# BookmarkBrain

## Was ist das?
Lokaler semantischer Bookmark-Manager fuer 591+ chaotische Browser-Bookmarks.
Suche per natuerlicher Sprache ("der Bash-Cheatsheet von neulich"), auto-Tagging, und Browser-Extension — alles ohne Cloud, ohne Accounts.

## Architektur & Tech-Stack

```
Browser Extension (WXT, Chrome+Firefox)
   |  HTTP localhost:7471
FastAPI Backend (backend/main.py)
   |
   ├── database.py    ← SQLite + FTS5 + sqlite-vec (alles 1 Datei)
   ├── models.py      ← Pydantic-Modelle
   ├── search.py      ← FEHLT (noch nicht implementiert)
   ├── embeddings.py  ← FEHLT
   ├── importer.py    ← FEHLT
   └── tagger.py      ← FEHLT
```

| Schicht | Tech |
|---------|------|
| Backend | FastAPI + SQLite |
| Vektor-Suche | sqlite-vec (Extension) + FTS5 |
| Embeddings | paraphrase-multilingual-MiniLM-L12-v2 (384 dims, DE+EN) |
| Frontend | htmx + Jinja2 |
| Browser Extension | WXT Framework (TypeScript) |
| Build | uv (Python), pnpm (Extension) |

**DB-Schema (in database.py implementiert):**
- `bookmarks` — url, title, description, context, folder_path, domain, auto_tags, user_tags, embedding_text
- `bookmarks_fts` — FTS5 virtual table
- `vec_bookmarks` — sqlite-vec virtual table fuer 384-dim Embeddings

**Hybrid-Suche (geplant):** 0.7 * semantic + 0.3 * FTS5-normalized

## Starten / Nutzen

```bash
cd ~/Projekte/BookmarkBrain
uv venv && source .venv/bin/activate
uv pip install -e .
uvicorn backend.main:app --reload --port 7471
# → http://localhost:7471
```

Extension (separat):
```bash
cd extension && pnpm install && pnpm dev
```

## Was funktioniert
- **database.py** — Schema komplett implementiert: bookmarks-Tabelle, FTS5 virtual table, sqlite-vec virtual table, Indizes
- **models.py** — Pydantic-Modelle fuer Request/Response
- **backend/main.py** — FastAPI-App mit Routes (genauen Stand pruefen)
- **PLAN.md** — detaillierter Architektur- und Feature-Plan vorhanden
- **pyproject.toml** — Projekt-Config mit uv

## Was fehlt
- **search.py** — nicht vorhanden (semantische + FTS-Suche)
- **embeddings.py** — nicht vorhanden (Model-Loading, Embedding-Generierung)
- **importer.py** — nicht vorhanden (Netscape HTML + JSON Import)
- **tagger.py** — nicht vorhanden (Auto-Tagging via TF-IDF + Domain-Rules)
- **Browser Extension** — Grundstruktur im extension/-Ordner, ob kompilierbar unklar
- **Templates** — ob UI-Templates vollstaendig sind, ungeprueft
- **Tests** — test_importer.py, test_search.py, test_tagger.py fehlen noch

## Entscheidungen & Lessons Learned
- **sqlite-vec statt ChromaDB/FAISS** — Single File, SQL + Vektor kombinierbar, zero dependencies. Richtige Wahl fuer <2000 Bookmarks.
- **paraphrase-multilingual-MiniLM-L12-v2** — 384 dims, DE+EN nativ, 450 MB, CPU-tauglich, ONNX-Beschleunigung moeglich
- **Localhost HTTP statt Native Messaging** — einfacher, Chrome+Firefox identisch, CORS reicht
- **"Was wollte ich damit?"** als First-Class-Feature (context-Feld) — Alleinstellungsmerkmal vs. Raindrop/Linkding/Hoarder
- **Port 7471** — Mnemonic: "BRAIN" auf Telefon-Tastatur

## Next Steps (priorisiert)
1. **importer.py** — Netscape HTML Parser fuer bestehende Bookmarks (sofortiger Wert)
2. **embeddings.py** — Model laden, Batch-Embedding bei Import
3. **search.py** — Hybrid-Suche implementieren
4. **tagger.py** — Domain-basierte Tags + TF-IDF
5. **UI-Templates** vervollstaendigen
6. **E2E-Test**: Import aus ~/Downloads/bookmarks_05.03.26.html, dann Suche
7. Browser-Extension nach Phase-1 fertigstellen