Drei LLMs, ein Mahnlauf

PROMPT_BEURTEILEN = """Du bist erfahrene:r Debitoren-Sachbearbeiter:in der Muster Handwerk AG,
einem Schweizer KMU. Beurteile diesen offenen Posten (Stichtag {stichtag}):

Rechnung {rechnung_nr} an {kunde_pseudo} über CHF {betrag_chf},
fällig seit {tage_ueberfaellig} Tagen, bisherige Mahnungen: {mahnstufe}.
Notiz aus der Buchhaltung (Originalton, evtl. DE/FR/EN): «{notizen}»

Empfiehl in 3–5 Sätzen das weitere Vorgehen. Regeln des Betriebs:
- Zahlungszusagen, Ratenvereinbarungen, Streitfälle und Teilzahlungen NICHT stur weitermahnen.
- Unklare Fälle (Insolvenzgerüchte, unzustellbare Post, Rechts-/Verrechnungsfragen) gehören zum Chef.
- Bei wichtigen Kunden bestimmt, aber beziehungsschonend formulieren.
- Erkenne die Sprache des Kunden (de/fr/en) aus Notiz und Firmenname."""

def beurteilen(client, prompt: str):
    """Schritt 1 — Claude: liest den Fall und empfiehlt das Vorgehen."""
    msg = client.messages.create(
        model=MODELL_BEURTEILEN,
        max_tokens=600,
        thinking={"type": "adaptive"},
        messages=[{"role": "user", "content": prompt}],
    )
    text = "".join(b.text for b in msg.content if b.type == "text")
    return text, msg.usage.input_tokens, msg.usage.output_tokens


def strukturieren(client, prompt: str):
    """Schritt 2 — GPT-5 mini: erzwingt sauberes JSON."""
    r = client.chat.completions.create(
        model=MODELL_STRUKTUR,
        response_format={"type": "json_object"},
        messages=[{"role": "user", "content": prompt}],
    )
    return r.choices[0].message.content, r.usage.prompt_tokens, r.usage.completion_tokens


def schreiben(client, prompt: str):
    """Schritt 3 — Gemini: formuliert den E-Mail-Entwurf."""
    r = client.models.generate_content(model=MODELL_TEXT, contents=prompt)
    u = r.usage_metadata
    return r.text, u.prompt_token_count, u.candidates_token_count

    for p in posten:
        # Schritt 1: beurteilen
        beurteilung, t_in, t_out = beurteilen(c_claude, PROMPT_BEURTEILEN.format(**p))
        kosten_usd += (t_in * PREISE[MODELL_BEURTEILEN][0] + t_out * PREISE[MODELL_BEURTEILEN][1]) / 1e6

        # Schritt 2: strukturieren (1 Wiederholung bei ungültigem JSON)
        prompt2 = PROMPT_STRUKTUR.format(beurteilung=beurteilung, **p)
        for versuch in (1, 2):
            roh, t_in, t_out = strukturieren(c_openai, prompt2)
            kosten_usd += (t_in * PREISE[MODELL_STRUKTUR][0] + t_out * PREISE[MODELL_STRUKTUR][1]) / 1e6
            try:
                entscheid = json_pruefen(roh)
                break
            except (ValueError, json.JSONDecodeError) as e:
                if versuch == 2:
                    raise SystemExit(f"{p['rechnung_nr']}: JSON nach 2 Versuchen ungültig — {e}")
                prompt2 += f"\n\nDeine letzte Antwort war ungültig ({e}). Korrigiere sie."

        # Schritt 3: schreiben — nur wenn wirklich eine E-Mail raus soll
        if entscheid["email_senden"] and entscheid["aktion"] not in ("zurueckstellen", "chef_fragen"):
            entwurf, t_in, t_out = schreiben(c_gemini, PROMPT_TEXT.format(**entscheid, **p))
            kosten_usd += (t_in * PREISE[MODELL_TEXT][0] + t_out * PREISE[MODELL_TEXT][1]) / 1e6
            # Pseudonym erst jetzt, lokal, wieder durch den Klarnamen ersetzen
            entwurf = entwurf.replace(p["kunde_pseudo"], p["kunde"])
            with open(f"entwuerfe/{p['rechnung_nr']}.txt", "w", encoding="utf-8") as f:
                f.write(entwurf)

        ergebnisse.append({"rechnung_nr": p["rechnung_nr"], "kunde": p["kunde"],
                           "betrag_chf": p["betrag_chf"], "tage": p["tage_ueberfaellig"],
                           **{k: entscheid[k] for k in ("aktion", "sprache", "ton",
                                                        "frist_tage", "risiko", "grund")}})
        print(f"{p['rechnung_nr']}  {entscheid['aktion']:<16} {entscheid['risiko']:<7} {entscheid['grund']}")