse=25, parallel=4)
+    assert len(ergebnis) == 60
+    assert all(k.gruppe == "Sonstiges" and not k.unsicher for k in ergebnis)
+    # jedes Original-Angebot bleibt unverändert erhalten (id-basiert gemappt)
+    ids_in = {a.angebot_id for a in angebote}
+    ids_out = {k.angebot.angebot_id for k in ergebnis}
+    assert ids_in == ids_out
+
+
 def test_fehlender_preis_bleibt_fehlend():
     angebot = beispiel_angebot("Hähnchen", preis=None)
     ergebnis = kategorisiere([angebot], _gib_gruppe("Fleisch & Wurst"))