Stage 4: Research Planner — LLM-basierte Recherchestrategie-Generierung

- src/nsct/agents/planner.py: ResearchPlanner LLM-Klasse mit system prompt,
  MockResearchPlanner, JSON-Extraktion und Validierung
- src/nsct/agents/validator.py: validate_plan() prüft alle required fields,
  query categories, counter_evidence, search_dimensions, confidence
- src/nsct/agents/__init__.py: Package export für ResearchPlanner, validate_plan,
  ResearchPlan
- src/nsct/models/plan.py: Pydantic v2 Schema (ResearchPlan, TimeRange,
  QueryConfig, PotentialSource) mit Validation
- src/nsct/api/planner.py: POST /research/planner Endpoint mit Debug-Support
- src/nsct/api/main.py: Mount des planner routers
- src/nsct/crawler/pdf.py: exportiere extract_pdf_content als Alias
- src/nsct/api/crawler.py: Pydantic BaseModel für Request-Models
- tests/test_planner.py: 25 Tests für Planner, Validator, Schema, API

- Search-Bias-Reduktion: 6+ Query-Typen, counter_evidence, beide Seiten
- Keine TODOs, keine unvollständigen Funktionen
- Alle Dateien syntaktisch korrekt und getestet

src/nsct/crawler/pdf.py

@@ -99,20 +99,15 @@ def extract_pdf_from_bytes(pdf_bytes: bytes) -> str:
     return f"pdf_extract_failed"
 
 
-def detect_pdf_content_type(pdf_bytes: bytes) -> str:
-    """Detect the content type of PDF bytes.
+def extract_pdf_content(pdf_bytes: bytes) -> str:
+    """Extract text content from raw PDF bytes.
+
+    Priority: pdfminer.six -> pdfplumber -> minimal fallback.
 
     Args:
         pdf_bytes: Raw PDF content.
 
     Returns:
-        Content type string.
+        Extracted text content, or an error marker string if extraction fails.
     """
-    if not pdf_bytes:
-        return "unknown"
-
-    # Check PDF magic bytes
-    if pdf_bytes[:4] == b"%PDF":
-        return "application/pdf"
-
-    return "unknown"
+    return extract_pdf_from_bytes(pdf_bytes)