feat: KI-gestützte Inhaltsanalyse via OpenRouter (hash-gegated)

Optionale semantische Prüfung von Text und Bildern (inkl. OCR) auf
problematische Inhalte ohne Link-Signal: Pornografie, Propaganda,
diffamierende/strafbare Texte, versteckter Spam, themenfremde Werbung,
widersprüchliche Aussagen. Bewertet die thematische Passung zum
deklarierten site_context — eingestreute Heimat-Begriffe täuschen die
Erkennung nicht.

Kern:
- scanner/ai_analyzer.py: run_ai_analysis + score_ai_findings.
  Hash-Gate über data/ai_ledger.json → unveränderte Inhalte = Cache-
  Treffer = kein API-Call. Nur neue/geänderte Inhalte kosten etwas.
- Modell-Kette mit zweifacher Eskalation (Stufe 1+2 free, Stufe 3
  günstig bezahlt); eskaliert bei Fehler ODER Timeout (attempt_timeout).
  Erfolgreiches Modell wird im Ledger vermerkt.
- KI-Funde sind auf GELB gedeckelt — ROT bleibt harten Integritäts-
  Signalen vorbehalten. Graceful degradation: ohne Key/bei Fehler wird
  übersprungen, Scan läuft unverändert weiter.

Integration:
- baseline.py: load/save_ai_ledger, dismiss_ai_entries.
- config.py: ai_analysis-Block + ai_* Scoring-Schlüssel.
- __main__.py: Einhängung in cmd_scan/cmd_check, ai-dismiss-Subcommand,
  approve quittiert zugehörige Funde, status-Anzeige, diff-only + report.
- alerter.py + __main__.py: beanstandete Dateien erscheinen mit URL,
  Begründung und Quittier-Fingerprint in E-Mail UND Markdown-Report.
- plain.py: laienverständliche KI-Sätze.

API-Key nur aus Umgebungsvariable (OPENROUTER_API_KEY). Audio/Video als
abschaltbare Hooks vorbereitet (default aus).

Modelle live gegen OpenRouter verifiziert; Demo auf bredelar.info zeigte
korrekte Erkennung (echter Inhalt clean, eingeschleuster Casino-Spam mit
Heimat-Begriffen als hidden_spam erkannt).

Tests: 227 grün (+26 für ai_analyzer, +1 für E-Mail-KI-Abschnitt).

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

scanner/alerter.py

@@ -71,7 +71,8 @@ def _format_body(report: dict) -> str:
         "Was bedeutet das?",
     ]
     for satz in klartext_befunde(
-        diff, report.get("cloak_diff"), report.get("asset_diff"), report.get("ext_links")
+        diff, report.get("cloak_diff"), report.get("asset_diff"),
+        report.get("ext_links"), report.get("ai_result"),
     ):
         lines.append(f"  • {satz}")
     lines += ["", "Was sollten Sie tun?"]
@@ -109,6 +110,21 @@ def _format_body(report: dict) -> str:
         if pd.get("new_comment_links"):
             lines.append(f"  Kommentar-Links: {pd['new_comment_links']}")
 
+    # ---- KI-Inhaltsanalyse: jede beanstandete Datei mit URL + Begründung ----
+    ai = report.get("ai_result") or {}
+    if ai.get("findings"):
+        lines += ["", "--- KI-Inhaltsanalyse: beanstandete Inhalte ---"]
+        for f in ai["findings"]:
+            asset = f.get("asset_url")
+            ziel = f"{asset}  (auf Seite {f['url']})" if asset else f["url"]
+            lines.append(f"  [{f['kind']}] {ziel}")
+            lines.append(f"      Befund:     {f['category']} "
+                         f"(Schwere {f['severity']}, Konfidenz {f.get('confidence', 0):.0%})")
+            if f.get("explanation"):
+                lines.append(f"      Begründung: {f['explanation']}")
+            if f.get("fingerprint"):
+                lines.append(f"      Quittieren: python -m scanner ai-dismiss --hash {f['fingerprint']}")
+
     lines += [
         "",
         "--- Empfehlung ---",