ai.bewerbung---vectorize-documents/README.md

# RAG Ingestion Tools

Lokale Python-Tools zum Importieren von Dokumenten in pgvector-Datenbanken.
Drei eigenständige Ingestion-Scripts für unterschiedliche Zieldatenbanken und
Anwendungsfälle, plus zwei gemeinsame Module für Extraktion und KI-Normalisierung.

---

## Dateistruktur

\`\`\`
rag-ingestion/
├── ingest_V2.py             Vollpipeline v2: OCR + KI-Normalisierung (→ Hetzner)
├── ingest_anythingllm.py    Einfaches Script v1: nur MD/TXT/PDF (→ Hetzner)
├── ingest_job_matching.py   Job-Matching Script: direkt auf NAS (→ NAS Port 5433)
│
├── extractor.py             Modul: Text-Extraktion + OCR (wird von ingest_V2 genutzt)
├── normalizer.py            Modul: KI-Normalisierung via Claude (wird von ingest_V2 genutzt)
│
├── templates/
│   ├── *_TEMPLATE.md        Ziel-Strukturvorlagen (leer)
│   └── ausgefuellt/         Ausgefüllte Referenzbeispiele (Few-Shot für KI, nicht in Git)
│
├── .env.ingest              Secrets für ingest_V2.py (nicht in Git)
├── .env.job_matching        Secrets für ingest_job_matching.py (nicht in Git)
└── .env.example             Vorlage für .env.ingest
\`\`\`

---

## Übersicht

| Tool | Zieldatenbank | Verbindung | .env-Datei | Besonderheit |
|---|---|---|---|---|
| \`ingest_V2.py\` | Hetzner (anythingllm) | SSH-Tunnel | \`.env.ingest\` | OCR + KI-Normalisierung |
| \`ingest_anythingllm.py\` | Hetzner (anythingllm) | SSH-Tunnel | \`.env.ingest\` | Einfach, nur MD/TXT/PDF |
| \`ingest_job_matching.py\` | NAS 192.168.178.128 | Direkt (Port 5433) | \`.env.job_matching\` | Job-Matching-Datenbank |

---

## Tool 1: \`ingest_V2.py\` — Vollpipeline mit OCR + KI-Normalisierung

Das Haupt-Tool der neuen Generation. Verarbeitet beliebige Dokumente (inkl. Scans
und Bilder) und normalisiert sie via Claude KI in die einheitliche Template-Struktur.

**Benötigt:** \`extractor.py\` und \`normalizer.py\` im gleichen Verzeichnis.

### Unterstützte Formate

\`.md\` \`.txt\` \`.pdf\` \`.docx\` \`.png\` \`.jpg\` \`.jpeg\` \`.tif\` \`.tiff\` \`.bmp\` \`.webp\`

### Voraussetzungen

\`\`\`bash
# System-Tools (einmalig)
brew install tesseract tesseract-lang poppler

# Python-Pakete
pip install -r requirements.txt

# .env.ingest konfigurieren
cp .env.example .env.ingest
nano .env.ingest   # ANTHROPIC_API_KEY eintragen
\`\`\`

### Verwendung

\`\`\`bash
python ingest_V2.py file ~/Downloads/fremdes_cv.pdf
python ingest_V2.py file ~/Desktop/scan.png --dry-run
python ingest_V2.py file ~/templates/ausgefuellt/mein_cv.md --no-normalize
python ingest_V2.py dir ~/Dokumente/bewerbungsunterlagen/ --force
python ingest_V2.py watch ~/Desktop/scan-eingang/
python ingest_V2.py list
python ingest_V2.py delete "fremdes_cv.pdf"
\`\`\`

### Flags

| Flag | Beschreibung |
|---|---|
| \`--force\` | Bestehende Chunks überschreiben |
| \`--no-normalize\` | KI-Normalisierung überspringen |
| \`--dry-run\` | Nur extrahieren + normalisieren, nicht in DB speichern |
| \`--quality-min 0.5\` | Mindest-Qualitäts-Score (0.0–1.0, Standard: 0.0) |

### KI-Normalisierung (\`normalizer.py\`)

- **Typ-Erkennung:** Claude Haiku (günstig + schnell)
- **Transformation:** Claude Sonnet
- **Fehlende Felder** werden mit \`[FEHLT]\` markiert, nie halluziniert
- **Qualitäts-Score:** 0.0–1.0 (Anteil befüllter Pflichtfelder)

Erkannte Typen: \`arbeitszeugnis\`, \`cv\`, \`lebenslauf\`, \`anschreiben\`,
\`projektbeschreibung\`, \`karriereziele\`, \`technologie\`, \`zertifikate\`,
\`referenzen\`, \`elevatorpitch\`, \`rahmenbedingungen\`, \`zielstellen\`

### OCR-Pipeline (\`extractor.py\`)

1. \`pypdf\` versucht Text zu extrahieren
2. Weniger als 150 Zeichen → OCR-Fallback via Tesseract (300 DPI)
3. Bilder (PNG, JPG etc.) → direkt OCR

---

## Tool 2: \`ingest_anythingllm.py\` — Einfaches Ingestion-Script (v1)

Schlankes Tool ohne OCR und ohne KI-Normalisierung. Geeignet für eigene,
bereits fertig strukturierte Dokumente (z.B. ausgefüllte Templates).

### Unterstützte Formate

\`.md\` \`.txt\` \`.pdf\`

### Verwendung

\`\`\`bash
python ingest_anythingllm.py file ~/Dokumente/Lebenslauf.md
python ingest_anythingllm.py file ~/Dokumente/Lebenslauf.md --force
python ingest_anythingllm.py dir ~/Dokumente/bewerbung/
python ingest_anythingllm.py list
\`\`\`

---

## Tool 3: \`ingest_job_matching.py\` — Job-Matching-Datenbank (NAS)

Importiert Dokumente direkt in die \`job_matching\`-Datenbank auf dem lokalen NAS
(192.168.178.128, Port 5433). Kein SSH-Tunnel erforderlich.

Embeddings via OpenAI \`text-embedding-3-small\` (kostenpflichtig).

### Verwendung

\`\`\`bash
python ingest_job_matching.py file ~/Dokumente/stellenanzeige.pdf
python ingest_job_matching.py dir ~/Dokumente/stellen/
python ingest_job_matching.py list
python ingest_job_matching.py clear "stellenanzeige.pdf"
\`\`\`

---

## Gemeinsame Infrastruktur

### Embedding-Modelle

| Tool | Modell | Dimensionen | Kosten |
|---|---|---|---|
| \`ingest_V2.py\` | multilingual-e5-small (lokal) | 384 | kostenlos |
| \`ingest_anythingllm.py\` | multilingual-e5-small (lokal) | 384 | kostenlos |
| \`ingest_job_matching.py\` | OpenAI text-embedding-3-small | 1536 | kostenpflichtig |

### Umgebungsvariablen

| Datei | Verwendet von | Inhalt |
|---|---|---|
| \`.env.ingest\` | \`ingest_V2.py\`, \`ingest_anythingllm.py\` | ANTHROPIC_API_KEY, SSH, DB |
| \`.env.job_matching\` | \`ingest_job_matching.py\` | OPENAI_API_KEY, NAS-DB |

---

## Setup (komplett, einmalig)

\`\`\`bash
cd ~/Projekte/rag-ingestion
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt
brew install tesseract tesseract-lang poppler   # nur für ingest_V2.py
cp .env.example .env.ingest
nano .env.ingest   # ANTHROPIC_API_KEY + SSH + DB-Zugangsdaten eintragen
\`\`\`