mitai-jinkendo/docs/NEXT_STEPS_2026-03-26.md

# Nächste Schritte nach Phase 0a

**Stand:** 26. März 2026, nach Completion von Phase 0a (Goal System)
**Aktueller Branch:** `develop`
**Deployed:** `dev.mitai.jinkendo.de`

---

## Aktueller Stand ✅

### Abgeschlossen
- ✅ **Phase 0a:** Minimal Goal System (Strategic + Tactical)
  - Migration 022, goals.py Router, GoalsPage UI
  - Navigation von Dashboard + Analysis
  - Mobile-friendly Design
  - **Basis vorhanden für 120+ goal-aware Platzhalter**

### Offene Gitea Issues
- 🔲 **#49:** Prompt-Zuordnung zu Verlaufsseiten (6-8h)
- 🔲 **#47:** Wertetabelle Optimierung (4-6h)
- 🔲 **#46:** KI Prompt-Ersteller (später)
- 🔲 **#45:** KI Prompt-Optimierer (später)
- 🔲 **#43, #42:** Enhanced Debug UI (später)

---

## Option A: Issue #49 - Prompt Page Assignment ⚡

**Aufwand:** 6-8 Stunden
**Priorität:** Medium
**Typ:** UX Enhancement
**Labels:** feature, ux, enhancement

### Beschreibung
KI-Prompts flexibel auf verschiedenen Verlaufsseiten verfügbar machen. Jeder Prompt kann auf mehreren Seiten gleichzeitig angeboten werden (Mehrfachauswahl).

### Problem
**Aktuell:**
- Prompts nur über zentrale Analyse-Seite verfügbar
- Kein kontextbezogener Zugriff auf relevante Analysen
- User muss immer zur Analyse-Seite navigieren

**Beispiel-Szenario:**
```
User ist auf: Gewicht → Verlauf
Will: Gewichtstrend analysieren
Muss: Zur Analyse-Seite → Prompt auswählen → Zurück
```

**Wünschenswert:**
```
User ist auf: Gewicht → Verlauf
Sieht: "🤖 KI-Analyse" Widget mit relevanten Prompts
Kann: Direkt "Gewichtstrend-Analyse" starten
```

### Technische Umsetzung

**Backend (2h):**
```sql
-- Migration 023
ALTER TABLE ai_prompts ADD COLUMN available_on JSONB DEFAULT '["analysis"]';

-- Beispiel:
{
  "slug": "weight_trend",
  "available_on": ["analysis", "weight_history"]
}
```

**API:**
```python
# Neuer Endpoint
GET /api/prompts/for-page/{page_slug}
  → Returns: List[Prompt] where available_on contains page_slug

# CRUD erweitern
PUT /api/prompts/unified/{id}
  → Body: {..., "available_on": ["analysis", "weight_history"]}
```

**Frontend (4h):**
```javascript
// Wiederverwendbare Komponente
<PagePrompts pageSlug="weight_history" />

// UnifiedPromptModal erweitern
const PAGE_OPTIONS = [
  { value: 'analysis', label: '📊 Analyse (Hauptseite)', default: true },
  { value: 'weight_history', label: '⚖️ Gewicht → Verlauf' },
  { value: 'nutrition_history', label: '🍎 Ernährung → Verlauf' },
  // ... 9 Optionen total
]

// Multi-select checkboxes in Prompt-Editor
```

**Integration in Verlaufsseiten (2h):**
- WeightPage, NutritionPage, ActivityPage erweitern
- Widget unterhalb Charts einfügen
- Modal für Inline-Analyse

### Vorteile
- ✅ Schneller Nutzen (UX-Verbesserung sofort sichtbar)
- ✅ Nutzt bestehendes Unified Prompt System (Issue #28)
- ✅ Relativ einfache Implementierung
- ✅ Bereitet vor für Phase 0b (neue Platzhalter dann sofort auf allen Seiten nutzbar)

### Nachteile
- ⚠️ Verzögert strategische Tiefe (goal-aware Analysen)
- ⚠️ Erst sinnvoll wenn mehr Prompts existieren

**Dokumentation:** Siehe `docs/issues/issue-51-prompt-page-assignment.md`

---

## Option B: Phase 0b - Goal-Aware Placeholders 🎯

**Aufwand:** 16-20 Stunden
**Priorität:** High (strategisch kritisch)
**Typ:** Core Feature
**Labels:** feature, ai, goal-system

### Beschreibung
Implementierung von 120+ neuen KI-Platzhaltern die `goal_mode` berücksichtigen. Verwandelt System von "Datensammler" zu "intelligentem Coach".

### Problem
**Aktuell:**
- Ziele existieren, aber KI-Analysen ignorieren sie
- Gleiche Daten werden für alle goal_modes gleich interpretiert
- Keine goal-spezifischen Score-Berechnungen

**Beispiel:**
```python
# Gleiche Messung: -5kg FM, -2kg LBM
# Aktuell: Generischer Score (z.B. 50/100)

# Mit Phase 0b:
goal_mode = "weight_loss"  → 78/100 (FM↓ gut!)
goal_mode = "strength"     → 32/100 (LBM↓ Katastrophe!)
goal_mode = "recomposition" → 65/100 (beides relevant)
```

### Technische Umsetzung

**1. Placeholder Functions (8-10h):**

**Kategorie: KÖRPER (18 neue):**
```python
def weight_7d_rolling_median(profile_id, goal_mode):
    """Rolling median statt avg für Stabilität"""

def weight_28d_trend_slope(profile_id, goal_mode):
    """Linear regression slope - kg/Woche"""

def fm_28d_delta(profile_id, goal_mode):
    """Fettmasse-Veränderung 28 Tage"""

def lbm_28d_delta(profile_id, goal_mode):
    """Magermasse-Veränderung 28 Tage"""

def recomposition_score(profile_id, goal_mode):
    """FM↓ + LBM↑ Balance-Score"""
    # Nur relevant wenn goal_mode = "recomposition"

def waist_to_hip_ratio(profile_id):
    """WHR - Bauchfettverteilung"""

def waist_to_height_ratio(profile_id):
    """WHtR - Gesundheitsrisiko"""
```

**Kategorie: ERNÄHRUNG (15 neue):**
```python
def protein_g_per_kg(profile_id, goal_mode):
    """Protein pro kg Körpergewicht"""
    # Target abhängig von goal_mode:
    # strength: 2.0-2.2g/kg
    # weight_loss: 1.8-2.0g/kg
    # endurance: 1.4-1.6g/kg

def protein_g_per_kg_lbm(profile_id):
    """Protein pro kg Magermasse (präziser)"""

def nutrition_adherence_score(profile_id, goal_mode):
    """Wie gut hält User seine Makro-Ziele ein?"""
    # Ziele abhängig von goal_mode

def energy_availability_status(profile_id):
    """kcal - activity_kcal - BMR = verfügbare Energie"""
    # RED-S Warnung wenn < 30 kcal/kg LBM
```

**Kategorie: AKTIVITÄT (25 neue):**
```python
def activity_quality_avg_28d(profile_id):
    """Durchschnittliche Trainingsqualität"""

def activity_strain_28d(profile_id):
    """Kumulierte Belastung (Monotonie-Detektion)"""

def activity_monotony_28d(profile_id):
    """Variation im Training (Plateaus erkennen)"""

def ability_balance_score(profile_id, goal_mode):
    """Balance zwischen Fähigkeiten (Strength/Cardio/Mobility)"""
    # Gewichtung abhängig von goal_mode
```

**Kategorie: RECOVERY (12 neue):**
```python
def recovery_score(profile_id):
    """
    Kombiniert: RHR + HRV + Sleep Quality + Rest Days
    Score: 0-100
    """

def sleep_regularity_index(profile_id):
    """Wie regelmäßig sind Schlafzeiten? (0-100)"""

def sleep_debt_hours(profile_id):
    """Kumulierte Schlafdifferenz zu Ziel"""
```

**Kategorie: KORRELATIONEN (8 neue):**
```python
def corr_energy_weight_lag(profile_id):
    """
    Korrelation Kaloriendefizit → Gewicht
    Mit Lag-Analysis (verzögerte Effekte)
    Confidence-Score basierend auf Datenmenge
    """

def plateau_detected(profile_id):
    """
    Boolean: Gewicht stagniert trotz Defizit?
    Trigger für Interventionen
    """
```

**Kategorie: META (6 neue):**
```python
def goal_mode(profile_id):
    """Aktueller goal_mode (für Prompts verfügbar)"""

def data_quality_score(profile_id):
    """Wie vollständig/konsistent sind Daten? (0-100)"""

def profile_age_years(profile_id):
    """Alter für altersabhängige Normen"""
```

**2. Score-Gewichtung (4-6h):**

```python
# backend/score_calculator.py (NEU)

SCORE_WEIGHTS = {
    "weight_loss": {
        "body_progress": 0.30,      # FM↓ wichtig
        "nutrition": 0.25,          # Defizit wichtig
        "training_quality": 0.15,   # Moderat wichtig
        "recovery": 0.15,           # Moderat wichtig
        "adherence": 0.15          # Konsistenz wichtig
    },
    "strength": {
        "body_progress": 0.35,      # LBM↑ KRITISCH
        "nutrition": 0.30,          # Surplus + Protein
        "training_quality": 0.25,   # Progressive Overload
        "recovery": 0.10           # Weniger wichtig
    },
    "endurance": {
        "training_quality": 0.40,   # VO2Max, Pace wichtig
        "recovery": 0.25,          # Übertraining vermeiden
        "body_progress": 0.15,     # Gewicht sekundär
        "nutrition": 0.20          # Energie-Verfügbarkeit
    },
    # ... recomposition, health
}

def calculate_overall_score(profile_id, goal_mode):
    """Berechnet Gesamt-Score basierend auf goal_mode Gewichtung"""
    weights = SCORE_WEIGHTS[goal_mode]

    scores = {
        "body_progress": calculate_body_progress_score(profile_id, goal_mode),
        "nutrition": calculate_nutrition_score(profile_id, goal_mode),
        "training_quality": calculate_training_score(profile_id, goal_mode),
        "recovery": calculate_recovery_score(profile_id),
        "adherence": calculate_adherence_score(profile_id, goal_mode)
    }

    overall = sum(scores[key] * weights[key] for key in weights)
    return {
        "overall": round(overall, 1),
        "breakdown": scores,
        "weights": weights
    }
```

**3. Baseline-Berechnungen (2-3h):**

```python
def calculate_baselines(profile_id):
    """
    Berechnet persönliche Referenzwerte:
    - 7d baseline (kurzfristig)
    - 28d baseline (mittelfristig)
    - 90d baseline (langfristig)

    Für: Gewicht, RHR, HRV, Kalorien, Protein, etc.
    """

def detect_anomalies(profile_id, metric, value):
    """
    Ist Wert außerhalb von ±2 SD vom Baseline?
    → Warnung für User
    """
```

**4. Integration in Prompts (1-2h):**

```python
# Beispiel Prompt-Template:
"""
Du bist ein KI-Coach für {{goal_mode}} Training.

Aktueller Status:
- Gewichtstrend: {{weight_28d_trend_slope}} kg/Woche
- Fettmasse Δ28d: {{fm_28d_delta}} kg
- Magermasse Δ28d: {{lbm_28d_delta}} kg
- Rekompositions-Score: {{recomposition_score}}/100

Ernährung:
- Protein/kg: {{protein_g_per_kg}} g/kg (Ziel: {{protein_target_for_mode}})
- Adherence: {{nutrition_adherence_score}}/100

Training:
- Qualität (28d): {{activity_quality_avg_28d}}/5.0
- Monotonie: {{activity_monotony_28d}} (Warnung bei >2.0)

Recovery:
- Recovery Score: {{recovery_score}}/100
- Schlafschuld: {{sleep_debt_hours}}h

Gesamt-Score ({{goal_mode}}-optimiert): {{overall_score}}/100

Analyse den Fortschritt aus Sicht eines {{goal_mode}} Ziels...
"""
```

### Vorteile
- ✅ Größter strategischer Impact (System wird intelligent)
- ✅ Ziele werden tatsächlich genutzt (nicht nur Display)
- ✅ Basis für alle zukünftigen Features
- ✅ Automatische Trainingsphasen-Erkennung möglich

### Nachteile
- ⚠️ Hoher Aufwand (16-20h)
- ⚠️ Komplexe Logik (viel Testing nötig)
- ⚠️ Erfordert mehr Daten für sinnvolle Scores

---

## Option C: Issue #47 - Value Table Refinement 🔬

**Aufwand:** 4-6 Stunden
**Priorität:** Low (Polishing)
**Typ:** Enhancement

### Beschreibung
Wertetabelle übersichtlicher gestalten - Normal-Modus nur Einzelwerte, Experten-Modus mit Stage-Rohdaten.

### Vorteile
- ✅ Bessere UX für Value Table
- ✅ Weniger Überforderung im Normal-Modus

### Nachteile
- ⚠️ Kosmetisch, kein funktionaler Impact
- ⚠️ Besser warten bis Phase 0b (dann 120+ Platzhalter)

**Empfehlung:** Später (nach Phase 0b)

---

## Empfehlung 🎯

### Szenario 1: "Quick Wins first"
```
1. Issue #49 - Prompt Assignment (6-8h)
   → Bessere UX sofort

2. Phase 0b - Goal-Aware Placeholders (16-20h)
   → Neue Platzhalter profitieren von Page Assignment
   → Volle Power mit beiden Features

Total: 22-28h
```

### Szenario 2: "Strategic Depth first"
```
1. Phase 0b - Goal-Aware Placeholders (16-20h)
   → System wird intelligent

2. Issue #49 - Prompt Assignment (6-8h)
   → Intelligente Prompts dann auf allen Seiten

Total: 22-28h
```

### Persönliche Empfehlung: **Szenario 1**

**Begründung:**
- Issue #49 ist relativ einfach und bringt sofort UX-Nutzen
- Nutzt bestehendes Unified Prompt System optimal
- Phase 0b profitiert dann von besserer Navigation
- User kann neue Platzhalter (Phase 0b) direkt auf relevanten Seiten nutzen
- Psychologisch: Zwei Erfolgserlebnisse statt einem großen

---

## Nächste Session: Action Items

**Falls Issue #49 gewählt:**
1. [ ] Migration 023 erstellen (available_on JSONB)
2. [ ] Backend: `/api/prompts/for-page/{slug}` Endpoint
3. [ ] Backend: CRUD erweitern (available_on in PUT)
4. [ ] Frontend: PAGE_OPTIONS in UnifiedPromptModal
5. [ ] Frontend: PagePrompts Komponente (wiederverwendbar)
6. [ ] Integration: WeightPage, NutritionPage, ActivityPage
7. [ ] Testing: Multi-select, Modal-Inline-Analyse

**Falls Phase 0b gewählt:**
1. [ ] Placeholder-Funktionen kategorieweise implementieren (KÖRPER → ERNÄHRUNG → AKTIVITÄT → RECOVERY → KORRELATIONEN → META)
2. [ ] Score-Gewichtung pro goal_mode definieren
3. [ ] Backend: score_calculator.py erstellen
4. [ ] Baseline-Berechnungen implementieren
5. [ ] Integration in bestehende Prompts
6. [ ] Testing mit verschiedenen goal_modes

---

## Metriken & Timeline

**Geschätzte Timeline (bei 4h/Tag Entwicklung):**

| Szenario | Dauer | Fertig bis |
|----------|-------|------------|
| Issue #49 | 1.5-2 Tage | ~28.03.2026 |
| Phase 0b | 4-5 Tage | ~31.03.2026 |
| Szenario 1 (Quick Wins first) | 5.5-7 Tage | ~02.04.2026 |
| Szenario 2 (Strategic first) | 5.5-7 Tage | ~02.04.2026 |

**Bei 8h/Tag Entwicklung:** Timeline halbiert sich (~01.04.2026)

---

**Erstellt:** 26. März 2026
**Status:** Aktiv - Wartet auf Entscheidung
**Nächste Aktualisierung:** Nach Completion von gewähltem Path