vt-c-messegelaende-cleanup

Bereinigt und vervollständigt Messegelände-Daten in Airtable anhand der Agent-Recherche-Ergebnisse. Korrigiert Namen, Flächen, identifiziert falsche Einträge und erstellt fehlende Hallen. Verwende diesen Skill wenn Messegelände-Daten geprüft, korrigiert oder vervollständigt werden sollen.

Plugin: core-standards
Category: Other
Command: /vt-c-messegelaende-cleanup

---

Messegelände-Datenbereinigung

Skill zur intelligenten Bereinigung von Messegelände-Daten basierend auf dem Airtable Agent-Feld "agent: detailrecherche zum gelände".

Zweck

Analysiert die Agent-generierten Recherche-Texte für jedes Messegelände und: 1. Korrigiert Namen (z.B. Adressen → korrekte Venue-Namen) 2. Vervollständigt Flächen (Innen- und Außenfläche) 3. Identifiziert falsche Einträge (Hallen statt Venues) 4. Erstellt fehlende Hallen mit korrekten Größen 5. Verifiziert Messegesellschaft (Betreiber)

Airtable-Konfiguration

Base ID: appiHEZpBUKiob9CD

Tabellen:
- Messegelände: tblczW4qZfe06cd6N
- Hallen: tblDgkc3SdrWYCnh5
- Companies: tbl4U3xdsw3wTdWmI

Schlüsselfelder Messegelände:
- Messegelände (Name): fldhufuHUsPhOaiFU
- Fläche innen: flddKrpmBNRzGhudS
- Fläche Aussen: fldQnNzDueVmdOrV6
- Messegesellschaft: [Link zu Companies]
- agent: detailrecherche zum gelände: [AI Button Feld]

Schlüsselfelder Hallen:
- Hallen-Name: [Primary Field]
- Hallengröße (qm): [Number]
- Messegelände: [Link zu Messegelände]

Workflow

Phase 1: Analyse eines einzelnen Messegeländes

Für jedes Messegelände den Agent-Text analysieren und strukturierte Korrekturen ableiten:

INPUT: Agent-Recherche-Text für ein Messegelände
OUTPUT: Strukturierte Korrektur-Vorschläge mit Konfidenz-Level

Phase 2: Korrektur-Typen

Typ	Beschreibung	Aktion
name_correction	Name ist falsch/Adresse statt Name	Umbenennen
area_indoor	Innenfläche fehlt/falsch	Aktualisieren
area_outdoor	Außenfläche fehlt/falsch	Aktualisieren
is_actually_hall	Eintrag ist Halle, nicht Venue	Manuell prüfen
missing_halls	Hallen fehlen im System	Anlegen
company_rename	Messegesellschaft-Name korrigieren	Umbenennen

Phase 3: Ausgabeformat (JSON)

{
  "venue_id": "recXXX",
  "venue_name": "Aktueller Name",
  "confidence": "high|medium|low",
  "changes": [
    {
      "type": "name_correction",
      "old_value": "Avda. Ramón Pradera s/n, 47009 Valladolid",
      "new_value": "Feria de Valladolid",
      "reason": "Name enthält Adresse statt Venue-Name",
      "confidence": "high"
    },
    {
      "type": "area_indoor",
      "old_value": 0,
      "new_value": 100000,
      "unit": "qm",
      "reason": "Agent nennt 100.000 m² Innenfläche",
      "confidence": "high"
    }
  ],
  "new_halls": [
    {
      "name": "Halle 1",
      "size_qm": 10000,
      "confidence": "high"
    }
  ],
  "manual_review_needed": false,
  "notes": "Alle Änderungen automatisiert durchführbar"
}

Entscheidungslogik

Namenskorrektur erkennen

WENN Name enthält:
  - Vollständige Adresse (Straße + PLZ + Ort)
  - Nur PLZ und Ort
  - Koordinaten
  - "N/A" oder Platzhalter
DANN: name_correction vorschlagen

Flächenextraktion

Aus Agent-Text extrahieren:
- "X m² Hallenfläche/Innenfläche/Ausstellungsfläche" → area_indoor
- "X m² Außen-/Freigelände" → area_outdoor

Validierung:
- Innenfläche typisch: 10.000 - 500.000 m²
- Außenfläche typisch: 5.000 - 100.000 m²
- WARNUNG wenn Außen > Innen (untypisch)

"Ist eigentlich Halle" erkennen

POSITIV (ist Halle):
- "ist eine Halle innerhalb von..."
- "gehört zum Messegelände..."
- "ist Teil des Geländes..."
- "ist kein eigenständiges Venue"

NEGATIV (ist NICHT Halle - IGNORIEREN):
- "Teil des offiziellen Namens"
- "interne ID"
- "Datensatz-ID"
- "Firmenbezeichnung"

Hallen erkennen

Im Agent-Text suchen nach:
- Aufzählungen mit "Halle X" oder "Hall X"
- Größenangaben in m² oder qm
- Tabellen mit Hallen-Übersichten

Format: "Halle 1: 10.000 m²" → {name: "Halle 1", size_qm: 10000}

Konfidenz-Level

Level	Bedeutung	Aktion
high	Eindeutige Information im Agent-Text	Automatisch anwenden
medium	Plausible Interpretation	Automatisch anwenden mit Logging
low	Unsicher/widersprüchlich	Manuell prüfen vor Anwendung

Batch-Verarbeitung

Schritt 1: Alle Messegelände laden

GET /v0/{base_id}/tblczW4qZfe06cd6N
Filter: agent-Feld hat state="generated"

Schritt 2: Pro Messegelände analysieren

for venue in venues:
    agent_text = venue["agent: detailrecherche zum gelände"]["value"]
    corrections = analyze_venue(agent_text, venue)
    if corrections["confidence"] in ["high", "medium"]:
        apply_corrections(corrections)
    else:
        add_to_manual_review(corrections)

Schritt 3: Report generieren

Ausgabe als Markdown mit: - Erfolgreich korrigierte Venues - Neu angelegte Hallen - Umbenannte Messegesellschaften - Zur manuellen Prüfung

Sicherheitsmaßnahmen

1. Dry-Run-Modus: Erst alle Änderungen sammeln, dann bestätigen lassen
2. Rollback-Log: Alte Werte speichern für Wiederherstellung
3. Rate-Limiting: 0.25s zwischen API-Aufrufen
4. Konfidenz-Filter: Low-Confidence nie automatisch anwenden

Verwendung

Option A: Python-Skript mit Claude API

Das Skript /tmp/cleanup_with_claude.py analysiert den existierenden Agent-Text direkt mit Claude:

# Anthropic API Key setzen
export ANTHROPIC_API_KEY='sk-ant-...'

# Dry-Run (nur Report)
python3 /tmp/cleanup_with_claude.py --dry-run

# Einzelnes Venue testen
python3 /tmp/cleanup_with_claude.py --venue recXXX --dry-run

# Änderungen anwenden
python3 /tmp/cleanup_with_claude.py --apply

Vorteile: - Nutzt existierendes "agent: detailrecherche zum gelände" Feld - Kein zusätzliches Airtable-Feld nötig - Volle Kontrolle über den Analyseprozess

Nachteile: - Erfordert Anthropic API Key - Kosten pro Analyse (~$0.02 pro Venue mit Claude Sonnet)

Option B: Airtable Agent-Feld

Ein neues AI Button Feld in Airtable erstellen (siehe Setup-Anleitung):

# Nach Agent-Ausführung in Airtable:
python3 /tmp/apply_cleanup_suggestions.py --dry-run
python3 /tmp/apply_cleanup_suggestions.py --apply

Vorteile: - Ergebnisse direkt in Airtable sichtbar - Keine lokale API-Konfiguration nötig

Nachteile: - Zusätzliches Feld in Airtable erforderlich - Airtable AI Credits werden verbraucht

Skripte

Skript	Zweck
/tmp/cleanup_with_claude.py	Analyse mit Claude API
/tmp/apply_cleanup_suggestions.py	Anwendung von Airtable Agent-Ergebnissen

Referenzen

• Airtable Schema
• Airtable Agent Prompt
• Setup-Anleitung
• Venue Hall Research Skill