Brancheneinstufung2/market_intel_backend_plan.md

Plan: Umsetzung des "General Market Intelligence" Backends als Python-Service

Dieses Dokument beschreibt den Plan zur Umsetzung der Backend-Logik für die React-Anwendung unter /general-market-intelligence als robusten, faktenbasierten Python-Service. Dieser Ansatz ersetzt die ursprüngliche Idee einer n8n-Migration.

1. Zielsetzung & Architektur-Entscheidung

Das primäre Ziel ist die Schaffung eines transparenten, kontrollierbaren und faktenbasierten Backend-Prozesses. Die ursprüngliche Implementierung der React-App zeigte Schwankungen in der Ergebnisqualität und mangelnde Nachvollziehbarkeit, da die KI-Aufrufe nicht auf verifizierbaren Daten basierten ("Grounding").

Nach einer Analyse wurde entschieden, von einer n8n-basierten Lösung Abstand zu nehmen und stattdessen einen dedizierten Python-Service zu entwickeln.

Gründe für Python statt n8n:

• Maximale Kontrolle & Transparenz: Ein Python-Skript ermöglicht detailliertes Logging, schrittweises Debugging und die volle Kontrolle über jeden Aspekt der Logik – von Web-Scraping bis zu den API-Aufrufen. Dies ist entscheidend, um die Ergebnisqualität sicherzustellen.
• Nahtlose Projekt-Integration: Das Python-Skript fügt sich perfekt in die bestehende, Python-basierte Projektstruktur ein und kann auf geteilte Module (config.py, helpers.py) zugreifen.
• Robuste Fehlerbehandlung: Komplexe Fehler- und Wiederholungslogiken lassen sich in Python präziser und robuster implementieren als in einer visuellen Workflow-Engine.
• Vermeidung von Plattform-Limitierungen: Wir umgehen technische Hürden wie die eingeschränkte REST-API der selbstgehosteten n8n-Version.

2. Architektur: React-Frontend mit Python-Backend

Die Architektur besteht aus drei Kernkomponenten, die in einem Docker-Container gekapselt werden:

1. React-Frontend (unverändert): Die bestehende Anwendung in /general-market-intelligence bleibt die interaktive Benutzeroberfläche.
2. Node.js API-Brücke (server.js): Ein minimaler Express.js-Server, der im selben Verzeichnis wie die React-App läuft. Seine einzige Aufgabe ist es, HTTP-Anfragen vom Frontend entgegenzunehmen und sie sicher an das Python-Skript weiterzuleiten.
3. Python-Orchestrator (market_intel_orchestrator.py): Das Herzstück der Logik. Dieses Kommandozeilen-Skript ist zuständig für:
   • Web-Scraping zur Gewinnung von Rohdaten ("Ground Truth").
   • Text-Extraktion und -Bereinigung.
   • Gezielte und "geerdete" Aufrufe an die Gemini-API.
   • Rückgabe der strukturierten Ergebnisse als JSON über die Konsole (stdout).

Deployment: Der gesamte Backend-Service (Node.js-Brücke und Python-Skript) wird in einem Docker-Container verpackt, um eine konsistente, "immer online" verfügbare Umgebung zu schaffen.

3. Kernfunktionen als Python-Module

Die Logik aus geminiService.ts wird in Python-Funktionen innerhalb von market_intel_orchestrator.py nachgebildet, wobei der Fokus auf Faktenbasiertheit liegt.

---

Funktion 1: generate_search_strategy

• Trigger: Aufruf durch die Node.js-Brücke mit --mode generate_strategy.
• Input: reference_url und context_content (Strategie-Dokument).
• Prozess:
  1. Scraping (Grounding): Lädt den HTML-Inhalt der reference_url.
  2. Text-Extraktion: Bereinigt das HTML zu sauberem Text.
  3. KI-Analyse: Ruft die Gemini-API mit einem Prompt auf, der explizit anweist, die digitalen Signale aus dem bereitgestellten Website-Text und dem Strategie-Kontext abzuleiten.
• Output: Gibt das SearchStrategy-JSON auf der Konsole aus.

---

Funktion 2: identify_competitors

• Trigger: Aufruf mit --mode identify_competitors.
• Input: reference_url und target_market.
• Prozess:
  1. Ruft die Gemini-API mit einem Google-Search-Tool auf, um ähnliche Unternehmen zu finden.
• Output: Gibt eine JSON-Liste der gefundenen Unternehmen aus.

---

Funktion 3: run_full_analysis

• Trigger: Aufruf mit --mode run_analysis.
• Input: Eine Liste von Unternehmensnamen und die zuvor generierte Suchstrategie.
• Prozess:
  1. Iteriert über die Unternehmensliste.
  2. Für jedes Unternehmen:
     • Sucht die offizielle Website (z.B. über SerpAPI).
     • Scrapt die relevanten Seiten basierend auf den targetPageKeywords der digitalen Signale.
     • Ruft die Gemini-API auf, um die Signale basierend auf dem gescrapten Inhalt zu bewerten.
• Output: Gibt eine Liste von AnalysisResult-Objekten aus.

---

Funktion 4: generate_outreach_campaign

• Trigger: Aufruf mit --mode generate_outreach.
• Input: company_data (ein AnalysisResult-Objekt), knowledge_base (Strategie-Dokument) und reference_url.
• Prozess:
  1. Baut den Prompt für die Erstellung der E-Mail-Kampagne, wobei die faktenbasierten dynamicAnalysis-Ergebnisse als Kern der Personalisierung dienen.
  2. Ruft die Gemini-API auf.
• Output: Gibt die EmailDraft-Objekte als JSON-Array aus.

4. Nächste Schritte

1. Implementierung (Python): Erstellen der Datei market_intel_orchestrator.py und Implementierung der oben genannten Funktionen.
2. Implementierung (Node.js): Erstellen der server.js als API-Brücke im React-Projekt.
3. Anpassung (React): Modifizieren der geminiService.ts, um die Aufrufe an die lokale API-Brücke (/api/...) statt direkt an die Gemini-API zu senden.
4. Containerisierung (Docker): Erstellen eines Dockerfile, das die Python- und Node.js-Umgebung aufsetzt und den Service startet.
5. Testen: Umfassendes Testen des gesamten End-to-End-Flows.

5. Aktuelle Probleme und Debugging-Protokoll (Stand: 2025-12-21)

Status: End-to-End-Test erfolgreich, nächster Fehler identifiziert.

Wir haben erfolgreich eine Docker-Umgebung eingerichtet, die das hartnäckige ImportError: cannot import name 'cygrpc' from 'grpc._cython'-Problem löst. Die Kommunikationskette von der React-App über die Node.js-Brücke zum Python-Skript im Docker-Container funktioniert.

Aktueller Fehler (behoben am 2025-12-21):

• Fehler: TypeError: GenerationConfig.__init__() got an unexpected keyword argument 'response_mime_type'
• Ursache: Die gepinnte, ältere Version der google-generativeai-Bibliothek (0.4.0) unterstützt diesen Parameter nicht, der in einem früheren Debugging-Schritt hinzugefügt wurde.
• Lösung: Der Parameter generation_config wurde aus dem model.generate_content-Aufruf in market_intel_orchestrator.py entfernt.

Nächster Schritt (für die nächste Sitzung):

1. Die neuesten Code-Änderungen pullen (git pull).
2. Das Docker-Image neu bauen, um die Korrektur zu übernehmen: docker build -t market-intel-backend .
3. Den alten Container stoppen/entfernen und den neuen starten: docker run -p 3001:3001 --name market-intel-backend-instance market-intel-backend
4. Den React-Dev-Server starten und den End-to-End-Test erneut durchführen.

---

Debugging-Historie (gelöste Probleme)

• Problem: externally-managed-environment im Docker-Build.
  • Lösung: Expliziter Pfad zum pip-Executable der venv im Dockerfile (/app/.venv/bin/pip install ...).
• Problem: ImportError: cannot import name 'cygrpc' from 'grpc._cython'.
  • Lösungsversuche:
    1. Version-Pinning von requests, urllib3, typing-extensions, grpcio, google-api-core, google-generativeai. (Erfolglos)
    2. Deinstallation und Neu-Kompilierung von grpcio aus dem Quellcode. (Erfolglos in der lokalen Umgebung)
  • Finale Lösung: Umstieg auf eine vollständig gekapselte Docker-Umgebung, in der die Installation der Python-Pakete in einer sauberen und kontrollierten Umgebung von Grund auf neu erfolgt.
• Problem: TypeError: 'type' object is not subscriptable.
  • Lösung: Version von urllib3 und requests auf 1.26.18 bzw. 2.28.2 gepinnt.
• Problem: AttributeError: module 'typing' has no attribute '_SpecialGenericAlias'.
  • Lösung: Version von typing-extensions auf 4.5.0 gepinnt.
• Problem: ModuleNotFoundError: No module named 'requests'.
  • Lösung: PYTHONPATH im spawn-Befehl in server.cjs explizit gesetzt.
• Problem: net::ERR_CONNECTION_REFUSED in der React-App.
  • Lösung: API-URL in geminiService.ts von localhost auf window.location.hostname umgestellt.
• Problem: require is not defined in ES module scope in Node.js.
  • Lösung: server.js in server.cjs umbenannt und package.json angepasst.
• Problem: Diverse Python-Umgebungsprobleme (ensurepip, apt-Pakete).
  • Lösung: python3-venv, build-essential, python3-dev installiert und eine virtuelle Umgebung (venv) eingerichtet.