perinco-CRM/docs/03-scanner.md

03 Projekt Scanner

Der Scanner durchsucht Projektbörsen nach Aufträgen und bewertet jeden Fund mit OpenAI gegen die Lebensläufe der Berater. Er ist eine vollständige Portierung der eigenständigen App, die er seit dem 09.09.2026 ersetzt (Rückbau).

Ein Suchlauf

sequenceDiagram
    participant C as node-cron<br/>jede Minute
    participant P as Pipeline
    participant PW as Playwright
    participant B as Projektboersen
    participant DB as perinco_scanner
    participant AI as OpenAI gpt-4o-mini
    participant M as SMTP

    C->>P: fällig? (Intervall, Mo-Fr, 07-22 Uhr, Sperrfrist)
    P->>P: läuft schon einer? dann abbrechen
    P->>DB: aktive Agenten laden
    P->>P: Keywords aller Agenten zusammenfuehren
    P->>DB: Portal-Sessions laden

    loop je Portal
        P->>PW: Chromium starten, Cookies setzen
        PW->>B: Suchseite je Keyword
        B-->>PW: Projektkarten
        PW-->>P: Projekte (Titel, Beschreibung, Ort, Rate, URL)
    end

    loop je Projekt x Agent
        P->>DB: Treffer schon vorhanden? dann weiter
        P->>P: Ausschlussbegriff im Text? dann weiter
        P->>AI: Lebenslauf vs. Projektbeschreibung
        AI-->>P: { matchPercentage, pros[], cons[] }
        P->>DB: Treffer speichern
        alt Prozent >= Benachrichtigungs-Schwelle
            P->>M: E-Mail an Agent oder Standardempfaenger
        end
    end

    opt Abgleich aktiv, Projekt hat Treffer, noch nicht geprüft
        P->>P: Akquise und Opportunities der letzten N Tage laden
        P->>AI: gpt-5.6-luna: Projekt vs. CRM-Einträge
        AI-->>P: { matches: [{ type, id, reason }] }
        P->>DB: already_applied, applied_refs, applied_check_at
    end

Zwei Sparmassnahmen stecken bewusst vor dem OpenAI-Aufruf: der vorhandene Treffer (Unique-Key agent_id, project_id) und die Ausschlussbegriffe. Ein Projekt, das „Arbeitnehmerüberlassung" enthält, kostet damit keinen Cent.

Bewertungsprompt

Den Systemprompt der Bewertung Lebenslauf gegen Projekt enthält services/matchingEngine.js. Seit dem 24.09.2026 gilt eine neue Fassung. Die alte liegt wörtlich in server/src/scanner/prompts/matching-backup-2026-09-24.txt. Zum Zurückstellen setzt man sie wieder als systemPrompt ein.

Warum er ersetzt wurde. Lisa und Ariane (Marketing, Kommunikation, PMO) bekamen bei rund 1700 Bewertungen keinen Wert über 80 %. Bei einer Anzeigeschwelle von 85 % erschienen sie also nie im Dashboard. Zwei Ursachen im alten Prompt:

• Abgeschriebenes Beispiel. Das JSON-Beispiel enthielt den Con „Berater listet Deutsch nur auf B2-Niveau". Das Modell hat ihn in 1584 von rund 10 000 Bewertungen übernommen, auch bei Lebensläufen, die Deutsch ohne Niveau nennen. So kostete eine erfundene Lücke jedes Mal Punkte.
• Knappe Beschreibungen. Freelancermap liefert im Schnitt 99 Zeichen, also praktisch nur den Titel. Ohne Regel dafür bewertete das Modell vorsichtig niedrig. Profile mit einem klaren Technik-Schlagwort (etwa „M365") kamen damit noch durch, allgemeinere Profile nicht.

Was der neue Prompt festlegt:

• nur, was in Lebenslauf und Beschreibung steht. Sprache, Reisen, Zertifikate nennt das Modell nur, wenn das Projekt sie ausdrücklich fordert
• eine Sprache ohne Niveau gilt als vorhanden
• bei knapper Beschreibung wird die Rolle aus dem Titel bewertet, fehlende Details sind kein Minuspunkt
• eine feste Skala in fünf Stufen (90-100 genau passend bis 0-29 anderes Fach)
• das Profil wird nach seinem eigenen Fach bewertet, nicht nach technischer Tiefe
• Platzhalter im Schema statt Beispielinhalt, leere Cons sind erlaubt

Stichprobe vor dem Rollout (33 Paare aus Lisa, Ariane und Tobias, gespeicherter Wert gegen neuen Prompt, gleiches Modell): passende Rollen stiegen von 80 auf 85-90 (Ariane: Change Manager Kommunikation, Marketing & Communications). Fachfremde Projekte fielen von 30-60 auf 0-30. Tobias' M365-Treffer blieben bei 90-95.

Bereits gespeicherte Treffer werden nicht neu bewertet (Unique-Key agent_id, project_id). Die neue Skala gilt für Projekte, die nach dem Deployment gefunden werden.

Abgleich „bereits beworben!"

Dieselbe Ausschreibung kommt oft mehrfach: über zwei Börsen, über mehrere Vermittler, mit anderem Titel und anderem Link. Damit niemand ein Projekt ein zweites Mal anbietet, gleicht services/appliedCheck.js jeden Fund mit der Akquise-Liste (crm_acquisitions) und den Opportunities (crm_opportunities) ab. Steht er dort schon, trägt der Treffer im Dashboard, unter Unpassend und im Detail die Markierung bereits beworben!; das Detail nennt die passenden Einträge samt Begründung.

flowchart TD
    A["Projekt im Lauf verarbeitet"] --> B{"applied_check_active?"}
    B -->|nein| X["nichts tun"]
    B -->|ja| C{"schon geprüft?<br/>applied_check_at"}
    C -->|ja| X
    C -->|nein| D{"mindestens ein Treffer?"}
    D -->|nein| X
    D -->|ja| E["Kandidaten laden:<br/>Akquise found_at, Opportunities created_at<br/>der letzten N Tage, ohne Papierkorb"]
    E --> F{"Kandidaten?"}
    F -->|nein| N["nicht beworben"]
    F -->|ja| G{"gleicher Link?"}
    G -->|ja| Y["bereits beworben"]
    G -->|nein| H["gpt-5.6-luna, reasoning_effort low"]
    H -->|Treffer mit bekannter Id| Y
    H -->|keine| N
    N --> S["am Projekt speichern"]
    Y --> S

Einstellung	Vorgabe	Bedeutung
applied_check_active	true	Schalter in Einstellungen → Scanner
applied_check_days	14	Zeitraum zurück, in Tagen (Oberfläche: Tage oder Wochen), höchstens 365

Entscheidungen dahinter:

• Eigenes Modell. Die Bewertung CV gegen Projekt nutzt als Vorgabe gpt-4o-mini, der Abgleich gpt-5.6-luna - beide umstellbar unter Einstellungen → KI (siehe 14 KI). Der Abgleich muss umformulierte Ausschreibungen als dieselbe erkennen und ähnliche Rollen bei anderem Kunden auseinanderhalten - das ist ein Urteil, kein Textvergleich. Der Schlüssel ist derselbe openai_api_key.
• Einmal je Projekt, nur mit Treffer. Die Börsen liefern bei jedem Lauf dieselben Projekte erneut; applied_check_at verhindert, dass sie jedes Mal bezahlt werden. Projekte ohne Treffer zeigt die Oberfläche nie an.
• Gleicher Link braucht keine KI. Verglichen wird ohne Protokoll, www, Query und Schrägstrich am Ende.
• Nur Ids, die wir geschickt haben. Nennt das Modell eine unbekannte Id, zählt sie nicht.
• Fehler setzen aus, nicht ab. Scheitert der Aufruf (Schlüssel, Quote, Netz), bleibt der Abgleich für den Rest des Laufs aus und das Projekt ungeprüft - der nächste Lauf versucht es wieder. Die Bewertung läuft davon unberührt weiter.
• Momentaufnahme. Geprüft wird beim Fund. Wird die Bewerbung erst danach in der Akquise erfasst, holt Auf Bewerbung prüfen im Detail den Abgleich von Hand nach (POST /projects/:id/applied-check, auch bei abgeschaltetem Automatismus).

Die drei Spalten an projects legt initScannerDatabase() per ALTER TABLE ... ADD COLUMN IF NOT EXISTS an - sync() ohne alter tut das in bestehenden Tabellen nicht.

Wann läuft er

flowchart TD
    T["Cron-Tick, jede Minute"] --> A{"scanning_active?"}
    A -->|nein| STOP1["nichts tun"]
    A -->|ja| B{"Intervall geändert?"}
    B -->|ja| RE["neu planen"]
    B -->|nein| C{"Sperrfrist<br/>nur beim allerersten Start"}
    C -->|noch aktiv| STOP2["nichts tun"]
    C -->|abgelaufen| D{"Mo-Fr?"}
    D -->|nein| STOP3["nichts tun"]
    D -->|ja| E{"07:00-21:59?"}
    E -->|nein| STOP4["nichts tun"]
    E -->|ja| S["last_scan_at aus der DB lesen<br/>(fängt manuelle Läufe mit ein)"]
    S --> F{"Intervall seit<br/>letztem Lauf um?"}
    F -->|nein| STOP5["nichts tun"]
    F -->|ja| G["Pipeline starten"]
    G --> W["last_scan_at = Beginn des Laufs"]

Geschrieben wird der Beginn des Laufs, nicht sein Ende. Das Intervall ist ein Takt: mit dem Endzeitpunkt kam die Laufzeit von drei bis vier Minuten jedes Mal obendrauf, aus 15 Minuten wurden 19 - rund ein Fuenftel weniger Durchgaenge pro Tag, und die Trefferliste der Boersen zeigt nur die neuesten Projekte.

Die Sperrfrist war die Antwort auf ein konkretes Problem des Parallelbetriebs: beide Instanzen benutzten dieselben Portal-Cookies. Beim ersten Start zogen sonst beide gleichzeitig los, was Rate-Limits und CAPTCHAs provozierte - und zwei Chromium gleichzeitig belasten den Speicher doppelt. Seit dem Rückbau der alten App steht SCANNER_SCHEDULER_OFFSET auf 0; die Mechanik bleibt im Code, weil sie bei jedem Erststart einer weiteren Instanz wieder greift.

Der Zeitpunkt des letzten Laufs steht in settings.last_scan_at. Das ist kein Luxus, sondern nach zwei beobachteten Fehlern nötig:

Erster Fehler: Der Versatz war über einen vorgealterten lastRunTime gebaut. Ein Zeitstempel kann einen Lauf aber nur vorziehen, nie verzögern - bei Intervall 15 und Versatz 30 lief er sofort. Seither eine eigene Frist (notBefore).

Zweiter Fehler: Diese Frist begann bei jedem Neustart von vorn. Zwei Deployments im Abstand von zehn Minuten haben den fälligen Lauf zweimal um eine halbe Stunde verschoben - er fand nie statt. Wer öfter als alle 30 Minuten deployt, hätte einen Scanner, der nie automatisch sucht. Deshalb liegt der Zeitpunkt jetzt in der Datenbank, und der Versatz greift nur, solange dort noch nichts steht.

Der gespeicherte Zeitpunkt wird auch im Tick gelesen: ein manueller Scan aus der Oberfläche schreibt ihn, weiß aber nichts von der Variablen im Scheduler. Ohne den Abgleich könnte der Scheduler direkt hinter einem manuellen Lauf noch einmal losziehen.

Ein Lauf zur Zeit

Zwei Aufrufer können die Pipeline starten: der Cron-Tick und der Knopf "Jetzt scannen" (POST /api/scanner/scan). Keiner von beiden weiß vom anderen, und der Tick prüft nur die verstrichene Zeit - nicht, ob der vorige Lauf noch arbeitet. Ein voller Lauf dauert länger als das Intervall (43 Suchbegriffe über mehrere Börsen), also überholen sich die Läufe und stapeln sich auf.

Deshalb hält pipeline.js ein Modul-Flag. Beide Aufrufer teilen es, weil beide dasselbe Modul importieren:

let pipelineRunning = false;
let pipelineStartedAtMs = null;
const PIPELINE_MAX_RUNTIME_MS = 60 * 60 * 1000;

export const runMatchingPipeline = async () => {
  if (pipelineRunning) { /* ... überspringen ... */ }
  pipelineRunning = true;
  pipelineStartedAtMs = Date.now();
  try {
    return await executePipeline();
  } finally {
    pipelineRunning = false;   // zwingend im finally
    pipelineStartedAtMs = null;
  }
};

Das finally ist der wichtigste Teil. Würde das Flag am Ende des try-Blocks zurückgesetzt, bliebe es nach einer Ausnahme für immer true - der Scanner würde bis zum nächsten Neustart des Dienstes nie wieder suchen. Das wäre schlimmer als die Überlappung, gegen die die Sperre da ist.

Die Route fragt zusätzlich isPipelineRunning() ab und antwortet mit 409, statt einen Start zu melden, den die Sperre gleich darauf verwirft.

Warum das nötig ist - der Vorfall vom 26.08.2026. Die alte App (scanner.perinco.de) hatte diese Sperre nicht. Gemessen an diesem Tag: fünf Pipeline-Starts in 16 Minuten, zwei davon zehn Sekunden auseinander. Jeder Lauf startet eigene Chromium-Instanzen, jede mit rund fünf Unterprozessen - in Summe 31 chrome-headless-shell-Prozesse und 1,62 GB RSS im Dienst, nach 2 Monaten 23 Tagen ohne Neustart. Auf einer Box mit 4 Kernen und 7,7 GiB RAM ergab das Load Average 126, 168 MB freien Speicher und einen zu 100 % gefüllten Swap. Die Maschine war im Thrashing und nahe am OOM-Killer; selbst systemctl und SSH brauchten Minuten. Ein Neustart brachte Load 0,87 und 277 MB RSS zurück.

Wichtig für die Fehlersuche: die Chromium-Prozesse waren kein Leck. Alle Scraper schließen ihren Browser in einem finally. Die 31 Prozesse waren schlicht fünf gleichzeitige Läufe mal mehrere Börsen - die Sperre allein behebt das.

Die Sperre schützt gegen Überholen, nicht gegen einen Lauf, der gar nicht zurückkommt. Hängt ein Browser oder steht eine Verbindung, läuft das finally nie. Dagegen das Notventil PIPELINE_MAX_RUNTIME_MS: läuft die Sperre länger als eine Stunde, gibt der nächste Aufruf sie frei und startet neu. So erholt sich der Scanner selbst, statt auf ein Deployment zu warten.

Rückbau der alten App - 09.09.2026

Der Scanner lief seit dem Rollout am 06.08.2026 parallel zur eigenständigen Vorgänger-App unter scanner.perinco.de. Diese ist am 09.09.2026 vollständig zurückgebaut. Verschwunden sind:

Weg	War
Unit project-scanner-backend	Express auf 0.0.0.0:5005
Vhosts scanner.perinco.de(.conf/-le-ssl.conf)	eigener Apache-Vhost, Basic Auth
Zertifikat scanner.perinco.de	eigenes Let's-Encrypt-Zert samt Renewal-Config
/var/www/Projekt Scanner	486 MB Code, node_modules, 19 CV-PDFs
Datenbank project_scanner	16,2 MB; Dump liegt unter /root/backups/project_scanner_20260909-173447.sql.gz
LEGACY_* in server/.env	Quelle des Importskripts
server/src/scanner/importLegacy.js	npm run scanner:import

Was bewusst stehen geblieben ist: /root/.cache/ms-playwright (641 MB, Build chromium-1223). Der Cache stammt aus der Installation der alten App, aber PLAYWRIGHT_BROWSERS_PATH ist nirgends gesetzt - beide Apps haben ihn benutzt, und playwright ist im CRM auf exakt 1.60.0 gepinnt, damit es genau dieser Build bleibt. Wer den Cache mit dem alten Verzeichnis löscht, nimmt dem CRM-Scanner den Browser. Der Ordner /var/www/Projekt Scanner/backend/.playwright war dagegen toter Ballast einer Installation mit gesetztem PLAYWRIGHT_BROWSERS_PATH und ist mit dem Verzeichnis mitgegangen.

Was der Rückbau ändert:

• Kosten: Beide Instanzen haben dieselben Projekte unabhängig voneinander bewertet, die OpenAI-Kosten fielen doppelt an. Faktisch war das schon am 09.09.2026 um 08:49 vorbei - da wurde scanning_active in der alten Oberfläche auf false gesetzt, letzter Lauf dort 09:02.
• Portal-Sessions: Beide Instanzen benutzten dieselben Cookies der Projektbörsen. Der Grund für SCANNER_SCHEDULER_OFFSET fällt damit weg, der Wert steht jetzt auf 0. Rate-Limits und CAPTCHAs durch zwei gleichzeitig scrapende Chromium-Sätze sind Geschichte.
• Speicher: rund 200 MB RSS und ein zweiter Playwright-Satz weniger auf einer Box mit 7,7 GiB.
• Daten: Nicht übernommen wurden 13380 Treffer, die es nur in der alten Datenbank gab, darunter 92 als reviewed und 5 als applied markierte. Ein nachträglicher Import war nicht sinnvoll: das Importskript vergibt die Original-Ids und wäre mit den vorhandenen Ids in perinco_scanner kollidiert. Der Bestand war ohnehin flüchtig - der Aufräumjob hält nur die jüngsten Tage. Wer doch etwas sucht, greift auf den Dump zurück.

Die Domain scanner.perinco.de zeigt weiter auf den Server, hat aber keinen eigenen Vhost mehr: HTTP landet beim ersten aktivierten Vhost, HTTPS gibt eine Zertifikatswarnung. Der DNS-Eintrag muss beim Anbieter gelöscht werden.

Oberfläche

Reiter	Datei	Inhalt
Dashboard	ScannerDashboard.tsx	Kennzahlen, Filter, Trefferliste, Jetzt scannen, Ton bei neuen Treffern
Unpassend	ScannerRejected.tsx	Treffer mit Status rejected
Suchagenten	ScannerAgents.tsx	Beraterprofile, CV-Upload
Börsen-Konten	ScannerPortals.tsx	Verbindungsstatus, Zugangsdaten, Cookie-Import
Einstellungen	settings/ScannerSettings.tsx	Intervall, Schwellenwerte, Abgleich mit Akquise/Opportunities, Ton, E-Mail (Schlüssel und Modelle: settings/AiSettings.tsx)

Wichtig zum Ton: Er hängt an der Dashboard-Komponente. Wer auf einen anderen Menüpunkt wechselt, hört nichts - die Komponente wird ausgebaut und die 30-Sekunden-Abfrage endet. In einem anderen Browsertab bleibt der Ton dagegen aktiv, nur langsamer (Chrome bremst Timer versteckter Tabs auf etwa einmal pro Minute) und nur, wenn zuvor irgendwo auf der Seite geklickt wurde (Autoplay-Regel). Browserunabhängig meldet nur die E-Mail.

Schwellen pro Benutzer: Anzeige ab % und Hinweis ab % im Dashboard gehören dem angemeldeten Benutzer (crm_users.scanner_display_threshold, scanner_match_threshold, gelesen und geschrieben über /my-thresholds). NULL heißt: der globale Wert aus den Scanner-Einstellungen gilt. Die Schwelle für die E-Mail bleibt global (match_threshold), weil die Pipeline ohne Benutzer läuft. Die KI-Suche filtert Scanner-Treffer mit der Anzeigeschwelle des Suchenden.

Endpunkte

Alle unter /api/scanner, alle hinter requireAuth:

Methode	Pfad	Zweck
GET	/agents	Liste ohne cvText (Nutzlast)
POST/PUT	/agents[/:id]	anlegen/ändern, multipart mit CV
DELETE	/agents/:id	Agent samt CV-Datei
GET	/agents/:id/cv	PDF als Stream
GET	/portals	Status ohne Geheimnisse
POST	/portals/credentials	Zugangsdaten, AES-verschlüsselt
POST	/portals/sync-session	Cookie-Import, normalisiert für Playwright
POST	/portals/test-connection/:id	Mini-Scrape bzw. Session-Prüfung
GET	/matches	Filter: status, agentId, minPercentage, limit
PUT/DELETE	/matches/:id	Status setzen, löschen
POST	/projects/:id/applied-check	Abgleich „bereits beworben!" von Hand wiederholen
GET/POST	/settings	Geheimnisse maskiert
GET/PUT	/my-thresholds	eigene Schwellen des angemeldeten Benutzers, null = Standard
POST	/scan	Lauf starten, 409 wenn schon einer läuft
GET	/status	läuft ein Lauf, Scheduler an, Datenbankname