# 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. **Schritt 7 (Customer Journey & Buying Center):** * **NEU:** Als finaler Schritt wird die hypothetische Kaufentscheidung simuliert. * **Fokus:** Analyse der "Journey" vom ersten Touchpoint bis zum Vertragsabschluss. * **Kernfragen:** * Wie sieht der Entscheidungsprozess aus? (Spontan vs. Gremium) * Welche Stationen durchläuft der Käufer? * Wie sehen typische Verträge aus (Laufzeit, Lock-in)? * Welche spezifischen Fragen stellen sich die unterschiedlichen Entscheider (Buying Center) in den verschiedenen Phasen? * **Ziel:** Tiefe Einblicke in das Käuferverhalten, spezifisch getrimmt auf das ermittelte Produkt (SaaS vs. Hardware), unter Einbeziehung der Pains & Gains. ## 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 (Konsolidierte Architektur) Die Anwendung ist nun vollständig in die zentrale Docker-Compose-Architektur des Projekts integriert. Das separate Bauen und Starten einzelner Container ist nicht mehr notwendig. ### Zentraler Start via Docker Compose Der gesamte Anwendungs-Stack (Proxy, Dashboard, B2B Assistant, Market Intelligence) wird über die `docker-compose.yml`-Datei im Hauptverzeichnis des Projekts verwaltet und gestartet. 1. **Navigieren Sie in das Projekt-Hauptverzeichnis.** 2. **Starten Sie alle Dienste:** ```bash docker-compose up -d --build ``` Der `--build`-Parameter sorgt dafür, dass alle Docker-Images neu erstellt werden. Dies ist bei Änderungen am Frontend (`App.tsx`), an den `Dockerfile`n oder den `requirements.txt`/`package.json` notwendig. ### Zugriff - Das zentrale Dashboard ist unter `http://:8090` erreichbar. - Der **B2B Marketing Assistant** ist direkt über das Unterverzeichnis `http://:8090/b2b/` zugänglich. - Der Zugang ist durch Basic Authentication geschützt (Benutzer: `admin`, Passwort: `gemini`). ### Entwicklung (Sideloading) Für eine schnelle Entwicklung ist "Sideloading" für die Python-Logik aktiviert. Das bedeutet, die `b2b_marketing_orchestrator.py` wird als Volume in den Container gemountet. - **Nach Änderungen am Python-Skript:** Ein einfacher Neustart des Containers genügt, um die Änderungen zu übernehmen. Ein kompletter Rebuild ist nicht erforderlich. ```bash docker-compose restart b2b-app ``` --- ## 6. Roadmap: Nächste Erweiterungen ### Priorität 1: Integration der SQLite-Datenbank (Portierung) [ABGESCHLOSSEN] * **Status:** Erfolgreich implementiert. Der B2B Assistant nutzt nun die gleiche robuste Persistenzschicht wie das Market Intelligence Tool. * **Backend:** Die Datenbankintegration erfolgt über das Modul `market_db_manager.py`, das für die Verwaltung der SQLite-Datenbank `b2b_projects.db` zuständig ist. Der Datenbankpfad wird über `DB_PATH` isoliert. * **API:** Die entsprechenden Datenbank-Routen sind in `server.cjs` aktiviert, um die Kommunikation zwischen Frontend und Backend zu ermöglichen. * **Frontend:** Auto-Save-Funktionen und ein History-Modal wurden in `App.tsx` integriert, um die Persistenz der Projektdaten zu gewährleisten und den Zugriff auf frühere Versionen zu ermöglichen. ### Priorität 2: Customer Journey (Schritt 7) [ABGESCHLOSSEN] * **Status:** Erfolgreich implementiert. * **Funktion:** Tiefe Analyse der Kaufentscheidung mit Fokus auf Buying Center Dynamik. * **Mehrwert:** Liefert konkrete "Deal-Breaker" und definiert benötigte Assets (Munition) für jede Phase. * **UI:** Tabellarische Darstellung mit neuer "Schritt neu starten"-Funktion für iterative Optimierung. ### Priorität 3: Asset Factory (Schritt 8) * **UI:** Neuer Bereich "Assets generieren" nach Abschluss von Schritt 7. * **Funktion:** Auswahl einer Persona und eines Formats (z.B. "LinkedIn Vernetzungsanfrage", "Cold Mail Sequenz"). * **Input:** Nutzt die in Schritt 7 definierten "Benötigten Assets" als Blaupause. * **Output:** Generierung von Copy-Paste-fertigen Texten basierend auf den Painpoints/Gains der Analyse. * **Export:** Als separater "Marketing Kit" Download oder Anhang im Markdown. ### Priorität 4: Erweiterung des Finalen Reports [ABGESCHLOSSEN] * **Status:** Vollständig in den Workflow integriert. * **Search Strategy Beschreibung ICP:** Detaillierte Profile werden generiert. * **Digital Signals:** Konkrete Signale (Technographic, Growth, Strategy) identifiziert. * **Target Pages:** Relevante URLs für die Akquise im Report gelistet. ### Status: Produktionsbereit (Version 2.2) Das System ist nun hochgradig robust und bietet volle Transparenz sowie Persistenz. - [x] Grounding (HTML-Parsing) & Gemini 2.5 Flash / Pro - [x] Robustheit (Nginx Timeouts 600s, Scraping Fallback "Digital Footprint Mode") - [x] Persistenz (SQLite DB für alle Projekte) - [x] UI-Optimierung (History Modal, On-Demand Outreach Generation) - [x] Logging (Detailliertes Trace-Logging im Container)