Floke/Brancheneinstufung2
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
4d26cca64523799ea19cc5c700c7e9853a2bb0e4
Brancheneinstufung2/gtm_architect_documentation.md

9.0 KiB
Raw Blame History

Dokumentation: GTM Architect Engine (v3.1)

1. Projektübersicht

Der GTM Architect ("Go-to-Market Architect") ist ein KI-gestütztes System zur Entwicklung umfassender Marktstrategien für neue technische Produkte (Schwerpunkt: Robotik & Facility Management).

Das System führt den Nutzer durch einen 9-stufigen Prozess – von der technischen Analyse über Business-Case-Modellierung bis hin zu fertigen Vertriebsunterlagen und Landingpages.

Aktuelle Version: v3.1 ("Closing-Ready Edition") - Stand: 20.01.2026

2. Architektur & Tech-Stack

Das System ist als Microservice in die bestehende Docker-Umgebung integriert (gtm-app).

graph LR
    User[Browser] -- HTTP/JSON --> Proxy[Nginx :8090]
    Proxy -- /gtm/ --> NodeJS[Node.js Server :3005]
    NodeJS -- Spawn Process --> Python[Python Orchestrator]
    Python -- import --> Helpers[Core Engine (helpers.py)]
    Helpers -- Dual SDK --> Gemini[Google Gemini 2.0 Flash (Text)]
    Helpers -- Dual SDK --> Imagen[Google Imagen 4.0 (Text-to-Image)]
    Helpers -- Dual SDK --> GeminiImg[Google Gemini 2.5 Flash (Image-to-Image)]
    Python -- SQL --> DB[(SQLite: gtm_projects.db)]

Komponenten

  1. Frontend (/gtm-architect):

    • Framework: React (Vite + TypeScript).
    • Features: Session History, Hard Fact Extraction UI und Markdown Upload.

  2. Backend Bridge (server.cjs):

    • Runtime: Node.js (Express).
    • Funktion: Nimmt HTTP-Requests entgegen und startet Python-Prozesse (gtm_architect_orchestrator.py).

  3. Logic Core (gtm_architect_orchestrator.py):

    • Runtime: Python 3.11+.
    • Verantwortlichkeit: Steuert den 9-Phasen-Prozess, verwaltet Payloads und interagiert mit der Datenbank. Nutzt helpers.py für alle KI-Interaktionen.

  4. Core Engine (helpers.py):

    • Laufzeit: Python 3.11+.
    • Verantwortlichkeit: Abstrahiert die Komplexität der KI-API-Aufrufe. Stellt robuste, wiederverwendbare Funktionen für Text- und Bildgenerierung bereit.

  5. Persistenz (gtm_projects.db):

    • Typ: SQLite. Speichert alle Phasen-Ergebnisse als JSON-Blobs in einer einzigen Tabelle.

3. Kernfunktionalität: Die AI Engine (helpers.py)

Das Herzstück des Systems ist die helpers.py-Bibliothek, die für Stabilität und Zukunftssicherheit konzipiert wurde.

3.1 Dual SDK Support

Um maximale Stabilität zu gewährleisten und gleichzeitig Zugriff auf die neuesten KI-Modelle zu haben, wird ein dualer Ansatz für die Google AI SDKs verfolgt:

  • google-generativeai (Legacy): Wird bevorzugt für Text-Generierungs-Aufgaben (gemini-2.0-flash) verwendet, da es sich in diesem Setup als robuster erwiesen hat.
  • google-genai (Modern): Wird für alle Bild-Generierungs-Aufgaben und als Fallback für die Text-Generierung genutzt.

3.2 Hybride Bildgenerierung

Die call_gemini_image-Funktion wählt automatisch die beste Methode basierend auf dem Input:

  • Szenario A: Text-to-Image (Kein Referenzbild)
    • Modell: imagen-4.0-generate-001.
    • Anwendung: Generiert ein komplett neues Bild basierend auf einem textuellen Prompt (z.B. für Landingpage-Banner).
  • Szenario B: Image-to-Image (Mit Referenzbild)
    • Modell: gemini-2.5-flash-image.
    • Anwendung: Platziert ein existierendes Produkt (via Upload) in eine neue, per Text beschriebene Szene. Der Prompt ist darauf optimiert, das Produktdesign nicht zu verändern.

4. Der 9-Phasen Prozess (v3.1 Logik)

Phase Modus Input Output V3.1 Update
1 phase1 Rohtext / URL Features, Constraints, Category Autonome Erkennung der Wackler-Kategorie (z.B. Cleaning Indoor Carpet).
2 phase2 Phase 1 Result ICPs, Data Proxies Identifiziert ideale Kundenprofile basierend auf Kategorie.
3 phase3 Phase 2 Result Whales, Archetypes Identifiziert 4 strategische Archetypen (Operativ, Infrastruktur, Eco, Innovation).
4 phase4 Phase 1 & 3 Strategy Matrix Wendet "Service Gap" Logik an (Machine vs. Human Service).
5 phase5 Alle Daten Senior Report Erstellt "Closing-Ready" Report mit Datasheet-Specs & ROI-Range.
6 phase6 Phase 1, 3, 4 Battlecards, Prompts Legal/Liability Fokus für Infrastruktur-Persona.
7 phase7 Phase 2, 4 Landing Page Copy Erstellt Landingpage-Texte mit Wackler-Symbiose.
8 phase8 Phase 1, 2 ROI Framework Generiert ROI-Formel mit Example Ranges (kein "undefined").
9 phase9 Phase 1, 4 Feature-to-Value Übersetzung technischer Features in Nutzen.

5. Changelog & Version History

  • [MAJOR] v3.1: "Closing-Ready" Edition (Jan 20, 2026)

    • ROI-Fix: Phase 8 generiert nun plausible Wertebereiche (z.B. "20-30% Reduktion") statt abstrakter Formeln, die zu undefined führten.
    • Legal-Härtung: Phase 6 Battlecards adressieren gezielt Haftung, DSGVO & DGUV V3 für die "Infrastruktur"-Persona.
    • Technical Depth: Phase 5 Report fordert nun explizit alle technischen Specs (auch Layer-Daten) für eine "Datasheet"-Qualität.
    • Stabilität: Implementierung von isinstance(list) Checks in Phasen 6, 7, 8, um "White Screen of Death" durch Listen-Antworten zu verhindern.

  • [MAJOR] v3.0: "Dynamic Service Logic" (Jan 20, 2026)

    • Einführung der 7 Wackler-Kategorien (Cleaning Indoor/Outdoor, POS, Security, Service, Transport).
    • Implementierung der universellen "Machine Layer vs. Human Service Layer" Logik im System-Prompt.
    • Konsolidierung auf 4 Buying Center Archetypen.

  • [UPGRADE] v2.6.2: Editierbare Hard Facts & Report Completeness.

  • [UPGRADE] v2.6: Rich Session Browser & Metadaten-Persistenz.

6. GTM Architect V3.1 Prompts (Reference)

Dies ist die Referenz der kritischen Prompts, die die "Senior Grade" Qualität der Engine steuern.

6.1. System Prompt (Universal Service Logic)

Definiert die "Denkweise" der KI. Erkennt autonom die Kategorie und wendet die passende Hybrid-Logik an.

def get_system_instruction(lang):
    return """
    # RULE 5: THE "DYNAMIC SERVICE" LOGIC (UNIVERSAL)
    First analyze the **category** of the robot and then apply the appropriate hybrid logic:

    1. CLEANING INDOOR (CARPET) - Vacuums for carpets
       * Robot: Does the area (80%).
       * Human (Wackler Cleaning): Does edges, corners, spot removal (20%).
    
    2. CLEANING INDOOR (WET SURFACE) - Scrubber dryers (Hard floor)
       * Robot: Cleans halls/corridors continuously.
       * Human (Wackler Cleaning): Safety check (slip hazard), water change, hygiene audit.
    
    5. SECURITY ROBOT - Mobile Surveillance (Quadruped/Drone)
       * Robot: "Detection & Presence". 24/7 patrol, thermal imaging, no fatigue.
       * Human (Wackler Security): "Evaluation & Intervention". NSL evaluates alarm, intervention force drives out.
       * Pitch: "The robot sees the danger, Wackler eliminates it."
    
    [...weitere Kategorien...]
    Mandatory application of this logic in PHASE 4 (Strategy) and PHASE 6 (Sales Enablement).
    """

6.2. Phase 5 Prompt (Senior Report Generation)

Erzwingt ausführliche, gut formatierte Reports und verhindert "dünnen" Content.

report_sys_instr = """
You are a Senior Business Consultant at a top-tier firm (like McKinsey or BCG).
Your task is to write a strategically deep, detailed "Go-to-Market Strategy Report".

RULES:
1.  **No JSON:** Your output is pure, cleanly formatted Markdown.
2.  **Senior Grade:** Do not write "thin" bullet points. Write full sentences...
3.  **Completeness:** Never stop in the middle of a table or sentence.
"""

prompt = """
TASK: Write the "GTM STRATEGY REPORT v3.1" in Markdown. 
REQUIRED STRUCTURE:
...
3. Product Reality Check (Technical Deep Dive)
   * Include ALL available specs... Make it as comprehensive as a technical datasheet.
...
7. Commercial Logic (ROI Framework)
   * Example Calculation: Provide a hypothetical example calculation with plausible ranges...
"""

6.3. Phase 6 Prompt (Legal Hardening)

Sorgt für rechtssichere Verkaufsargumente.

prompt = """
1. **Anticipate Objections:** ...
   * *Special Focus for 'Infrastructure Responsible' (Gatekeeper):* Address **Legal, Liability & Compliance** issues (e.g. GDPR, DGUV V3, accident liability) specifically.
2. **Formulate Battlecards:** ...
   * *Requirement:* Use specific **proof points** (e.g., "Certified according to...", "Data hosted in Germany") instead of generic promises.
"""

6.4. Phase 8 Prompt (ROI Ranges)

Verhindert "undefined" Fehler durch Forderung von Schätzbereichen.

prompt = """
2. **ROI Formula & Example:** Create a formula: `Net Value = (Savings + Risk Mitigation) - (TCO)`.
   * *CRITICAL:* Provide **PLAUSIBLE EXAMPLE RANGES** for efficiency gains (e.g., "Estimate: 20-30% reduction in manual patrol time") instead of just listing the variable.
   * **Do NOT output "undefined".** Give a realistic estimation based on the industry context.
"""
Reference in New Issue View Git Blame Copy Permalink