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:

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.
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

Anforderungsanalyse und Zieldefinition (Grounding, Konsistenz).
Architektur nach Vorbild market-intel-backend festgelegt.
Diesen Schlachtplan in b2b_marketing_assistant_plan.md erstellt.
Aufbau der Grundstruktur: Erstellen der b2b_marketing_orchestrator.py, der server.cjs in /b2b-marketing-assistant und des Dockerfile.
Erstellung von package.json und requirements.txt.
Anpassung des Frontends (App.tsx) für die Kommunikation mit dem neuen Backend.
Entfernen von Frontend-Dateien und -Inhalten, die nicht mehr benötigt werden (parser.ts, Prompts aus constants.ts).
Implementierung der start_generation-Logik im Python-Backend (Scraping, Grounding, initialer Gemini-Aufruf für Schritt 1).
Implementierung der next_step-Logik im Python-Backend (mehrstufige Gemini-Aufrufe für Schritte 2-6, Kontext-Management).
Fehlerbehebung: Alle Python-Syntaxfehler (Encoding, Strings) behoben.
Validierung: Das Tool lädt das Frontend und führt das Web-Scraping erfolgreich durch.
API-Fix: Umstellung auf Gemini v1 API und Modell gemini-2.5-flash (1M Token Context).

Phase 2: Validierung & Optimierung (Abgeschlossen)

Docker-Container gebaut und gestartet.
Zugriff auf die UI über Port 3004 erfolgreich.
Grounding Upgrade: Umstellung von Plain-Text auf "Sanitized HTML" (H1-H6, Links erhalten) für präzise Produkterkennung.
Kontext-Erweiterung: Entfernung des 30.000 Zeichen Limits für vollständige Website-Analyse.
Robustheit: Implementierung von Retry-Logik (Exponential Backoff) und Timeout-Erhöhung (600s) für komplexe Analysen.
Frontend Fixes:
- Robuster "Copy Table" Button (Fallback für Non-HTTPS).
- PDF-Export optimiert (Landscape, keine Scrollbalken).
- "Schritt 6 Wiederholen"-Funktion eingebaut.
Prozess-Optimierung: Schritt 6 fokussiert nun automatisch auf die Top-Branche, um Token-Limits und Lesezeit zu optimieren.
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.

Navigieren Sie in das Projekt-Hauptverzeichnis.
Starten Sie alle Dienste:
```
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 Dockerfilen oder den requirements.txt/package.json notwendig.

Zugriff

Das zentrale Dashboard ist unter http://<Server-IP>:8090 erreichbar.
Der B2B Marketing Assistant ist direkt über das Unterverzeichnis http://<Server-IP>: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.
```
docker-compose restart b2b-app
```

6. Roadmap: Nächste Erweiterungen

Priorität 1: Integration der SQLite-Datenbank (Portierung)

Status: Technologie bereit (aus Market Intelligence v2.2). Muss nun auf den B2B Assistant übertragen werden.
Backend: Kopieren von market_db_manager.py in den B2B-Container.
API: Erweiterung der b2b-marketing-assistant/server.cjs um die DB-Routen (/projects, /save-project).
Frontend: Implementierung des "Load History" Modals und Auto-Save in b2b-marketing-assistant/App.tsx.
Ziel: Einheitliche Persistenzschicht für beide Tools.

Priorität 2: Asset Factory (Schritt 7)

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.

Priorität 3: 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.

Grounding (HTML-Parsing) & Gemini 2.5 Flash / Pro
Robustheit (Nginx Timeouts 600s, Scraping Fallback "Digital Footprint Mode")
Persistenz (SQLite DB für alle Projekte)
UI-Optimierung (History Modal, On-Demand Outreach Generation)
Logging (Detailliertes Trace-Logging im Container)

8.6 KiB Raw Blame History