PresentAI - Intelligente Interaktive Präsentationsplattform

PresentAI ist eine moderne, KI-gestützte Webanwendung für interaktive Präsentationen mit innovativer geteilter Architektur. Die Plattform erstellt statische Info-Seiten vom Präsentator und dynamische Feedback-Bereiche von Zuhörern - vollständig getrennt und intelligent verwaltet. Mit fortschrittlicher KI-Integration, festen Verarbeitungsintervallen und kompakter Feedback-Darstellung bietet PresentAI eine nahtlose Erfahrung für moderne Präsentationen.

🎯 Hauptfunktionen

Innovative Geteilte Architektur

• Statische Info-Seite: Einmalig generiert aus Titel, Beschreibung und Abstract - bleibt unverändert
• Dynamischer Feedback-Bereich: Separate Sektion für Zuhörer-Feedback mit automatischer Kategorisierung
• Klare Trennung: Info-Inhalte und Feedback-Inhalte sind vollständig getrennt
• Ergänzungs-System: Neue Feedbacks werden intelligent zu bestehenden Inhalten hinzugefügt
• Zusätzliche Informationen: Präsentierende können jederzeit zusätzliche Infos (z.B. Antworten auf Fragen) hinzufügen
• Live-Info-Freigabe: Kontrollierte Sichtbarkeit der Live-Infoseite für Zuhörer

KI-gestützte Inhaltsgenerierung

• Vollautomatische Kategorisierung: KI übernimmt komplette Feedback-Klassifizierung ohne Code-Regeln
• Intelligente Zusammenfassung: Ähnliche Fragen/Kommentare werden automatisch gruppiert
• Sichere Link-Behandlung: ALLE URLs landen in separater "⚠️ Ungeprüfte Links" Sektion mit Beschreibungen
• Flexible KI-Modelle: Unterstützung für GPT-4, GPT-4.1-mini und andere Modelle
• Automatische Content-Bereinigung: Markdown-Optimierung für saubere Darstellung

Robuste Fehlerbehandlung

• Kontext-Erhaltung: Bei API-Fehlern bleibt der bestehende Inhalt sichtbar
• Intelligente Retry-Mechanismen: Automatische Wiederholungsversuche mit konfigurierbaren Verzögerungen
• Manuelle Retry-Funktion: Präsentatoren können fehlgeschlagene KI-Aufrufe manuell erneut starten
• Transparente Fehlermeldungen: Klare Kommunikation bei Problemen

Erweiterte Sicherheit

• Content-Filterung: Automatische Entfernung unangemessener oder beleidigender Inhalte
• Soft-Delete System: Gelöschte Präsentationen bleiben in der Datenbank erhalten
• Audit-Trail: Vollständige Nachverfolgung von Löschungen und Änderungen

Echtzeit-Interaktion

• Feste Verarbeitungsintervalle: Garantierte Verarbeitung alle 30 Sekunden (konfigurierbar)
• Nie verzögerte Verarbeitung: Auch bei Dauerfeuer-Feedback erfolgt pünktliche Verarbeitung
• Kompakte Feedback-Anzeige: Status-Symbole (✅ verarbeitet, ⏳ wartend) für bessere Übersicht
• Batch-Verarbeitung: Effiziente Sammlung mehrerer Feedbacks pro Intervall
• Live-Updates: Automatische Aktualisierung ohne manuelles Neuladen
• QR-Code Integration: Einfacher Zugang für Zuhörer
• Teilnehmer-Namen: Optionale Namenserfassung mit localStorage für wiederholte Nutzung

Erweiterte Präsentator-Kontrolle

• Einzelnes Feedback löschen: Unerwünschte Feedbacks direkt aus der Liste entfernen
• Feedback-Verarbeitung zurücksetzen: Alle verarbeiteten Feedbacks wieder auf wartend stellen
• Zusätzliche Informationen: Jederzeit neue Infos zum statischen Bereich hinzufügen
• Live-Info-Freigabe: Ein/Ausblenden der Live-Infoseite für Zuhörer per Knopfdruck
• Feedback-Sperrung: Temporäres Blockieren neuer Feedbacks von Zuhörern

🛠️ Systemanforderungen

• Python 3.8 oder höher
• Flask 2.0+
• SQLAlchemy
• OpenAI API-Zugang (GPT-4, GPT-4.1-mini, oder GPT-4o-mini)
• Font Awesome 6.0+ für Status-Icons
• Gunicorn für Produktionsumgebung (parallele Zugriffe)
• Weitere Abhängigkeiten siehe requirements.txt

🚀 Installation

1. Repository vorbereiten

git clone <repository-url>
cd ConfChat

2. Virtuelle Umgebung einrichten

python -m venv venv

# Windows
venv\Scripts\activate

# macOS/Linux
source venv/bin/activate

3. Abhängigkeiten installieren

pip install -r requirements.txt

4. Umgebungsvariablen konfigurieren

# Erforderlich
export OPENAI_API_KEY=ihr-openai-api-schlüssel

# Optional (wird automatisch generiert wenn nicht gesetzt)
export REGISTRATION_PASSWORD=ihr-registrierungspasswort
export SECRET_KEY=ihr-geheimer-schlüssel

Wichtig: Das REGISTRATION_PASSWORD wird beim ersten Start automatisch generiert und in der Konsole angezeigt, falls nicht gesetzt.

5. Datenbank migrieren (falls erforderlich)

python migrate_db.py

6. Anwendung starten

Entwicklungsumgebung

python app.py

Produktionsumgebung (empfohlen)

Linux/macOS/WSL:

# Minimal-Setup für parallele Zugriffe
./start_production.sh

# Erweiterte Konfiguration (höhere Performance):
./start_production_advanced.sh

# Oder manuell:
python -m gunicorn --workers 1 --threads 4 --bind 0.0.0.0:5000 app:app

Windows (ohne WSL):

# Windows-kompatible Lösung mit Waitress (Port 8000)
start_production.bat

# Oder manuell:
python -m pip install waitress
python -m waitress --host=127.0.0.1 --port=8000 --threads=4 app:app

Hinweis: Port 5000 ist unter Windows oft gesperrt. Das Windows-Skript verwendet daher Port 8000. Bei Problemen siehe WINDOWS_TROUBLESHOOTING.md.

Docker (empfohlen für Produktion)

# 1. Environment-Datei konfigurieren
cp .env.example .env
# .env bearbeiten und mindestens OPENAI_API_KEY setzen

# 2. Verzeichnis-Berechtigungen setzen (Linux/macOS)
mkdir -p instance
sudo chown -R 1000:1000 instance
chmod 755 instance

# 3. Container starten
docker-compose up -d

# 4. Logs überprüfen
docker-compose logs -f presentai

Wichtige .env-Konfiguration:

OPENAI_API_KEY=ihr-openai-api-key
REGISTRATION_PASSWORD=ihr-registrierungspasswort
SECRET_KEY=ihr-secret-key
PORT=8080  # Externer Port (Standard: 8080)

Alternative Deployment-Optionen:

# Mit docker-run.sh Skript
OPENAI_API_KEY=sk-... ./docker-run.sh --port 8080

# Oder manuell
docker run -d \
  -p 8080:5000 \
  -e OPENAI_API_KEY=sk-... \
  -v $(pwd)/instance:/app/instance \
  ghcr.io/ihrusername/confchat:latest

7. Zugriff

• Entwicklung: http://127.0.0.1:5000/
• Linux/macOS/WSL: http://0.0.0.0:5000/
• Windows: http://127.0.0.1:8000/
• Docker: http://localhost:8080/ (oder per PORT in .env konfigurierter Port)

📁 Projektstruktur

ConfChat/
├── app.py                      # Hauptanwendung (Flask)
├── migrate_db.py              # Datenbank-Migrierungsskript
├── Dockerfile                 # Docker-Image für Produktion
├── docker-compose.yml         # Docker-Compose für lokale Entwicklung
├── docker-run.sh              # Docker-Start-Skript mit Optionen
├── .env.example               # Umgebungsvariablen-Vorlage
├── start_production.sh        # Produktions-Start-Skript (Linux/macOS/WSL)
├── start_production_advanced.sh # Erweiterte Produktions-Konfiguration (Linux/macOS/WSL)
├── start_production.bat       # Windows-Produktions-Start-Skript (Port 8000)
├── WINDOWS_TROUBLESHOOTING.md # Windows-spezifische Problemlösungen
├── requirements.txt           # Python-Abhängigkeiten
├── CLAUDE.md                  # Entwickler-Dokumentation
├── instance/
│   └── presentations.db      # SQLite-Datenbank
├── templates/                 # Jinja2-Templates
│   ├── base.html             # Basis-Layout
│   ├── dashboard.html        # Präsentations-Dashboard
│   ├── view_presentation.html # Präsentations-Manager
│   ├── public_view.html      # Öffentliche Zuhörer-Ansicht
│   └── ...                   # Weitere Templates
├── static/                    # Statische Dateien
└── test_*.py                 # Test-Suiten

🎭 Verwendung

Für Präsentatoren

1. Registrierung/Anmeldung

   • Erster Benutzer wird automatisch als Admin eingerichtet
   • Nutzen Sie das generierte Registrierungspasswort

2. Präsentation erstellen

   • Titel, Beschreibung, Kontext und Hauptinhalt eingeben
   • KI generiert automatisch statische Info-Seite (einmalig)

3. Zuhörer einladen

   • QR-Code oder direkten Link teilen
   • Zuhörer erhalten Zugang zur Live-Infoseite

4. Feedback verwalten

   • Kompakte Übersicht mit Status-Symbolen (✅ verarbeitet, ⏳ wartend)
   • Teilnehmer-Namen werden angezeigt falls angegeben
   • Automatische Verarbeitung alle 30 Sekunden (garantiert)
   • Manuelle Retry-Funktion bei KI-Problemen
   • Vollautomatische KI-Kategorisierung ohne manuelle Regeln
   • Einzelne Feedbacks löschen: Unerwünschte Beiträge direkt entfernen
   • Feedback-Reset: Alle Feedbacks wieder auf wartend stellen

5. Zusätzliche Informationen verwalten

   • Neue Informationen jederzeit zum statischen Bereich hinzufügen
   • Automatische Integration in die Live-Infoseite
   • Zeitstempel für bessere Nachverfolgung

6. Live-Info-Freigabe kontrollieren

   • Per Default ausgeblendet für Zuhörer
   • Ein-Klick-Freigabe für Live-Infoseite
   • Sofortige Sichtbarkeit/Verbergung für alle Zuhörer

7. Feedback-Kontrolle

   • Ein-Klick-Sperrung neuer Feedbacks von Zuhörern
   • Temporäre Blockierung unabhängig von Live-Info-Freigabe
   • Klare Benachrichtigung für Zuhörer bei gesperrtem Feedback

Für Zuhörer

1. Zugang über QR-Code oder Link
2. Namen eingeben (einmalig)
   • Name wird im Browser gespeichert für zukünftige Feedbacks
   • Erscheint in der Presenter-Ansicht für bessere Zuordnung
3. Live-Infoseite betrachten (nur wenn freigegeben)
   • Statische Info-Seite vom Präsentator
   • Zusätzliche Informationen vom Präsentator
   • Dynamischer Feedback-Bereich von anderen Zuhörern
   • Automatisch aktualisierte Inhalte alle 10 Sekunden
   • Strukturierte Darstellung mit Markdown-Formatierung
   • Nur sichtbar wenn Präsentator die Live-Info freigegeben hat
4. Interaktion
   • Fragen stellen (landen in "Offene Fragen")
   • Links teilen (erscheinen in "⚠️ Ungeprüfte Links" mit Beschreibung)
   • Faktische Informationen beitragen
   • Kommentare abgeben
   • Hinweis: Bei gesperrtem Feedback wird eine entsprechende Meldung angezeigt

⚙️ Erweiterte Konfiguration

Feedback-Verarbeitung

# In app.py anpassbar
FEEDBACK_PROCESSING_INTERVAL = 30  # Feste Verarbeitungsintervalle (Sekunden)
CLIENT_REFRESH_INTERVAL = 20       # Client-Aktualisierungsintervall

Neue Architektur:

• Feste Zeitslots: Verarbeitung erfolgt zu festen Zeiten (z.B. :00, :30 jeder Minute)
• Garantierte Verarbeitung: Auch bei kontinuierlichem Feedback wird pünktlich verarbeitet
• Kein Verschieben: Neue Feedbacks verschieben die Verarbeitung nicht

Retry-Mechanismen

• Automatische Verzögerung: 10 Sekunden nach API-Fehlern
• Kontext-Erhaltung: Bestehende Inhalte bleiben bei Fehlern sichtbar
• Manuelle Kontrolle: Retry-Button für Präsentatoren

Content-Filterung & KI-Integration

• Vollautomatische Filterung: KI übernimmt komplette Spam/Beleidigung-Erkennung
• Intelligente Kategorisierung: Fragen, Links, Fakten, Kommentare werden automatisch sortiert
• Sichere Link-Behandlung: Alle URLs landen zwingend in "⚠️ Ungeprüfte Links" Sektion
• Zusammenfassung: Ähnliche Feedbacks werden intelligent gruppiert
• Markdown-Bereinigung: Entfernung störender Code-Block-Markierungen
• Flexible KI-Modelle: GPT-4, GPT-4.1-mini, GPT-4o-mini unterstützt

🔧 Entwicklung & Erweiterung

Wichtige Komponenten

1. Geteilte KI-Integration

   • generate_static_info_content(): Einmalige Info-Seiten-Generierung
   • generate_feedback_content(): Dynamische Feedback-Verarbeitung
   • Vollautomatische KI-Kategorisierung ohne Code-Regeln
   • Ergänzungs-System statt Neugenerierung

2. Feste Intervall-Verarbeitung

   • Zeitslot-basierte Verarbeitung (z.B. alle 30 Sekunden)
   • Garantierte Pünktlichkeit auch bei Dauerfeuer-Feedback
   • Thread-basierte Background-Verarbeitung
   • Intelligente Warteschlangen-Verwaltung

3. Soft-Delete System

   • Präsentationen werden als gelöscht markiert, bleiben aber in DB
   • Vollständiger Audit-Trail mit Teilnehmer-Namen
   • Wiederherstellbarkeit

Tests ausführen

# Einzelne Tests
python test_improved_prompt.py
python test_soft_delete.py
python test_markdown_filter.py

# Alle Tests
python -m pytest test_*.py

Demo-Skripte

python demo_improved_prompt.py    # Feedback-Kategorisierung
python demo_soft_delete.py        # Soft-Delete Verhalten
python demo_improved_behavior.py  # Fehlerbehandlung

🚀 Produktionsdeployment

Docker (Empfohlen)

Schnellstart mit Docker:

# 1. Repository klonen
git clone <your-repo-url>
cd ConfChat

# 2. Umgebungsvariablen setzen
cp .env.example .env
# .env bearbeiten und mindestens OPENAI_API_KEY setzen
# Optional: PORT=8080 für anderen externen Port

# 3. Berechtigungen setzen (Linux/macOS)
mkdir -p instance
sudo chown -R 1000:1000 instance
chmod 755 instance

# 4. Container starten
docker-compose up -d

# 5. Logs überprüfen
docker-compose logs -f presentai

Code-Updates deployen:

# Bei Änderungen am Code (z.B. nach git pull)
docker-compose down
docker-compose up -d --build  # --build erzwingt Image-Neubau

# Logs überprüfen
docker-compose logs -f presentai

Erweiterte Docker-Optionen:

# Mit docker-run.sh (mehr Kontrolle)
OPENAI_API_KEY=sk-... ./docker-run.sh --port 8080 --detach

# GitHub Container Registry Image verwenden
docker run -d \
  -p 8080:5000 \
  -e OPENAI_API_KEY=sk-... \
  -v $(pwd)/instance:/app/instance \
  ghcr.io/ihrusername/confchat:latest

# Container-Management
./docker-run.sh --logs    # Logs anzeigen
./docker-run.sh --stop    # Container stoppen

GitHub Actions Setup:

1. Repository auf GitHub pushen
2. Actions werden automatisch ausgeführt
3. Docker-Image wird in GitHub Container Registry gepusht
4. Image URL: ghcr.io/ihrusername/confchat:latest

Minimal-Setup für parallele Zugriffe (ohne Docker)

Das mitgelieferte Produktions-Setup verbessert die Performance erheblich:

# Einfacher Start (empfohlen)
./start_production.sh

# Erweiterte Konfiguration (mehr Performance, kleines Risiko)
./start_production_advanced.sh

Vorteile gegenüber python app.py:

• 4x bessere Parallelverarbeitung durch Multi-Threading
• Robustheit bei Worker-Crashes
• Produktions-optimierte Konfiguration
• Bessere Ressourcennutzung

Performance-Vergleich

Setup	Concurrent Users	Threading	Stabilität	Empfehlung
python app.py	~10-20	Entwicklungsserver	Niedrig	Nur Entwicklung
Docker	~500-1000+	Gunicorn + Container	Sehr hoch	✅ Produktion
start_production.sh	~100-200	1 Worker + 4 Threads	Hoch	Einfache Prod
start_production_advanced.sh	~200-500	2 Worker + 2 Threads	Mittel*	Erfahrene Nutzer

*Risiko: Background-Processing könnte doppelt ausgeführt werden

Docker-Vorteile:

• Isolation: Keine Abhängigkeitskonflikte
• Portabilität: Läuft überall gleich
• Skalierung: Einfache Horizontal-Skalierung
• CI/CD: Automatisches Building und Deployment
• Wartung: Container-Updates ohne Server-Neustart

Erweiterte Produktions-Optionen

Für höhere Skalierung siehe Vollarchitektur-Empfehlungen:

• PostgreSQL statt SQLite (>500 concurrent users)
• Celery für Background-Tasks (eliminiert Threading-Probleme)
• Redis für Session-Storage bei Multi-Worker Setup
• Nginx als Reverse Proxy für statische Dateien

🎨 Anpassungen

KI-Provider wechseln

Die Anwendung unterstützt verschiedene KI-APIs:

• OpenAI GPT-4 (beste Qualität)
• OpenAI GPT-4.1-mini (optimiert)
• OpenAI GPT-4o-mini (kostengünstig)
• Claude (Anthropic) - anpassbar
• Google Gemini - anpassbar
• Hugging Face - anpassbar

Einfach das model-Feld in den API-Aufrufen ändern.

UI-Anpassungen

• Templates in templates/ Verzeichnis
• Bootstrap 4 + Font Awesome 6 für responsives Design
• Kompakte Feedback-Anzeige mit Status-Symbolen
• Erweiterbare CSS-Klassen

Funktionalitäts-Erweiterungen

• WebSocket-Integration für Echtzeit-Chat
• Datei-Upload für Präsentationen
• Erweiterte Benutzerverwaltung
• Export-Funktionen (PDF, Word)

🛡️ Sicherheit

• Eingabe-Validierung: Schutz vor Injection-Angriffen
• Content-Filterung: Automatische Moderation
• Session-Management: Sichere Benutzer-Sessions
• API-Schlüssel-Schutz: Umgebungsvariablen für sensible Daten

📊 Monitoring & Debugging

• Konsolen-Logging: Detaillierte Logs für Debugging
• Error-Tracking: Vollständige Fehlerprotokollierung
• Performance-Monitoring: API-Aufruf-Optimierung
• Audit-Trail: Benutzeraktivitäten nachverfolgbar

🤝 Contributing

1. Fork des Repositories
2. Feature-Branch erstellen (git checkout -b feature/AmazingFeature)
3. Änderungen committen (git commit -m 'Add some AmazingFeature')
4. Branch pushen (git push origin feature/AmazingFeature)
5. Pull Request erstellen

📝 Lizenz

Dieses Projekt steht unter der MIT-Lizenz. Siehe LICENSE Datei für Details.

🙏 Danksagungen

• OpenAI für GPT-4o-mini API
• Flask-Community für das excellente Framework
• Bootstrap für das responsive UI-Framework
• Alle Contributor und Tester