Brancheneinstufung2/b2b_marketing_assistant_plan.md

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

• 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. Status: Produktionsbereit

Das System liefert nun hochqualitative, faktenbasierte Analysen ("Grounding"), die weit über die ursprüngliche Online-Version hinausgehen. Alle bekannten Fehler (Timeouts, API 404, Copy-Paste) sind behoben.

Nächste Schritte (Optional)

• Erweiterung auf Multi-Language Support im Frontend (aktuell DE fokussiert).

• Integration von SerpAPI für noch breitere Marktrecherchen (analog Market Intel).