mitai-jinkendo/.claude/rules/LESSONS_LEARNED.md

# Lessons Learned

Fehler die gemacht wurden – damit sie nicht wiederholt werden.

## 1. Feature-Enforcement Rollback (20.03.2026)

**Was:** Membership-System Feature-Enforcement implementiert
**Problem:** Brach Analyse-Verlauf, Export-Sichtbarkeit und Zähler
**Rollback:** Commit 4fcde4a
**Lösung:** Einfaches ai_enabled + ai_limit_day System aktiv

**Regel:** Feature-Enforcement nie ohne vollständige Test-Suite aktivieren.
Zuerst Shadow-Mode (loggen aber nicht blockieren), dann schrittweise aktivieren.

## 2. session=Depends(require_auth) innerhalb Header()

**Was:** Automatisches Einfügen von Auth in bestehende Endpoints
**Problem:** `session` wurde innerhalb `Header(default=None, session=...)` eingebettet
**Folge:** FastAPI ignorierte Auth stillschweigend – Endpoint ungeschützt
**Lösung:** session immer als separater Parameter

```python
# ❌ Was passiert ist:
def endpoint(x: str = Header(default=None, session=Depends(require_auth))):

# ✅ Korrekt:
def endpoint(x: str = Header(default=None), session: dict = Depends(require_auth)):
```

## 3. PostgreSQL Migration – apt-get Probleme

**Was:** Docker Build mit apt-get postgresql-client
**Problem:** Build hing 30+ Minuten
**Lösung:** Reine Python-Lösung mit psycopg2-binary, kein apt-get

## 4. SQLite → PostgreSQL Datenmigration

**Probleme:**
- Leere date-Strings (`''`) → PostgreSQL wirft Fehler → zu NULL konvertieren
- Boolean: SQLite `0/1` → PostgreSQL `true/false`
- `?` Platzhalter → `%s`

## 5. dayjs.week() Plugin fehlt

**Was:** dayjs().week() ohne isoWeek-Plugin aufgerufen
**Problem:** Weißer Screen auf Verlauf/Ernährung
**Lösung:** Native ISO-Wochenberechnung (siehe FRONTEND.md)

## 6. Bun Crash bei langen Claude Code Sessions

**Was:** Claude Code CLI lief >30 Minuten
**Problem:** Bun (JS Runtime) crashed mit "Illegal instruction"
**Lösung:** Bei komplexen Tasks früher committen und neue Session starten

## 7. Docker Cache nach Dateiänderung

**Was:** main.py auf Pi kopiert, Container neu gestartet
**Problem:** Docker nutzte gecachten Layer – alte Datei im Container
**Lösung:** Immer `--no-cache` bei Änderungen am Code:
```bash
docker compose build --no-cache backend
```

## 8. Placeholder Registry Framework – Kritische Learnings (02.04.2026)

**Was:** Implementation von 14 Nutrition Placeholders mit neuem Registry Framework

### 8.1 OutputType.TEXT existiert nicht
**Problem:** `OutputType.TEXT` verursachte AttributeError  
**Richtig:** `OutputType.STRING` für Text-Outputs  
**Verfügbar:** NUMERIC, STRING, BOOLEAN, JSON, LIST, TEXT_SUMMARY

```python
# ❌ Falsch:
output_type=OutputType.TEXT

# ✅ Richtig:
output_type=OutputType.STRING
```

### 8.2 Time Window "mixed" ist problematisch
**Problem:** `time_window="mixed"` unklar für Export und Consumers  
**Lösung:** Dominante Zeitkomponente wählen, Rest als Kommentar
```python
# ❌ Unklar:
time_window="mixed"

# ✅ Klar:
time_window="7d"  # protein 7d avg; weight ist snapshot (secondary)
```

### 8.3 Units müssen präzise sein
**Problem:** Unpräzise Units führen zu Interpretationsproblemen
```python
# ❌ Unpräzise:
unit="score"
unit="kcal"

# ✅ Präzise:
unit="score (0-100)"
unit="kcal/day"
```

### 8.4 Date Aggregation bei CSV-Imports
**Problem:** Mehrere Einträge pro Tag → falsche "Tage"-Zählung  
**Lösung:** Immer `GROUP BY date, SUM()` für Tages-Aggregation

```python
# ❌ Falsch (zählt Einträge):
SELECT protein_g FROM nutrition_log WHERE date >= ...

# ✅ Richtig (zählt Tage):
SELECT date, SUM(protein_g) as daily_protein 
FROM nutrition_log 
WHERE date >= ...
GROUP BY date
```

**Betroffen:** Alle Funktionen die "Tage" zählen oder daily averages berechnen

### 8.5 Evidence-Based = Nie Raten
**Problem:** CODE_DERIVED falsch gesetzt ohne Code-Inspektion  
**Lösung:** Bei Unsicherheit UNRESOLVED oder TO_VERIFY nutzen

```python
# Wenn unklar:
metadata.set_evidence("field", EvidenceType.UNRESOLVED)  # ehrlich
# Nicht:
metadata.set_evidence("field", EvidenceType.CODE_DERIVED)  # halluziniert
```

### 8.6 Known Limitations = Dokumentations-Gold
**Problem:** Inkonsistenzen/Bugs verschwiegen  
**Erfolg:** Transparent dokumentiert in `known_limitations`

**Beispiel:**
```python
known_limitations=(
    "KRITISCHE INKONSISTENZ: Protein ist geglättet (7d average), "
    "Gewicht ist single-point (latest). Anfällig für Gewichts-Outlier."
)
```

**Regel:** Probleme dokumentieren statt verstecken. User entscheidet über Fixes.

### 8.7 Formeln explizit dokumentieren
**Problem:** "Berechnet Score" zu vage, nicht reproduzierbar  
**Erfolg:** Alle Formeln, Thresholds, TDEE-Modelle explizit dokumentiert

**Beispiel:**
```python
known_limitations=(
    "TDEE-MODELL: weight_kg × 32.5 (vereinfacht). "
    "NICHT berücksichtigt: Aktivitätslevel, Alter, Geschlecht."
)
```

### 8.8 No-Change Requirement ist absolut
**Problem:** Versuchung, offensichtliche Bugs zu fixen  
**Regel:** NUR dokumentieren, User entscheidet

**Beispiel:** `protein_g_per_kg` hat Zeitfenster-Inkonsistenz (7d protein / latest weight)
→ Dokumentiert in known_limitations, NICHT gefixed

### 8.9 Testing nach jedem Deploy
**Problem:** Fehler erst nach komplettem Cluster entdeckt  
**Erfolg:** Testing nach jedem Part (A, B, C) → frühe Fehlerkennung

**Workflow:**
1. Deploy Part A
2. Test Export
3. Werte verifizieren
4. Erst dann Part B

### 8.10 .claude in .gitignore
**Problem:** Versuch, `.claude/task/` Files zu committen  
**Lösung:** Nur `backend/` Code committen, `.claude/` ist local docs

---

**Zusammenfassung Nutrition Cluster:**
- 14 Placeholders erfolgreich implementiert
- 2 Bugs gefunden und behoben (OutputType, Date Aggregation)
- 2 Metadaten-Inkonsistenzen korrigiert (time_window, unit)
- Alle kritischen Formeln dokumentiert
- Framework bewährt und skalierbar