feat: v2 pipeline mit OCR + KI-Normalisierung

- extractor.py: Text-Extraktion für MD/TXT/PDF/DOCX/Bilder inkl. OCR (Tesseract)
- normalizer.py: KI-Normalisierung via Claude Haiku (Typ-Erkennung) + Sonnet (Transformation)
- ingest.py: Vollpipeline v2 mit watch, delete, dry-run, quality-min Flags
- ingest_anythingllm.py: Einfaches Script v1 (nur MD/TXT/PDF, kein OCR)
- README.md: Alle drei Tools dokumentiert

templates/Projektbeschreibung_TEMPLATE.md

@@ -0,0 +1,31 @@
+# Projektbeschreibung: [Projektname]
+
+## Überblick
+- **Kunde/Arbeitgeber:** [Name]
+- **Branche:** [z.B. Finanzwesen, Automotive, Energie]
+- **Zeitraum:** [MM/YYYY] – [MM/YYYY]
+- **Rolle:** [z.B. Fullstack-Entwickler, Tech Lead, DevOps Engineer]
+- **Teamgröße:** [z.B. 5 Entwickler, 2 Designer]
+
+## Projektbeschreibung
+[2-4 Sätze: Was war das Ziel des Projekts? Welches Problem wurde gelöst? Für wen?]
+
+## Aufgaben & Verantwortlichkeiten
+- [Aufgabe 1, z.B. "Konzeption und Umsetzung der REST-API"]
+- [Aufgabe 2, z.B. "Migration der bestehenden Datenbank auf PostgreSQL"]
+- [Aufgabe 3]
+
+## Technologien
+- **Sprachen:** [z.B. Python, TypeScript, Java]
+- **Frameworks:** [z.B. React, Spring Boot, FastAPI]
+- **Datenbanken:** [z.B. PostgreSQL, MongoDB, Redis]
+- **Infrastruktur:** [z.B. Docker, Kubernetes, AWS, Hetzner]
+- **Tools:** [z.B. Git, Jira, Jenkins, GitHub Actions]
+
+## Ergebnisse & Erfolge
+- [Konkretes Ergebnis, z.B. "Ladezeit um 60% reduziert"]
+- [Konkretes Ergebnis, z.B. "System verarbeitet 10.000 Anfragen/Min"]
+- [Konkretes Ergebnis, z.B. "Erfolgreicher Go-Live mit 500 Nutzern"]
+
+## Besonderheiten / Lessons Learned
+[Optional: Was war besonders herausfordernd? Was hast du gelernt?]