Airtable Setup: Bereinigungsvorschlag Agent-Feld¶

Schritt-für-Schritt Anleitung¶

1. Neues AI Button Feld erstellen¶

Öffne die Airtable Base: appiHEZpBUKiob9CD
Gehe zur Tabelle Messegelände (tblczW4qZfe06cd6N)
Klicke auf + um ein neues Feld hinzuzufügen
Wähle AI → AI Button
Benenne das Feld: agent: bereinigungsvorschlag

2. Prompt konfigurieren¶

Füge folgenden Prompt ein:

Analysiere die Recherche-Ergebnisse aus dem Feld "agent: detailrecherche zum gelände" und erstelle strukturierte Korrekturvorschläge für dieses Messegelände.

AKTUELLER DATENSATZ:
- Name: {Messegelände}
- Innenfläche: {Fläche innen} m²
- Außenfläche: {Fläche Aussen} m²
- Messegesellschaft: {Messegesellschaft}

RECHERCHE-TEXT:
{agent: detailrecherche zum gelände}

AUFGABE:
Erstelle einen JSON-Block mit Korrekturvorschlägen. Prüfe dabei:

1. NAME: Ist der aktuelle Name korrekt? Enthält er eine Adresse statt des Venue-Namens?
2. INNENFLÄCHE: Stimmt die Innenfläche mit den Recherche-Ergebnissen überein?
3. AUSSENFLÄCHE: Stimmt die Außenfläche mit den Recherche-Ergebnissen überein?
4. IST-HALLE: Ist dieser Eintrag eigentlich eine Halle innerhalb eines anderen Venues?
5. HALLEN: Welche Hallen werden im Recherche-Text genannt, die noch nicht im System sind?
6. MESSEGESELLSCHAFT: Ist der Betreiber korrekt eingetragen?

WICHTIGE REGELN:
- UNTERSCHEIDE zwischen "Teil des offiziellen Namens" (=NICHT Halle) und "Teil eines anderen Venues" (=IST Halle)
- Wenn der Agent-Text sagt "interne ID", "Datensatz-ID", "Firmenbezeichnung" - das sind KEINE Hinweise auf Hallen
- Nur wenn explizit steht "ist eine Halle innerhalb von X" oder "gehört zum Messegelände Y" → is_actually_hall = true

AUSGABEFORMAT (NUR JSON, KEIN TEXT DRUMHERUM):
{
  "summary": "Kurze Zusammenfassung der Änderungen (1-2 Sätze)",
  "overall_confidence": "high|medium|low",
  "needs_manual_review": true|false,

  "name_correction": {
    "needed": true|false,
    "old_value": "aktueller Name oder null",
    "new_value": "korrekter Name oder null",
    "reason": "Begründung oder null",
    "confidence": "high|medium|low"
  },

  "area_indoor": {
    "needed": true|false,
    "old_value": 0,
    "new_value": 100000,
    "reason": "Quelle/Begründung oder null",
    "confidence": "high|medium|low"
  },

  "area_outdoor": {
    "needed": true|false,
    "old_value": 0,
    "new_value": 50000,
    "reason": "Quelle/Begründung oder null",
    "confidence": "high|medium|low"
  },

  "is_actually_hall": {
    "detected": true|false,
    "parent_venue": "Name des übergeordneten Venues oder null",
    "reason": "Begründung oder null",
    "confidence": "high|medium|low"
  },

  "missing_halls": [
    {
      "name": "Halle 1",
      "size_qm": 10000,
      "source": "Quelle",
      "confidence": "high|medium|low"
    }
  ],

  "company_correction": {
    "needed": true|false,
    "old_value": "aktueller Name oder null",
    "new_value": "korrekter Name oder null",
    "reason": "Begründung oder null",
    "confidence": "high|medium|low"
  },

  "notes": "Zusätzliche Hinweise für manuelle Prüfung oder null"
}

3. Feldeinstellungen¶

Model: Claude (empfohlen) oder GPT-4
Button Label: "Bereinigungsvorschlag generieren"

4. Agent für alle Datensätze ausführen¶

Option A: Manuell (einzeln) 1. Gehe zu jedem Messegelände-Record 2. Klicke auf den AI Button

Option B: Bulk-Ausführung (alle) 1. Gehe in die Grid-Ansicht 2. Klicke auf das Feld "agent: bereinigungsvorschlag" im Header 3. Wähle "Run for all records" (oder "Für alle Datensätze ausführen") 4. Warte auf Completion (kann 30-60 Minuten dauern bei 212 Records)

5. Ergebnisse anwenden¶

Nach der Agent-Ausführung das Python-Skript starten:

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

# Report prüfen
cat /tmp/cleanup_agent_report.md

# Dann Änderungen anwenden
python3 /tmp/apply_cleanup_suggestions.py --apply

Alternativer Workflow: Direkt in Claude Code¶

Statt das Airtable Agent-Feld zu nutzen, kann auch direkt in Claude Code analysiert werden:

Alle Messegelände mit Agent-Recherche laden
Pro Messegelände den Claude-Prompt ausführen
JSON-Ergebnis parsen und Änderungen anwenden

Dieser Ansatz ist flexibler, erfordert aber mehr API-Calls.

Fehlerbehebung¶

Problem: JSON wird nicht korrekt geparst¶

Lösung: Der Agent-Output enthält manchmal Markdown-Formatierung. Das Skript versucht JSON aus Codeblocks zu extrahieren. Bei Problemen den Raw-Output in Airtable prüfen.

Problem: Zu viele "needs_manual_review"¶

Lösung: Der Prompt könnte zu streng sein. Die Konfidenz-Schwelle im Prompt anpassen oder im Skript medium statt high akzeptieren.

Problem: Rate Limiting¶

Lösung: Das Skript hat bereits 0.25s Delay. Bei Problemen auf 0.5s erhöhen oder Batch-Size reduzieren.