# Plan: Umsetzung des "B2B Marketing Assistant" Backends

Dieses Dokument beschreibt den Plan zur Umsetzung der Backend-Logik für die React-Anwendung unter `/b2b-marketing-assistant` als robusten, faktenbasierten Python-Service. Das primäre Ziel ist es, die Konsistenz und Zuverlässigkeit der Analyseergebnisse durch "Grounding" (Verankerung in realen Daten) signifikant zu erhöhen.

## 1. Zielsetzung & Architektur

-   **Ziel:** Transformation der reinen Frontend-Anwendung in einen Service mit einem Python-Backend, das vor jeder KI-Analyse eine solide Faktenbasis durch Web-Scraping schafft. Dadurch werden die Ergebnisse reproduzierbar und basieren auf den tatsächlichen Inhalten der Unternehmens-Website.
-   **Architektur:** Wir replizieren den bewährten Aufbau des "Market Intelligence" Tools:
    1.  **React-Frontend:** Die Benutzeroberfläche in `/b2b-marketing-assistant` bleibt bestehen, wird aber von direkten KI-Aufrufen befreit.
    2.  **Node.js API-Brücke (`server.cjs`):** Ein minimaler Express.js-Server, der Anfragen vom Frontend annimmt und an das Python-Backend weiterleitet.
    3.  **Python-Orchestrator (`b2b_marketing_orchestrator.py`):** Das neue Herzstück, das die gesamte Logik kapselt.

## 2. Kernprozess mit "Grounding"

Der 6-stufige Prozess der App wird im Backend abgebildet, wobei die ersten Schritte fundamental geändert werden:

1.  **Schritt 1 (Angebot) & 2 (Zielgruppen):**
    *   **Intelligentes Scraping:** Das Python-Skript crawlt die gegebene URL und sucht aktiv nach Unterseiten wie "Produkte", "Lösungen", "Branchen" etc.
    *   **Text-Extraktion:** Der relevante Inhalt dieser Seiten wird extrahiert und zu einem "Grounding-Dokument" zusammengefasst.
    *   **KI als Extraktions-Engine:** Die KI wird angewiesen, **ausschließlich auf Basis dieses extrahierten Textes** das Angebot und die Zielgruppen zu identifizieren und zu strukturieren. Halluzinationen werden so unterbunden.

2.  **Schritt 3-6 (Personas, Pains, Gains, Messages):**
    *   Diese Schritte bauen auf den validierten, faktenbasierten Ergebnissen aus Schritt 1 & 2 auf. Die gesamte Logikkette wird dadurch stabiler und konsistenter.

## 3. Strategische Vision: Integration der Tools

Dieses Projekt ist der erste Schritt zur Schaffung eines einheitlichen "Strategy & Audit"-Workflows.

-   **Phase 1 (Aktuelles Projekt):** Wir bauen den "B2B Marketing Assistant" als eigenständigen Service mit einem modularen Python-Backend.
-   **Phase 2 (Zukünftig):** Die wiederverwendbaren Python-Module (Scraping, API-Handler etc.) werden mit dem `market_intel_orchestrator.py` zu einem einzigen, leistungsfähigen Backend verschmolzen. Der Workflow wäre dann nahtlos:
    1.  **Strategie definieren:** Mit dem B2B Marketing Assistant eine Tiefenanalyse eines Referenzkunden durchführen.
    2.  **Markt auditieren:** Die erstellte Strategie direkt nutzen, um Lookalikes zu finden und zu bewerten.

## 4. Fortschritts-Log

### Phase 1: Initialisierung & Planung

- [x] Anforderungsanalyse und Zieldefinition (Grounding, Konsistenz).

- [x] Architektur nach Vorbild `market-intel-backend` festgelegt.

- [x] Diesen Schlachtplan in `b2b_marketing_assistant_plan.md` erstellt.

- [x] Aufbau der Grundstruktur: Erstellen der `b2b_marketing_orchestrator.py`, der `server.cjs` in `/b2b-marketing-assistant` und des `Dockerfile`.

- [x] Erstellung von `package.json` und `requirements.txt`.

- [x] Anpassung des Frontends (`App.tsx`) für die Kommunikation mit dem neuen Backend.

- [x] Entfernen von Frontend-Dateien und -Inhalten, die nicht mehr benötigt werden (`parser.ts`, Prompts aus `constants.ts`).

- [x] Implementierung der `start_generation`-Logik im Python-Backend (Scraping, Grounding, initialer Gemini-Aufruf für Schritt 1).

- [x] Implementierung der `next_step`-Logik im Python-Backend (mehrstufige Gemini-Aufrufe für Schritte 2-6, Kontext-Management).

- [x] Fehlerbehebung: Alle Python-Syntaxfehler (Encoding, Strings) behoben.

- [x] Validierung: Das Tool lädt das Frontend und führt das Web-Scraping erfolgreich durch.

- [x] **API-Fix:** Umstellung auf Gemini v1 API und Modell `gemini-2.5-flash` (1M Token Context).



### Phase 2: Validierung & Optimierung (Abgeschlossen)

- [x] Docker-Container gebaut und gestartet.

- [x] Zugriff auf die UI über Port 3004 erfolgreich.

- [x] **Grounding Upgrade:** Umstellung von Plain-Text auf "Sanitized HTML" (H1-H6, Links erhalten) für präzise Produkterkennung.

- [x] **Kontext-Erweiterung:** Entfernung des 30.000 Zeichen Limits für vollständige Website-Analyse.

- [x] **Robustheit:** Implementierung von Retry-Logik (Exponential Backoff) und Timeout-Erhöhung (600s) für komplexe Analysen.

- [x] **Frontend Fixes:**

    - [x] Robuster "Copy Table" Button (Fallback für Non-HTTPS).

    - [x] PDF-Export optimiert (Landscape, keine Scrollbalken).

    - [x] "Schritt 6 Wiederholen"-Funktion eingebaut.

- [x] **Prozess-Optimierung:** Schritt 6 fokussiert nun automatisch auf die Top-Branche, um Token-Limits und Lesezeit zu optimieren.

- [x] **Logging:** Detailliertes File-Logging (`Log_from_docker`) für Prompts und Antworten implementiert.



## 5. Deployment & Betrieb







Da das Frontend (`App.tsx`) in das Docker-Image kompiliert wird, müssen Änderungen am Code durch einen **Rebuild** aktiviert werden.







### Standard-Start (für Nutzung)



Wenn das Image bereits aktuell ist:



```bash



docker run -d -p 3004:3002 --name b2b-assistant-instance \



  -v "$(pwd)/b2b_marketing_orchestrator.py:/app/b2b_marketing_orchestrator.py" \



  -v "$(pwd)/b2b-marketing-assistant/server.cjs:/app/server.cjs" \



  -v "$(pwd)/gemini_api_key.txt:/app/gemini_api_key.txt" \



  -v "$(pwd)/Log_from_docker:/app/Log_from_docker" \



  b2b-marketing-assistant



```



Das Tool ist dann unter `http://localhost:3004` erreichbar. Logs finden Sie im Ordner `Log_from_docker`.







### Update & Rebuild (nach Code-Änderungen)



Wenn Sie `App.tsx`, `index.html` oder `package.json` geändert haben, **müssen** Sie neu bauen:







1.  **Alten Container entfernen:**



    ```bash



    docker stop b2b-assistant-instance



    docker rm b2b-assistant-instance



    ```



2.  **Image neu bauen:**



    ```bash



    docker build -t b2b-marketing-assistant -f b2b-marketing-assistant/Dockerfile .



    ```



3.  **Neu starten:** (siehe Befehl oben).







---







## 6. Roadmap: Nächste Erweiterungen







### Priorität 1: Persistenz & Dashboard (SQLite)



Um Datenverlust zu vermeiden und Analysen wiederaufnehmbar zu machen.



*   **Backend:** Integration einer SQLite-Datenbank (`projects.db`).



*   **API:** Endpunkte für `save_project`, `load_project`, `list_projects`.



*   **Frontend:** Dashboard-Ansicht ("Letzte Analysen") und Speicher-Automatik nach jedem Schritt.



*   **Nutzen:** Ermöglicht Batch-Runs über Nacht und das spätere Verfeinern von Analysen ohne Neustart.







### Priorität 2: Asset Factory (Schritt 7)



Umwandlung der strategischen Botschaften in operative Marketing-Texte.



*   **UI:** Neuer Bereich "Assets generieren" nach Abschluss von Schritt 6.



*   **Funktion:** Auswahl einer Persona und eines Formats (z.B. "LinkedIn Vernetzungsanfrage", "Cold Mail Sequenz").



*   **Output:** Generierung von Copy-Paste-fertigen Texten basierend auf den Painpoints/Gains der Analyse.



*   **Export:** Als separater "Marketing Kit" Download oder Anhang im Markdown.







### Status: Produktionsbereit (Version 1.1)



Das System liefert nun hochqualitative, faktenbasierte Analysen ("Grounding") mit HTML-Struktur-Erkennung.



- [x] Grounding (HTML-Parsing) & Gemini 2.5 Flash



- [x] Robustheit (Retries, Timeouts)



- [x] Frontend-Optimierung (PDF, Copy-Paste, Batch-Analyse)



- [x] Logging (File-basiert)