Live Demo: https://omaraldulimay.github.io/projekte/label-lab.html
Produktdaten Check für Supplements und Proteinprodukte. Gedacht für Fitness Marken, die ihre Produktseiten und Etiketten sauber halten wollen.
Bei Proteinpulver und Riegeln stecken die Fehler oft in den Daten: Nährwerte fehlen, Zucker ist höher als Kohlenhydrate, die Kalorien passen nicht zu den Makros, ein Allergen steht in den Zutaten, aber nicht in der Deklaration. Dazu kommen Werbeaussagen, die nach der EU Verordnung 1924/2006 nicht zulässig sind. Label Lab prüft das für 1.773 Produkte aus zwei Quellen und zeigt das Ergebnis als Ampel. Die Standardansicht ist der Katalog der Marke RAWFORM, daneben lassen sich 1.720 echte Supplements aus ganz Europa von Open Food Facts umschalten (Filter nach Land, Liste mit "Mehr laden").
RAWFORM ist eine fiktive Marke, Name und Texte sind erfunden. Der Katalog (data/brand_catalog.json) ist dem Sortiment einer typischen D2C Fitnessmarke nachgebaut.
- Lücken: Energie, Fett, Kohlenhydrate, Zucker, Eiweiß, Salz, Zutaten, Portionsgröße.
- Widersprüche: Zucker über Kohlenhydrate, gesättigte Fette über Fett, Kalorien mehr als 15 % neben der Rechnung aus den Makros (4/4/9 kcal), Werte über 100 g pro 100 g.
- Allergene: Wortliste der 14 EU Hauptallergene mit Synonymen auf Deutsch und Englisch (Molke, Casein, Laktose gehören zu Milch). Die Zutaten werden mit den deklarierten Allergenen verglichen. Spurenhinweise zählen nicht als Zutat.
- Claims: Ein Python Vorfilter zerlegt den Produkttext in Sätze und sortiert zugelassene Health Claims aus. Nur verdächtige Sätze prüft ein Sprachmodell (Claude Haiku oder Ollama). Es markiert unzulässige Werbeversprechen und schlägt einen zulässigen Ersatztext vor.
Jeder Fund nennt die Rechtsgrundlage. Claim Funde haben die Felder claim (der beanstandete Satz), reason, rule (zum Beispiel "Art. 10 Abs. 1 VO (EG) 1924/2006, nicht zugelassene Angabe") und suggestion, die Regelprüfungen tragen ein rule aus der Lebensmittelinformationsverordnung VO (EU) 1169/2011 (Art. 9, Art. 21, Anhang XV). Alle Texte liegen in Deutsch und Englisch vor (*_en), die Produkttexte bleiben Deutsch. Die Regeltexte stehen als feste Bausteine pro rule_id im Code (RULES), das Modell wählt nur die ID. Die Prompt Version steht in labellab/llm.py (PROMPT_VERSION, aktuell 3) und ist Teil des Cache Schlüssels.
Im Dashboard (oben rechts DE/EN) ersetzt "Korrektur übernehmen" die beanstandete Passage im Produkttext durch den Vorschlag. Der Text erscheint als Diff (alt rot durchgestrichen, neu in Gold), die Ampel wird im Browser neu berechnet und springt um. Dafür fällt der übernommene Fund weg, die Regelfunde bleiben. Das setzt voraus, dass der Vorschlag selbst zulässig ist, im Fake Modus prüft das ein Test. Der Zustand liegt nur im Browser (localStorage), "Zurücksetzen" stellt den Ausgang wieder her. Die Logik steht in web/fix.js und wird in tests/test_fix_js.py mit Node getestet.
Ampel: rot bei mindestens einem Fehler, gelb bei Hinweisen, grün ohne Funde.
Markenkatalog (data/brand_catalog.json) + Open Food Facts (data/products.json) -> FastAPI Dienst -> PostgreSQL (Port 5442)
| Regeln in Python
| Claims: Vorfilter, dann Claude Haiku oder Ollama
n8n: holen -> prüfen -> exportieren -> Alarm bei roten Produkten
web/public/results.json -> statisches Dashboard (HTML, JS, CSS)
Warum Regeln zuerst: Rechnen, Vergleichen und Wortlisten kann Python exakt, schnell und ohne Kosten. Es braucht dafür kein Modell, und das Ergebnis ist jedes Mal gleich und nachvollziehbar. Das Modell kommt nur dort zum Einsatz, wo es um Sprache geht, also bei der Frage, ob ein Werbesatz zulässig ist und wie er zulässig klingen könnte.
Für den echten Lauf nutzt Label Lab Claude Haiku (claude-haiku-5-5, änderbar mit CLAUDE_MODEL) über das offizielle anthropic SDK. Der Key kommt nur aus der Umgebungsvariable ANTHROPIC_API_KEY. Die Antwort ist strukturiertes JSON (Schema pro Satz: verdict, rule_id, reason, suggestion, dazu reason_en und suggestion_en), der System Prompt wird mit Prompt Caching geschickt. Ollama (Standard qwen2.5:3b) bleibt als lokale Option, dort laufen die Produkttexte nicht über das Netz und es fallen keine Kosten an. Die englischen Felder sind bei Ollama optional, fehlen sie, gilt der deutsche Text.
Warum ein Vorfilter: Ein erster Lauf mit qwen2.5:3b hat erlaubte Claims als unzulässig markiert, eine falsche Regel genannt und kaputtes Deutsch geliefert. Die Aufgabe war für ein kleines Modell zu breit. Jetzt gilt:
- Python hält eine feste Liste zugelassener EU Health Claims (Protein, Kreatin, Vitamin C, D, K, B6, B12, Zink, Magnesium, Calcium, Eisen, Omega 3, DHA und EPA). Ein Satz, der einem davon entspricht, geht nicht ans Modell und gilt als zulässig. Enthält er zusätzlich ein Wirkversprechen, geht er trotzdem ans Modell. Koffein steht nicht auf der Liste.
- Die Nährwertangabe "proteinreich" prüft Python selbst über den Eiweißanteil an der Energie (mindestens 20 %).
- Der Text wird satzweise zerlegt. Nur verdächtige Sätze (Wirkversprechen, Krankheit, Immun, Fettverbrennung, Garantie, Ergebnisse, Schutz, Detox, Stoffwechsel und ähnliche Stichwörter) gehen ans Modell, alle eines Produkts in einem Aufruf.
- Das Modell wählt nur eine
rule_idaus fünf IDs. Rechtsgrundlage und englische Regeltexte kommen aus dem Code: Krankheitsbezug Art. 7 Abs. 3 VO (EU) 1169/2011, nicht zugelassene Angabe Art. 10 Abs. 1 VO (EG) 1924/2006, Art. 12 VO (EG) 1924/2006 nur für Gewichtsverlust in bestimmter Menge oder Zeit und Empfehlungen von Ärzten, Art. 3 Buchst. a für irreführende Angaben.
Das senkt die Kosten (die meisten Sätze und die meisten Produkte brauchen keinen Aufruf) und verbessert die Qualität, weil das Modell nur eine enge, klare Frage pro Satz beantwortet. Ein Cache über den Hash der verdächtigen Sätze sorgt dafür, dass nichts doppelt bezahlt wird.
Der Fake Modus (LLM_MODE=fake, Standard) arbeitet mit festen Stichwortregeln und braucht kein Netzwerk. Die Tests laufen damit.
Ohne Docker, nur das Dashboard mit Fake Ergebnissen:
make setup
make run # http://localhost:8080
make test
make check-all # Tests, dann alle Produkte im Fake Modus prüfen
Alles zusammen mit Docker (Postgres auf 5442, API und Dashboard auf 8000, n8n auf 5678):
docker compose up --build
In n8n den Workflow "Label Lab Pruefung" öffnen und ausführen. Er lädt die Daten in die Datenbank, prüft alle Produkte, exportiert web/public/results.json und meldet rote Produkte an den Dienst (/alert, sichtbar im Log).
Echter Lauf mit Claude Haiku (Standard für make real):
pip install -e ".[anthropic]" # oder make setup und danach .venv/bin/pip install anthropic
export ANTHROPIC_API_KEY=... # nur in der Shell, nie in eine Datei im Repo
make real
Harte Budgetgrenze: Der Lauf bricht ab, wenn die geschätzten Kosten 0,30 USD überschreiten würden (Konstante BUDGET_USD, Preise PRICE_IN und PRICE_OUT, Token aus der API Antwort). Bezahlte Antworten liegen im Cache, ein neuer Lauf macht dort weiter. Kosten pro Produkt und gesamt stehen im Log und in results.json (llm.cost_usd, meta.api_cost_usd).
Echter Lauf mit dem lokalen Modell. Ollama läuft nativ auf dem Mac, nicht in Docker:
brew install ollama
ollama serve
make pull
make real-ollama # oder in Docker: LLM_MODE=ollama docker compose up --build
Anderes Modell: OLLAMA_MODEL=... (zum Beispiel qwen2.5:7b), andere Adresse: OLLAMA_URL=....
Wer kein Ollama auf dem eigenen Rechner hat, kann den echten Lauf in GitHub Codespaces machen. Die Datei .devcontainer/devcontainer.json richtet Python 3.12, Docker in Docker, Ollama und das Modell qwen2.5:3b automatisch ein.
- Das Repository auf GitHub öffnen, "Code", "Codespaces", "Create codespace on main" wählen. Einen Rechner mit mindestens 4 Kernen und 16 GB Arbeitsspeicher nehmen.
- Warten, bis das Terminal bereit ist. Das Einrichtungsskript installiert Ollama, lädt
qwen2.5:3bund führtmake setupaus (einige Minuten). - Prüfen, dass Ollama läuft:
curl localhost:11434/api/tags. Falls nicht,ollama serve &starten. - Den echten Lauf mit Ollama starten:
make real-ollama. Er prüft alle Produkte beider Quellen mit dem Modell, auf CPU dauert das einige Minuten bis wenige Dutzend Minuten. - Das Ergebnis ansehen:
make run, danach den weitergeleiteten Port 8080 im Reiter "Ports" öffnen. web/public/results.jsonherunterladen: Datei im Explorer rechts anklicken, "Download". Oder im Terminalcat web/public/results.jsonund lokal einfügen.- Lokal die Datei nach
web/public/results.jsonkopieren, damit das Dashboard die echten Ergebnisse und keinen Platzhalter zeigt.
Die Ports 8000 (API und Dashboard) und 5678 (n8n) werden ebenfalls weitergeleitet, falls dort docker compose up --build laufen soll. Der Codespace sollte danach gelöscht werden, damit keine Stunden weiterlaufen.
Die Ergebnisse in web/public/results.json stammen aus einem echten Lauf mit Claude Haiku. Im Fake Modus zeigt das Dashboard ein Platzhalter Banner.
Mit Claude Haiku: Der echte Lauf hat 1.773 Produkte für 0,08 US Cent geprüft (0,0008 USD). Der Vorfilter hält die Aufrufe klein: Von 80 Werbeaussagen gingen nur 25 ans Modell, 40 Sekunden Rechenzeit. Mehr als 0,30 USD gibt die Budgetgrenze nicht frei.
Mit Ollama: 0 € API Kosten, es entstehen nur Rechenzeit und Strom auf dem eigenen Rechner. Das Dashboard zeigt dann die Produktzahl, 0 € API Kosten und die lokale Laufzeit.
Die Daten der Marke RAWFORM sind fiktiv. Die zweite Quelle sind echte Produktdaten von Open Food Facts, Lizenz ODbL. Der Snapshot data/products.json wurde mit scripts/fetch_off.py erzeugt und enthält nur Supplements (Proteinpulver, Riegel, Creatin, Aminosäuren, Vitamine und Kapseln, Pre Workout). Open Food Facts wird von Freiwilligen gepflegt, viele Funde sind also echte Datenlücken der Community und keine Fehler der Hersteller. Die Allergen Wortliste ist eine Hilfe und ersetzt keine rechtliche Prüfung.
Code: MIT, siehe LICENSE.