CAIDA – Mitsubishi Conversational Commerce Prototype

Vercel-Demo mit Gemini öffnen · GitHub-Pages-Fallback öffnen

CAIDA ist ein Mobile-First-Konzept für eine Mitsubishi Modellberatung, die vollständig im Chat stattfindet. Der Assistent berät, merkt sich relevanten Kontext und wechselt bei transaktionalen Absichten in kontrollierte Widgets für Händlersuche, Probefahrt und Angebotsvorbereitung.

Concept Prototype: Dieses Repository ist keine offizielle Mitsubishi-Anwendung. Preise und Modelldaten sind ein redaktioneller Snapshot vom 27.08.2026. Die Demo sendet keine Anfrage an Mitsubishi oder Händler.

Was man ausprobieren kann

• freie Texteingabe mit toleranter Erkennung typischer Tippfehler;
• begründete Modellberatung statt eines starren Fragebogens;
• Vergleich von ASX, GRANDIS, ECLIPSE CROSS und OUTLANDER;
• verifizierte Händlerkarten für den Demo-Datensatz der PLZ 61169;
• Probefahrt: Region → Partner → Wunschzeit → Kontakt → Prüfung;
• Angebotsprofil: Modell → Kauf/Finanzierung/Leasing → Priorität → Partner → Prüfung;
• lokale Demo-Inbox ohne externe Übermittlung;
• Spracheingabe, sofern der Browser sie unterstützt und der Nutzer zustimmt.
• optionales, einwilligungsbasiertes Lernprotokoll mit serverseitiger Redaktion und 30-Tage-Löschung.

Zwei bewusst getrennte Betriebsarten

Modus	Geeignet für	KI	Datenübertragung
GitHub Pages	Teilen, Präsentieren, mobile Tests	lokale Regel- und Widgetlogik	Formulardaten bleiben im Browserzustand
Vercel	Öffentliche Chef-Demo mit freien Fragen	serverseitige Gemini Interactions API mit Flash-Lite	Fragen an Gemini; Lernprotokoll nur nach separater Zustimmung
Lokaler Node-Server	Entwicklung und Gemini-Demo	optionaler serverseitiger Gemini-/OpenAI-Gateway	nur nach sichtbarer Aktivierung zum gewählten KI-Anbieter

Auf GitHub Pages wird absichtlich kein API-Key im Frontend abgefragt. Die Vercel-Version verwendet dafür Functions und ein serverseitiges GEMINI_API_KEY-Secret. Details stehen in docs/DEPLOYMENT.md.

Lokal starten

Voraussetzung: Node.js 22.

npm start

Dann http://127.0.0.1:4177 öffnen. Unter Windows kann alternativ START-CAIDA.bat doppelt angeklickt werden.

Gemini lässt sich anschließend über den Status in der Chat-Kopfzeile verbinden. Der Key bleibt nur im Arbeitsspeicher des lokalen Servers und ist nach einem Neustart gelöscht.

Architektur in einem Blick

flowchart LR
  U[Nutzertext oder Quick Reply] --> I[Intent- und Kontextlogik]
  I -->|Beratung| R[Geprüfte lokale Regeln]
  I -->|freie Frage, lokal optional| G[Serverseitiger KI-Gateway]
  I -->|Händler / Probefahrt / Angebot| W[Kontrollierte Chat-Widgets]
  R --> C[Chatverlauf]
  G --> C
  W --> C
  W --> D[Lokale Demo-Inbox]
  C -->|nur nach Einwilligung| T[Redaktion + privates Lernprotokoll]

Loading

Der Router öffnet Widgets nur bei einer eindeutigen transaktionalen Absicht. Normale Kaufberatung bleibt ein Gespräch; Gemini erhält dafür die letzten sichtbaren Nutzer- und CAIDA-Nachrichten, einschließlich des Textkontexts aus lokalen Widget-Schritten. Das Modell darf selbst weder Händler erfinden noch einen Widget-Vorgang starten oder als versendet ausgeben.

Projektstruktur

.
├── index.html                  UI-Shell und semantisches Markup
├── styles.css                 Mobile-First Layout, Widgets und Motion
├── app.js                     Dialogzustand, Intent-Routing und UI-Flows
├── server.js                  Statischer Server und optionaler KI-Gateway
├── api/                       Vercel Functions für Status, Chat und Demo-Flow
├── lib/                       Gemeinsame Fakten-, KI-, Dialog- und Sicherheitslogik
├── vercel.json                Functions- und Security-Header-Konfiguration
├── assets/                    Fahrzeug-, Marken- und Bot-Assets
├── docs/
│   ├── ARCHITECTURE.md        Zustände, Routing und technische Grenzen
│   ├── CONVERSATION-DESIGN.md Sprache, Flow-Verträge und UX-Regeln
│   ├── FINETUNING.md          Konkreter Leitfaden zum Weiterentwickeln
│   ├── TRAINING-DATA.md       Einwilligung, Schema, Export und Löschung
│   ├── DATA-GOVERNANCE.md     Faktenbasis und Aktualisierung
│   └── DEPLOYMENT.md          Pages, lokal und Vercel-Backend
├── QUELLEN.md                 Aktuelle Datenquellen
└── .github/workflows/pages.yml

Weiterentwickeln

Der schnellste Einstieg ist docs/FINETUNING.md. Dort steht, an welchen Stellen Intents, Daten, Gesprächston, Widgets und QA erweitert werden.

Einwilligungsbasiert gespeicherte Gespräche lassen sich für die Auswertung mit npm run training:export als lokales JSONL exportieren. Einrichtung, Datenschutzgrenzen und Datenschema stehen in docs/TRAINING-DATA.md.

Vor einem Commit:

npm run check

Danach die relevanten Dialoge sowohl auf Desktop als auch bei ungefähr 390 × 844 testen.

Noch nicht produktiv

• keine Live-Bestände oder echten Terminslots;
• keine Händler-/CRM-API; das Lernprotokoll hat eine Demo-Einwilligung, aber noch keinen produktiven CMP-/Rechtsprozess;
• kein persistentes Nutzerprofil;
• nur ein verifizierter Händler-Demo-Datensatz;
• der Vercel-Rate-Limiter ist für eine begrenzte Demo ausgelegt, nicht für eine öffentliche Kampagne;
• Modell-, Preis- und Verbrauchsdaten müssen regelmäßig aktualisiert werden.