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/plain.py

@@ -48,11 +48,23 @@ def _zaehle_seiten_befunde(diff: dict) -> dict:
     return z
 
 
+# Laienverständliche Beschreibung je KI-Kategorie.
+_KI_KATEGORIE_TEXT = {
+    "pornography": "sexuell anstößige Inhalte",
+    "propaganda": "politische Propaganda",
+    "defamation_illegal": "möglicherweise strafbare oder verleumderische Aussagen",
+    "hidden_spam": "versteckten Werbe-/Spam-Text",
+    "off_topic_commercial": "Werbung, die nicht zum Thema Ihrer Website passt",
+    "contradiction": "in sich widersprüchliche Aussagen",
+}
+
+
 def klartext_befunde(
     diff: dict | None = None,
     cloak_diff: dict | None = None,
     asset_diff: dict | None = None,
     ext_links: dict | None = None,
+    ai_result: dict | None = None,
 ) -> list[str]:
     """
     Erzeugt eine Liste laienverständlicher Sätze aus den strukturierten Befunden.
@@ -159,6 +171,27 @@ def klartext_befunde(
             "Das ist meist harmlos — die fremde Seite wurde gelöscht oder umbenannt."
         )
 
+    # --- KI-Inhaltsanalyse ---
+    if ai_result and ai_result.get("findings"):
+        text_funde = [f for f in ai_result["findings"] if f.get("kind") == "text"]
+        bild_funde = [f for f in ai_result["findings"] if f.get("kind") == "image"]
+        if text_funde:
+            kategorien = sorted({
+                _KI_KATEGORIE_TEXT[f["category"]]
+                for f in text_funde if f.get("category") in _KI_KATEGORIE_TEXT
+            })
+            beispiele = (" (z. B. " + ", ".join(kategorien[:3]) + ")") if kategorien else ""
+            saetze.append(
+                f"Eine automatische Inhaltsprüfung hat auf {len(text_funde)} Seite(n) Text "
+                f"gefunden, der auffällig ist{beispiele}. "
+                "Bitte schauen Sie sich die betroffenen Seiten an."
+            )
+        if bild_funde:
+            saetze.append(
+                f"Auf {len(bild_funde)} Bild(ern) wurden möglicherweise problematische "
+                "Inhalte erkannt. Bitte prüfen Sie die betroffenen Bilder."
+            )
+
     if not saetze:
         saetze.append("Es hat sich nichts Verdächtiges verändert.")