Initial commit: LinkVault – KI-gestützte Link-Sammlung

FastAPI + HTMX Web-App zum Speichern von Links mit automatischer
KI-Kategorisierung, Zusammenfassung und semantischer Suche (OpenAI).
Mehrbenutzer mit Login, SQLite-Persistenz, Docker/Docker-Compose-Setup.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

app/ai.py

@@ -0,0 +1,103 @@
+import json
+
+from . import config
+
+_client = None
+
+
+def _client_or_none():
+    global _client
+    if not config.AI_ENABLED:
+        return None
+    if _client is None:
+        from openai import OpenAI
+
+        _client = OpenAI(api_key=config.OPENAI_API_KEY)
+    return _client
+
+
+SYSTEM_PROMPT = (
+    "Du bist ein Assistent, der Web-Links organisiert. Analysiere den gegebenen "
+    "Inhalt und liefere strukturierte Metadaten als JSON. Verwende möglichst eine "
+    "der bereits existierenden Kategorien bzw. Hersteller/Quellen, wenn sie passt; "
+    "sonst erstelle eine kurze, allgemeingültige neue Bezeichnung. Antworte "
+    "ausschließlich auf Deutsch."
+)
+
+
+def categorize(
+    url: str,
+    title: str,
+    text: str,
+    existing_categories: list[str],
+    existing_manufacturers: list[str],
+) -> dict:
+    """Erzeuge Titel, Zusammenfassung, Kategorie, Hersteller und Tags."""
+    fallback = {
+        "title": title or url,
+        "summary": "",
+        "category": "Sonstiges",
+        "manufacturer": "",
+        "tags": [],
+    }
+
+    client = _client_or_none()
+    if client is None:
+        return fallback
+
+    user_prompt = f"""URL: {url}
+Seitentitel: {title or "(unbekannt)"}
+Bereits vorhandene Kategorien: {", ".join(existing_categories) or "(noch keine)"}
+Bereits vorhandene Hersteller/Quellen: {", ".join(existing_manufacturers) or "(noch keine)"}
+
+Seiteninhalt (gekürzt):
+{text[:4000] or "(kein Inhalt abrufbar - nutze URL und Titel)"}
+
+Gib ein JSON-Objekt mit genau diesen Feldern zurück:
+- "title": kurzer, aussagekräftiger Titel
+- "summary": 2-3 Sätze Zusammenfassung, worum es geht
+- "category": eine passende Themen-Kategorie
+- "manufacturer": Hersteller, Marke oder Quelle (leer lassen, wenn nicht erkennbar)
+- "tags": Array aus 3-6 kurzen Schlagwörtern
+"""
+
+    try:
+        resp = client.chat.completions.create(
+            model=config.OPENAI_MODEL,
+            messages=[
+                {"role": "system", "content": SYSTEM_PROMPT},
+                {"role": "user", "content": user_prompt},
+            ],
+            response_format={"type": "json_object"},
+            temperature=0.2,
+        )
+        data = json.loads(resp.choices[0].message.content)
+    except Exception:
+        return fallback
+
+    tags = data.get("tags") or []
+    if not isinstance(tags, list):
+        tags = []
+
+    return {
+        "title": (str(data.get("title") or title or url)).strip()[:300],
+        "summary": (str(data.get("summary") or "")).strip()[:1000],
+        "category": (str(data.get("category") or "Sonstiges")).strip()[:120]
+        or "Sonstiges",
+        "manufacturer": (str(data.get("manufacturer") or "")).strip()[:120],
+        "tags": [str(t).strip()[:40] for t in tags if str(t).strip()][:8],
+    }
+
+
+def embed(text: str) -> list[float]:
+    """Erzeuge einen Embedding-Vektor für die semantische Suche."""
+    client = _client_or_none()
+    if client is None or not text.strip():
+        return []
+    try:
+        resp = client.embeddings.create(
+            model=config.EMBEDDING_MODEL, input=text[:8000]
+        )
+        return list(resp.data[0].embedding)
+    except Exception:
+        return []