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/baseline.py

@@ -233,6 +233,55 @@ class BaselineManager:
         )
         logger.info("Asset hashes saved: %d entries", len(hashes))
 
+    # ------------------------------------------------------------------
+    # AI verdict ledger  (cache keyed by content fingerprint)
+    # ------------------------------------------------------------------
+    #
+    # Unlike the baseline, the ledger is a *cache*: it records the AI verdict
+    # for every fingerprint already analysed — including "clean" ones — so that
+    # unchanged content is never re-sent to the API.  It lives in data_dir
+    # (not baseline_dir): it is operational state, not an approved reference.
+
+    @property
+    def _ai_ledger_path(self) -> Path:
+        return self.data_dir / "ai_ledger.json"
+
+    def load_ai_ledger(self) -> dict:
+        """Load the AI verdict ledger. Returns {'entries': {}} if none/corrupt."""
+        if not self._ai_ledger_path.exists():
+            return {"entries": {}}
+        try:
+            data = json.loads(self._ai_ledger_path.read_text(encoding="utf-8"))
+        except (json.JSONDecodeError, ValueError):
+            return {"entries": {}}
+        data.setdefault("entries", {})
+        return data
+
+    def save_ai_ledger(self, ledger: dict) -> None:
+        """Persist the AI verdict ledger."""
+        self.data_dir.mkdir(parents=True, exist_ok=True)
+        self._ai_ledger_path.write_text(
+            json.dumps(ledger, indent=2, ensure_ascii=False), encoding="utf-8"
+        )
+
+    def dismiss_ai_entries(self, fingerprints: list[str] | None = None) -> int:
+        """
+        Mark ledger entries as dismissed (false-positive acknowledgement).
+        None = dismiss all currently flagged entries. Returns count dismissed.
+        """
+        ledger = self.load_ai_ledger()
+        entries = ledger.get("entries", {})
+        count = 0
+        for fp, entry in entries.items():
+            if fingerprints is not None and fp not in fingerprints:
+                continue
+            if entry.get("category", "clean") != "clean" and not entry.get("dismissed"):
+                entry["dismissed"] = True
+                count += 1
+        if count:
+            self.save_ai_ledger(ledger)
+        return count
+
     # ------------------------------------------------------------------
     # Run-state (drives auto-scheduling of the weekly checks)
     # ------------------------------------------------------------------