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

Da das Frontend (App.tsx) in das Docker-Image kompiliert wird, müssen Änderungen am Code durch einen Rebuild aktiviert werden.

Standard-Start (für Nutzung)

Wenn das Image bereits aktuell ist:




docker run -d -p 3004:3002 --name b2b-assistant-instance \



  -v "$(pwd)/b2b_marketing_orchestrator.py:/app/b2b_marketing_orchestrator.py" \



  -v "$(pwd)/b2b-marketing-assistant/server.cjs:/app/server.cjs" \



  -v "$(pwd)/gemini_api_key.txt:/app/gemini_api_key.txt" \



  -v "$(pwd)/Log_from_docker:/app/Log_from_docker" \



  b2b-marketing-assistant

Das Tool ist dann unter http://localhost:3004 erreichbar. Logs finden Sie im Ordner Log_from_docker.

Update & Rebuild (nach Code-Änderungen)

Wenn Sie App.tsx, index.html oder package.json geändert haben, müssen Sie neu bauen:

Alten Container entfernen:




docker stop b2b-assistant-instance



docker rm b2b-assistant-instance

Image neu bauen:




docker build -t b2b-marketing-assistant -f b2b-marketing-assistant/Dockerfile .

Neu starten: (siehe Befehl oben).

6. Roadmap: Nächste Erweiterungen

Priorität 1: Persistenz & Dashboard (SQLite)

Um Datenverlust zu vermeiden und Analysen wiederaufnehmbar zu machen.

Backend: Integration einer SQLite-Datenbank (projects.db).
API: Endpunkte für save_project, load_project, list_projects.
Frontend: Dashboard-Ansicht ("Letzte Analysen") und Speicher-Automatik nach jedem Schritt.
Nutzen: Ermöglicht Batch-Runs über Nacht und das spätere Verfeinern von Analysen ohne Neustart.

Priorität 2: Asset Factory (Schritt 7)

Umwandlung der strategischen Botschaften in operative Marketing-Texte.

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.

Status: Produktionsbereit (Version 1.1)

Das System liefert nun hochqualitative, faktenbasierte Analysen ("Grounding") mit HTML-Struktur-Erkennung.

Grounding (HTML-Parsing) & Gemini 2.5 Flash
Robustheit (Retries, Timeouts)
Frontend-Optimierung (PDF, Copy-Paste, Batch-Analyse)
Logging (File-basiert)

7.6 KiB Raw Blame History