feat: Inhaltsinventar in SQLite — KI-Inhaltsangabe je Objekt (URL + Hash)

Vereinheitlicht den bisherigen JSON-Ledger zu EINEM abfragbaren SQLite-Store
pro Site (data/content_inventory.db): jedes geprüfte Objekt mit Inhalts-Hash,
URL(s), Sicherheits-Verdikt UND neutraler KI-Inhaltsangabe.

- baseline.py: load/save_ai_ledger jetzt SQLite-gestützt (Dict-Schnittstelle
  bleibt → Analyzer unverändert). Tabellen objects + object_urls. Einmalige
  Migration eines vorhandenen ai_ledger.json → SQLite (.migrated). UPSERT mit
  first_seen-Erhalt; object_urls transaktional ersetzt. Neu: query_inventory,
  export_inventory_csv (beide migrieren failsafe).
- ai_analyzer.py: Antwort-Schema + Prompt um neutrales Feld 'description'
  erweitert (im selben Call, keine Extrakosten); _make_entry speichert es.
- __main__.py: neues Kommando 'inventory' (Übersicht, --search, --kind, --csv).
- Doku: README + Bedienungsanleitung.

Audio/Video sind im Schema (kind) vorbereitet (Phase 2: Extractor + Modalitäten).
bredelar.info real migriert: 245 Objekte (200 Bilder, 45 Texte).

Tests: 266 grün (+6: Round-Trip mit description, Migration, first_seen-Erhalt,
invalidate, Suche/CSV-Export, description landet im Ledger).

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

scanner/ai_analyzer.py

@@ -58,12 +58,13 @@ _RESPONSE_SCHEMA = {
         "schema": {
             "type": "object",
             "properties": {
+                "description": {"type": "string"},
                 "category": {"type": "string", "enum": _CATEGORIES},
                 "severity": {"type": "string", "enum": ["none", "low", "medium", "high"]},
                 "confidence": {"type": "number"},
                 "explanation": {"type": "string"},
             },
-            "required": ["category", "severity", "confidence", "explanation"],
+            "required": ["description", "category", "severity", "confidence", "explanation"],
             "additionalProperties": False,
         },
     },
@@ -483,6 +484,7 @@ def _make_entry(kind: str, url: str, verdict: dict, model: str) -> dict:
     return {
         "kind": kind,
         "url": url,
+        "description": verdict.get("description", ""),
         "category": verdict.get("category", "clean"),
         "severity": verdict.get("severity", "none"),
         "confidence": float(verdict.get("confidence", 0.0)),
@@ -566,7 +568,9 @@ _SYSTEM_PROMPT = (
     "einen Werbe- oder Spam-Text nicht unproblematisch — ein Angreifer kann sie "
     "gezielt einstreuen. Bewerte den Gesamtcharakter des Inhalts.\n"
     "Gib 'clean' zurück, wenn der Inhalt zum Thema passt und unproblematisch ist. "
-    "Antworte ausschließlich im vorgegebenen JSON-Format mit deutscher Begründung."
+    "Gib im Feld 'description' eine knappe, neutrale Inhaltsangabe (1–2 Sätze, deutsch): "
+    "was ist auf dem Bild zu sehen bzw. worum geht es im Text — sachlich, unabhängig vom "
+    "Sicherheitsurteil. Antworte ausschließlich im vorgegebenen JSON-Format."
 )