bugfix

brancheneinstufung.py

@@ -1406,21 +1406,27 @@ class WikipediaScraper:
 
 # ==================== NEUE FUNKTION: Angepasste evaluate_branche_chatgpt ====================
 def evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kategorien, website_summary):
+    import csv
+    from datetime import datetime
+    # Hier sollte auch die Funktion debug_print und normalize_company_name verfügbar sein.
+    # Ich gehe davon aus, dass diese Funktionen bereits definiert sind.
+
     def load_target_branches():
         try:
             with open("ziel_Branchenschema.csv", "r", encoding="utf-8-sig") as csvfile:
                 reader = csv.reader(csvfile)
-                # Spalte 0 wird getrimmt
+                # Spalte 0 wird getrimmt und nur nicht-leere Zeilen übernommen
                 branches = [row[0].strip() for row in reader if row and row[0].strip()]
             return branches
         except Exception as e:
             debug_print(f"Fehler beim Laden des Ziel-Branchenschemas: {e}")
             return []
-    
+
+    # Lade das Ziel-Branchenschema und normalisiere die Werte
     target_branches = load_target_branches()
-    # Wir loggen hier nicht das vollständige Ziel-Branchenschema!
     norm_targets = [normalize_company_name(tb) for tb in target_branches]
-    
+
+    # Definiere die Fokus-Branchen, die im Prompt berücksichtigt werden sollen
     focus_branches = [
         "Gutachter / Versicherungen > Baugutachter",
         "Gutachter / Versicherungen > Technische Gutachten",
@@ -1439,8 +1445,8 @@ def evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kateg
         "Versorger > Telekommunikation"
     ]
     focus_branches_str = "\n".join(focus_branches)
-    
+
-    # API-Key laden
+    # API-Key laden – falls nicht verfügbar, gibt die Funktion einen Fallback zurück
     try:
         with open("api_key.txt", "r") as f:
             api_key = f.read().strip()
@@ -1449,15 +1455,15 @@ def evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kateg
         return {"branch": "k.A.", "consistency": "k.A.", "justification": "k.A."}
     openai.api_key = api_key
 
-    # Entscheidung: Falls kein Wikipedia-Artikel vorliegt, verwende die Website-Zusammenfassung
+    # Falls kein Wikipedia-Artikel vorhanden ist, verwende die Website-Zusammenfassung als Fallback.
     if wiki_branche.strip().lower() == "k.a.":
         debug_print("Kein Wikipedia-Artikel vorhanden – verwende Website-Zusammenfassung als Branchenbeschreibung-Fallback.")
         used_description = website_summary
     else:
         used_description = beschreibung
         debug_print(f"Verwendete Angaben: CRM-Branche='{crm_branche}', externe Beschreibung='{beschreibung}', Wiki-Branche='{wiki_branche}', Wiki-Kategorien='{wiki_kategorien}', Website-Zusammenfassung='{website_summary}'")
-    
+
-    # Erstelle den Prompt – wir verzichten hier auf die Ausgabe des Ziel-Branchenschemas
+    # Erstelle den System-Prompt, der die Fokus-Branchen als bevorzugte Auswahlmöglichkeiten integriert.
     system_prompt = (
         "Du bist ein Experte im Field Service Management. Ordne das folgende Unternehmen exakt einer Branche zu.\n\n"
         f"CRM-Branche (Spalte F): {crm_branche if crm_branche.strip() != '' else 'k.A.'}\n"
@@ -1473,7 +1479,7 @@ def evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kateg
         "Die Antwort muss exakt einem der Zielbranchen entsprechen. Bitte antworte im Format:\n"
         "Branche: <vorgeschlagene Branche>\nÜbereinstimmung: <ok oder X>\nBegründung: <kurze Begründung, falls abweichend, ansonsten leer>"
     )
-    
+
     try:
         response = openai.ChatCompletion.create(
             model=Config.TOKEN_MODEL,
@@ -1484,14 +1490,14 @@ def evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kateg
         debug_print(f"Branchenabgleich ChatGPT Antwort: '{result}'")
     except Exception as e:
         debug_print(f"Fehler beim Aufruf der ChatGPT API für Branchenabgleich: {e}")
-        # Falls keine Einschätzung möglich ist, nehmen wir den ursprünglichen CRM-Wert
+        # Fallback: Wenn keine ChatGPT-Einschätzung möglich ist
         if normalize_company_name(crm_branche) in norm_targets:
             debug_print("Fallback: Verwende CRM-Branche, da keine ChatGPT-Einschätzung verfügbar ist.")
             return {"branch": crm_branche, "consistency": "ok", "justification": "Keine ChatGPT-Einschätzung; CRM-Wert verwendet."}
         else:
-            return {"branch": "k.A.", "consistency": "k.A.", "justification": "Keine ChatGPT-Einschätzung möglich und CRM-Wert ungültig."}
+            return {"branch": "k.A.", "consistency": "X", "justification": "Keine ChatGPT-Einschätzung möglich und CRM-Wert ungültig."}
-    
+
-    # Parse die Antwort
+    # Parse die Antwort von ChatGPT
     chat_branch = None
     chat_consistency = None
     chat_justification = ""
@@ -1503,23 +1509,23 @@ def evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kateg
             chat_consistency = line.split(":", 1)[1].strip()
         elif lower_line.startswith("begründung:"):
             chat_justification = line.split(":", 1)[1].strip()
-    
+
     debug_print(f"Extrahiert: Branche='{chat_branch}', Übereinstimmung='{chat_consistency}', Begründung='{chat_justification}'")
-    
+
-    # Normiere die Werte zur Validierung
+    # Normiere die Werte zum Vergleich
     norm_crm = normalize_company_name(crm_branche)
     norm_chat = normalize_company_name(chat_branch) if chat_branch else ""
     debug_print(f"Normierte Werte: CRM='{norm_crm}', ChatGPT-Vorschlag='{norm_chat}'")
-    
+
-    # Falls ChatGPT keine brauchbare Antwort lieferte, verwenden wir den CRM-Wert als Fallback
+    # Falls ChatGPT keine aussagekräftige Antwort liefert, verwende den CRM-Wert als Fallback
     if not norm_chat:
         debug_print("Keine aussagekräftige ChatGPT-Antwort erhalten, fallback: CRM-Branche.")
         if norm_crm in norm_targets:
             return {"branch": crm_branche, "consistency": "ok", "justification": "Keine ChatGPT-Antwort; CRM-Wert übernommen."}
         else:
             return {"branch": "k.A.", "consistency": "X", "justification": "Keine ChatGPT-Antwort und CRM-Wert passt nicht."}
-    
+
-    # Überprüfe, ob der ChatGPT-Vorschlag im Ziel-Branchenschema enthalten ist
+    # Überprüfe, ob der ChatGPT-Vorschlag exakt im Ziel-Branchenschema enthalten ist
     if norm_chat not in norm_targets:
         debug_print(f"Vorgeschlagene Branche '{chat_branch}' (normiert: '{norm_chat}') entspricht nicht exakt dem Ziel-Branchenschema.")
         # Fallback: Falls der CRM-Wert gültig ist, verwende ihn.
@@ -1530,7 +1536,7 @@ def evaluate_branche_chatgpt(crm_branche, beschreibung, wiki_branche, wiki_kateg
             debug_print("Fallback: Keine gültige Branche gefunden.")
             return {"branch": "k.A.", "consistency": "X", "justification": "Vorgeschlagene Branche entspricht nicht dem Ziel-Branchenschema."}
     else:
-        # Vergleiche die normierten Werte von CRM und ChatGPT
+        # Vergleiche CRM- und ChatGPT-Vorschlag – wenn diese exakt übereinstimmen, ist die Konsistenz "ok"
         if norm_crm and norm_crm == norm_chat:
             chat_consistency = "ok"
             chat_justification = ""