Brancheneinstufung2/BUILDER_APPS_MIGRATION.md

Migration Guide: Google AI Builder Apps -> Local Docker Stack

WICHTIGER HINWEIS: Der Gemini-Agent f"."hrt Code innerhalb dieses Docker-Containers aus. Er hat keinen Zugriff auf den Docker-Daemon des Host-Systems. Daher kann und wird der Agent NIEMALS in der Lage sein, Befehle wie docker build, docker-compose up oder andere Docker-Management-Aufgaben auszuf.hren. Diese Befehle m.ssen immer vom Benutzer auf dem Host-System ausgef.hrt werden.

Ziel: Standardisierter Prozess, um eine von Google AI Studio generierte React-App schnell, robust und fehlerfrei in die lokale Docker/Python-Architektur zu integrieren.

Grundsatz: "Minimalset & Robustheit". Wir bauen keine aufgebl.hten Container, und wir verhindern Timeouts und fehlende Abh.ngigkeiten proaktiv.

---

1. Vorbereitung & Abh.ngigkeiten (Common Pitfalls)

Bevor Code kopiert wird, m.ssen die Grundlagen stimmen.

1.1 Package.json Check

Generierte Apps haben oft kein express, da sie keinen Server erwarten.

• Aktion: "."ffne package.json der App.
• Pr.fung: Steht express unter dependencies?
• Fix:

  "dependencies": {
    ...
    "express": "^4.18.2",
    "cors": "^2.8.5"
  }
  

1.2 Datenbank-Datei

Docker kann keine einzelne Datei mounten, wenn sie auf dem Host nicht existiert.

• Fehler: "Bind mount failed: ... does not exist"
• Fix: VOR dem ersten Start die Datei anlegen:

  touch mein_neues_projekt.db
  

1.3 Vite Base Path (White Screen Fix)

Wenn die App unter einem Unterverzeichnis (z.B. /gtm/) l.uft, findet sie ihre JS/CSS-Dateien nicht, wenn Vite Standard-Pfade (/) nutzt.

• Datei: vite.config.ts
• Fix: base auf ./ setzen.

  export default defineConfig({
    base: './', // WICHTIG f.r Sub-Pfad Deployment
    // ...
  });
  

1.4 Python Dependencies & Shared Libraries (Critical Pitfall)

Das Projekt nutzt ein zentrales helpers.py, das von mehreren Services geteilt wird. Dies f.hrt oft zu ModuleNotFoundError, da eine kleine App (wie gtm-architect) nicht alle Bibliotheken ben.tigt, die in helpers.py importiert werden (z.B. gspread, pandas).

• Fehler: ModuleNotFoundError: No module named 'gspread'

• Ursache: Die gtm-architect/requirements.txt enth.lt gspread nicht, aber helpers.py versucht es zu importieren.

• Fix (in helpers.py): Machen Sie "exotische" Importe optional. Dies ist die robusteste Methode, um die Kompatibilit.t zu wahren, ohne die requirements.txt kleiner Apps aufzubl.hen.

  # Beispiel in helpers.py
  try:
      import gspread
      GSPREAD_AVAILABLE = True
  except ImportError:
      GSPREAD_AVAILABLE = False
      gspread = None # Wichtig, damit Referenzen nicht fehlschlagen
  

• Fix (in requirements.txt): Stellen Sie sicher, dass die f.r die App unmittelbar ben.tigten Bibliotheken vorhanden sind. F.r gtm-architect sind das:

google-generativeai requests beautifulsoup4

### 1.5 Python Syntax & F-Strings
Multi-Line Prompts k.nnen in Docker-Umgebungen zu **sehr hartn.ckigen Syntaxfehlern** f.hren, selbst wenn sie lokal korrekt aussehen.

*   **Das Problem:** Der Python-Parser (insbesondere bei `f-strings` in Kombination mit Zahlen/Punkten am Zeilenanfang oder verschachtelten Klammern) kann Multi-Line-Strings (`f"""..."""`) falsch interpretieren, was zu Fehlern wie `SyntaxError: invalid decimal literal` oder `unmatched ')'` f.hrt, auch wenn der Code scheinbar korrekt ist.

*   **ULTIMATIVE L.SUNG (Maximale Robustheit):**
    1.  **Vermeide `f"""` komplett f.r komplexe Multi-Line-Prompts.** Definiere stattdessen den Prompt als **Liste von einzelnen String-Zeilen** und f.ge sie mit `"\n".join(prompt_parts)` zusammen.
    2.  **Nutze die `.format()` Methode oder f-Strings in EINZEILIGEN Strings** zur Variablen-Injektion. Dies trennt die String-Definition komplett von der Variablen-Interpolation und ist die robusteste Methode.

    ```python
    # Beispiel: Maximal robust
    prompt_template_parts = [
        "1) Mache dies: {variable_1}",
        "2) Mache das: {variable_2}",
    ]
    prompt_template = "\n".join(prompt_template_parts)
    prompt = prompt_template.format(variable_1=wert1, variable_2=wert2)
    # System-Instruktion muss immer noch vorangestellt werden:
    full_prompt = sys_instr + "\n\n" + prompt
    ```

*   **Versionierung f.r Debugging:** Um sicherzustellen, dass die korrekte Version des Codes l.uft, f.ge Versionsnummern in die Start-Logs des Node.js Servers (`server.cjs`) und des Python Orchestrators (`gtm_architect_orchestrator.py`) ein.
    *   `server.cjs`: `console.log(`... (Version: ${VERSION})`);`
    *   `gtm_architect_orchestrator.py`: `print(f"DEBUG: Orchestrator v{__version__} loaded ...")`

*   **Signaturen pr.fen:** Shared Libraries (`helpers.py`) haben oft .ltere Signaturen. Immer die tats.chliche Definition pr.fen!
    *   Beispiel: `call_openai_chat` unterst.tzt oft kein `system_message` Argument. Stattdessen Prompt manuell zusammenbauen (`sys_instr + "\n\n" + prompt`).

### 1.6 Pitfall: Veraltete API-Nutzung & Bibliotheksnamen
**ACHTUNG:** Dies ist eine der h.ufigsten Fehlerquellen bei der Migration .ltterer KI-Skripte.

*   **Das Problem 1 (Name):** Der Name des Pakets (`google-generativeai`) stimmt nicht mit dem Import (`import google.genai`) .berein, den neuere Versionen erwarten. In unserem Fall bleiben wir vorerst beim Import von `google.generativeai`.
    *   **Installation (`requirements.txt`):** `google-generativeai`
    *   **Import (z.B. in `helpers.py`):** `import google.generativeai as genai`

*   **Das Problem 2 (API-Nutzung):** "."lterer Code verwendet eine `genai.Client`-Klasse, die **nicht mehr existiert**. Dies f.hrt zu einem Absturz.
    *   **Fehlerbild im Log:** `AttributeError: module 'google.generativeai' has no attribute 'Client'`
    *   **L.sung:** Der Code MUSS auf die moderne `GenerativeModel`-API umgestellt werden. Siehe **Appendix A.4** f.r ein Code-Beispiel.

---

## 2. Die Backend-Bridge (`server.cjs`)

Dies ist der Node.js Server im Container. Er muss **robust** gegen Timeouts sein und Pfade dynamisch erkennen (Dev vs. Prod).

**Gold-Standard Template:**

```javascript
const express = require('express');
const { spawn } = require('child_process');
const fs = require('fs');
const path = require('path');
const app = express();
const port = 3005; // ANPASSEN!

app.use(express.json({ limit: '50mb' }));

// 1. Statische Dateien: Robustheit f.r Docker (Flat) vs. Local (Nested)
const distPath = path.join(__dirname, 'dist'); // Docker Standard
const isProduction = fs.existsSync(distPath);
const staticDir = isProduction ? distPath : __dirname;
console.log(`[Init] Serving static files from: ${staticDir}`);
app.use(express.static(staticDir));

// 2. Python Pfad: Robustheit f.r Sideloading
let pythonScriptPath = path.join(__dirname, 'mein_orchestrator.py'); // ANPASSEN!
if (!fs.existsSync(pythonScriptPath)) {
    pythonScriptPath = path.join(__dirname, '../mein_orchestrator.py');
}

// 3. API Routing
app.post('/api/run', (req, res) => {
    // ... spawn logic ...
});

// 4. SPA Fallback
app.get('*', (req, res) => {
  res.sendFile(path.join(staticDir, 'index.html'));
});

// 5. Timeout-H.rtung (CRITICAL!)
const server = app.listen(port, () => {
    console.log(`Server listening on ${port}`);
});
server.setTimeout(600000); // 10 Minuten
server.keepAliveTimeout = 610000;
server.headersTimeout = 620000;

---

3. Docker Optimierung (Multi-Stage)

Wir nutzen Multi-Stage Builds, um das Image klein zu halten (kein src, keine Dev-Tools im Final Image).

Gold-Standard Dockerfile:

# Stage 1: Frontend Build
FROM node:20-slim AS frontend-builder
WORKDIR /app
COPY mein-app-ordner/package.json ./
RUN npm install
COPY mein-app-ordner/ .
RUN npm run build

# Stage 2: Runtime
FROM python:3.11-slim
WORKDIR /app

# Node.js installieren (f.r Server Bridge, optimierte Methode)
RUN apt-get update && \
    apt-get install -y --no-install-recommends curl ca-certificates && \
    curl -fsSL https://deb.nodesource.com/setup_20.x | bash - && \
    apt-get install -y --no-install-recommends nodejs && \
    rm -rf /var/lib/apt/lists/*

# Python Deps (aus der app-spezifischen requirements.txt)
COPY mein-app-ordner/requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

# Server & Frontend Artifacts (Flat Structure!)
COPY mein-app-ordner/server.cjs .
COPY mein-app-ordner/package.json .
RUN npm install --omit=dev
COPY --from=frontend-builder /app/dist ./dist

# Python Logic & Shared Libs
COPY mein_orchestrator.py .
COPY helpers.py .
COPY config.py .
COPY market_db_manager.py .

EXPOSE 3005
CMD ["node", "server.cjs"]

---

4. Docker Compose & Mounts (WICHTIGER PITFALL)

WARNUNG: Lokale Dateien .berschreiben den Container-Code!

Wenn Sie volumes f.r das Sideloading verwenden (wie unten gezeigt), werden die Dateien aus Ihrem lokalen Verzeichnis direkt in den Container geladen. Das bedeutet: Wenn Sie nicht git pull auf dem Host-System ausf.hren, bevor Sie den Container neu bauen, wird der Container weiterhin den alten, lokalen Code ausf.hren.

Workflow:

1. "."nderungen im Git-Repository pushen (oder von einem Agent pushen lassen).
2. git pull auf dem Host-System ausf.hren. (Dieser Schritt ist entscheidend!)
3. docker-compose up -d --build <service-name> ausf.hren.

Beim Sideloading m.ssen alle Abh.ngigkeiten gemountet werden, nicht nur das Hauptskript.

Wichtig: Der Pfad zu server.cjs .ndert sich durch die "Flat Structure" im Dockerfile!

  my-new-app:
    # ... build context ...
    volumes:
      # Logic Sideloading (ALLE Skripte!)
      - ./mein_orchestrator.py:/app/mein_orchestrator.py
      - ./helpers.py:/app/helpers.py  # WICHTIG: Shared Libs
      - ./config.py:/app/config.py    # WICHTIG: Shared Libs
      - ./market_db_manager.py:/app/market_db_manager.py
      
      # Server Sideloading (Ziel ist Root /app/server.cjs!)
      - ./mein-app-ordner/server.cjs:/app/server.cjs 
      
      # Persistence
      - ./mein_projekt.db:/app/mein_projekt.db
    environment:
      - PYTHONUNBUFFERED=1
      - DB_PATH=/app/mein_projekt.db
    environment:
      - PYTHONUNBUFFERED=1
      - DB_PATH=/app/mein_projekt.db

---

5. Nginx Proxy

Achtung beim Routing. Wenn die App unter /app/ laufen soll, muss der Trailing Slash (/) stimmen.

        location /app/ {
            proxy_pass http://my-new-app:3005/; # Slash am Ende wichtig!
            # ... headers ...
            proxy_read_timeout 1200s; # Timeout passend zum Node Server
        }

---

6. Frontend Anpassungen (React)

1. API Calls: Alle direkten Aufrufe an GoogleGenAI entfernen. Stattdessen fetch('/api/run', ...) nutzen.
2. Base URL: In vite.config.ts base: './' setzen (siehe Punkt 1.3).
3. Router: Falls react-router genutzt wird, muss der basename gesetzt werden (z.B. /gtm/). Bei einfachem State-Routing (wie in den aktuellen Apps) reicht der base Config Eintrag.

---

Checkliste vor dem Commit

• express in package.json?
• vite.config.ts hat base: './'?
• requirements.txt enth.lt die korrekten (minimalen) Dependencies?
• server.cjs hat Timeouts (>600s)?
• docker-compose.yml mountet auch helpers.py und config.py?
• Leere .db Datei auf dem Host erstellt?
• Dockerfile nutzt Multi-Stage Build?

---

Appendix A: GTM Architect Fixes & Gemini Migration (Jan 2026)

A.1 Problemstellung

• SyntaxError bei gro.en Prompts: Python-Parser (3.11) hatte massive Probleme mit f-Strings, die 100+ Zeilen lang waren und Sonderzeichen enthielten.
• Library Deprecation: google.generativeai hat Support eingestellt? Nein, aber die Fehlermeldung im Log deutete auf einen Konflikt zwischen alten openai-Wrappern und neuen Gemini-Paketen hin.
• L.sung:
  1. Prompts ausgelagert: System-Prompts liegen jetzt in gtm_prompts.json und werden zur Laufzeit geladen. Kein Code-Parsing mehr notwendig.
  2. Native Gemini Lib: Statt OpenAI-Wrapper nutzen wir jetzt google.generativeai direkt via helpers.call_gemini_flash.
  3. Config: gtm-architect/Dockerfile kopiert nun explizit gtm_prompts.json.

A.2 Neuer Standard f.r KI-Apps

F.r zuk.nftige Apps gilt:

1. Prompts in JSON/Text-Files: Niemals riesige Strings im Python-Code hardcoden.
2. helpers.call_gemini_flash nutzen: Diese Funktion ist nun der Gold-Standard f.r einfache, stateless Calls. Siehe Appendix A.4 f.r die korrekte Implementierung.
3. JSON im Dockerfile: Vergesst nicht, die externen Prompt-Files mit COPY in den Container zu holen!

A.3 Kritisches Problem & L.sung: AttributeError bei Gemini API (Jan 2026)

• Problem: Nach der Migration auf die google-generativeai Bibliothek schlugen alle API-Aufrufe mit einem AttributeError: module 'google.generativeai' has no attribute 'Client' Fehler fehl.

• Log-Analyse:

  ERROR:helpers:Fehler beim Gemini-Flash-Aufruf: module 'google.generativeai' has no attribute 'Client'
  

• Untersuchung:

  1. Die erste Annahme, es handle sich um einen falschen Modellnamen (404 NOT_FOUND), erwies sich als irref.hrend.
  2. Die Analyse des helpers.py-Skripts zeigte, dass der Code versuchte, eine genai.Client-Klasse zu verwenden.

• Schlussfolgerung & L.sung: Der Fehler lag in der Verwendung einer veralteten API-Initialisierungsmethode. Die google-generativeai-Bibliothek hat die Client-Klasse entfernt und erfordert nun einen modernen Ansatz.

  Die Korrektur (implementiert in helpers.py):

  1. Konfigurieren des API-Schl.ssels: genai.configure(api_key="IHR_KEY")
  2. Instanziieren des Modells: model = genai.GenerativeModel('gemini-1.5-flash-latest')
  3. Aufrufen der Generierung: response = model.generate_content(...)

  Dieser Fix wurde in helpers.py umgesetzt und hat die Funktionalit.t des GTM Architect wiederhergestellt. Alle neuen KI-Anwendungen m.ssen diesem Muster folgen.

A.4 Gold-Standard: Gemini API Wrapper (Robust & Dynamic)

Um die korrekte Implementierung zu standardisieren, hier der "Gold-Standard" Wrapper, wie er in helpers.py verwendet wird. Dieser Code ist die Vorlage f.r alle zuk.nftigen Gemini-Aufrufe.

import google.generativeai as genai
import logging

# Annahme: logger und _get_gemini_api_key() sind definiert
# Annahme: Ein @retry_on_failure Decorator existiert

@retry_on_failure
def call_gemini_flash(prompt, system_instruction=None, temperature=0.3, json_mode=False):
    """
    Spezifische Funktion f.r Gemini 1.5 Flash Aufrufe mit System-Instruction Support.
    Verwendet die korrekte `GenerativeModel` API.
    """
    logger = logging.getLogger(__name__)

    # HAS_GEMINI Check hier weggelassen f.r die Lesbarkeit
    
    api_key = _get_gemini_api_key()

    try:
        # 1. API-Schl.ssel konfigurieren
        genai.configure(api_key=api_key)

        # 2. Generierungs-Konfiguration definieren
        generation_config = {
            "temperature": temperature,
            "top_p": 0.95,
            "top_k": 40,
            "max_output_tokens": 8192,
        }
        if json_mode:
            generation_config["response_mime_type"] = "application/json"

        # 3. Modell instanziieren (mit System-Instruktion)
        model = genai.GenerativeModel(
            model_name="gemini-1.5-flash-latest", # Eine stabile, spezifische Version verwenden
            generation_config=generation_config,
            system_instruction=system_instruction
        )

        # Der Prompt kann ein String oder eine Liste von Teilen sein
        contents = [prompt] if isinstance(prompt, str) else prompt

        # 4. Inhalt generieren
        response = model.generate_content(contents)
        
        return response.text.strip()

    except Exception as e:
        logger.error(f"Fehler beim Gemini-Flash-Aufruf: {e}")
        if "API_KEY_INVALID" in str(e) or "403" in str(e):
             raise ValueError(f"Invalid API Key: {str(e)}")
        raise e

---

7. Troubleshooting & Lessons Learned (Jan 2026)

Diese Fehler traten bei der GTM Architect Migration auf und m.ssen zuk.nftig vermieden werden.

7.1 Database Initialization (OperationalError: no such table)

• Problem: Neue SQLite-Datenbanken (.db Files) werden zwar als leere Dateien via touch erstellt, enthalten aber keine Tabellen. Der Python-Code st.rzt ab, wenn er versucht, in eine nicht existierende Tabelle zu schreiben.
• L.sung: Die Initialisierungs-Logik (z.B. python gtm_db_manager.py init) MUSS beim Start des server.cjs aufgerufen werden. Verlasse dich nicht darauf, dass der User dies manuell tut.
• Best Practice: In server.cjs:

  const dbScript = path.join(__dirname, 'gtm_db_manager.py');
  require('child_process').spawn('python3', [dbScript, 'init']);
  

7.2 Dependency Injection (ModuleNotFoundError)

• Problem: Wenn eine requirements.txt nachtr.glich hinzugef.gt oder ge.ndert wird, reicht ein einfacher Container-Neustart nicht aus. pip install l.uft normalerweise nur w.hrend der Build-Phase.
• L.sung:
  1. Immer Rebuild: docker-compose up -d --build <service>.
  2. Startup-Check: F.r maximale Robustheit kann der CMD im Dockerfile so angepasst werden, dass er pip install vor dem Server-Start ausf.hrt: CMD ["/bin/bash", "-c", "pip install -r requirements.txt && node server.cjs"].

7.3 Python Indentation (IndentationError)

• Problem: Beim Copy-Paste von Code in config.py entstehen oft versehentliche Einr.ckungen (Leerzeichen am Zeilenanfang) bei globalen Variablen. Dies f.hrt dazu, dass der gesamte Python-Prozess beim Import abst.rzt.
• L.sung: .py Dateien immer auf strikte Linksb.ndigkeit bei globalen Definitionen pr.fen. Tools wie flake8 helfen, sind aber im Container oft nicht verf.gbar. Sorgfalt ist entscheidend.