Ich sehe das Repository. Lass mich die einzelnen Dateien ansehen um die Beschreibung zu aktualisieren:Basierend auf dem Repository kann ich die Beschreibung aktualisieren. Ich sehe folgende neue Dateien:

1. **scraper.csv** - Beispiel für n8n Datenbank
2. **Leads-N8N-Example.xlsx** - Example Leads  
3. **Leads-N8N-Ergebnisse-Example.xlsx** - Beispiel-Ergebnisse
4. **google-search.json** - Der Sub-Workflow für Google-Suche

Hier ist die aktualisierte Beschreibung:

---

# 📋 Workflow-Beschreibung: LinkedIn Lead Research & Enrichment

## 🎯 Zweck
Automatisierte LinkedIn-Recherche mit KI-gestützter Datenanreicherung für Lead-Generierung. Der Workflow sucht LinkedIn-Profile nach definierten Kriterien, extrahiert Basis-Informationen und reichert diese intelligent mit Kontaktdaten und Unternehmensinformationen an.

---

## 📦 Repository-Struktur

```
n8n-lead-generator/
├── README.md                              # Diese Dokumentation
├── google-search.json                     # Sub-Workflow für Google-Suche
├── scraper.csv                            # Beispiel-Eingabedaten (DataTable)
├── Leads-N8N-Example.xlsx                 # Beispiel Zwischen-Output
└── Leads-N8N-Ergebnisse-Example.xlsx     # Beispiel End-Output (angereichert)
```

### **Datei-Beschreibungen:**

#### **scraper.csv**
Beispiel-Struktur für die n8n DataTable "scraper" - die Eingabedaten für den Workflow:

**Enthält:**
- `title` - Berufsbezeichnung/Position (z.B. "Steuerberater")
- `city` - Stadt für die Suche (z.B. "München")
- `ready` - Boolean Flag (true/false) für verarbeitungsbereite Einträge
- `finished` - Boolean Flag markiert bereits bearbeitete Jobs
- `pages` - Anzahl zu durchsuchender Google-Seiten
- `startIndex` - Start-Position für Pagination

**Verwendung:**  
Import diese CSV in eine n8n DataTable namens "scraper" um den Workflow zu initialisieren.

#### **Leads-N8N-Example.xlsx**
Beispiel-Output nach Phase 1 (Google Search & Basic Extraction):

**Enthält:**
- ID (LinkedIn-URL)
- Titel (vollständiger LinkedIn-Titel)
- Beschreibung (LinkedIn-Bio/Beschreibung)
- Link (LinkedIn-Profil-URL)
- Vorname
- Nachname
- Branche *(initial leer - Trigger für AI)*

**Verwendung:**  
Zeigt die Struktur des Google Sheets "Leads-N8N-2" - erstelle ein entsprechendes Sheet mit diesen Spalten.

#### **Leads-N8N-Ergebnisse-Example.xlsx**
Beispiel-Output nach Phase 2 (AI-Enrichment):

**Enthält alle angereicherten Daten:**
- ID
- Vorname, Nachname
- Branche/Industry
- Straße, PLZ, Ort, Land
- E-Mail
- Telefon
- Website

**Verwendung:**  
Zeigt die Struktur des Google Sheets "Leads-N8N-Ergebnisse" - erstelle ein entsprechendes Sheet mit diesen Spalten.

#### **google-search.json**
Sub-Workflow der von "Get Search Results" aufgerufen wird:

**Funktionalität:**
- Führt Google-Suche mit Custom Search API durch
- Parameter: search query, pages, start index
- Gibt strukturierte Suchergebnisse zurück
- Filtert auf LinkedIn-Profile

**Installation:**  
Importiere diesen Workflow separat in n8n und verlinke ihn im Haupt-Workflow.

---

## 🚀 Setup & Installation

### **Schritt 1: DataTable erstellen**
```bash
1. In n8n: Gehe zu "Data"
2. Erstelle neue DataTable "scraper"
3. Importiere scraper.csv
```

### **Schritt 2: Google Sheets vorbereiten**
```bash
1. Erstelle Google Sheet "Leads-N8N-2"
   - Importiere Spalten aus Leads-N8N-Example.xlsx
   
2. Erstelle Google Sheet "Leads-N8N-Ergebnisse"
   - Importiere Spalten aus Leads-N8N-Ergebnisse-Example.xlsx
   
3. Verbinde Google Sheets mit n8n (OAuth2)
```

### **Schritt 3: Workflows importieren**
```bash
1. Importiere google-search.json als Sub-Workflow
2. Importiere Haupt-Workflow (aus deinem n8n)
3. Verlinke "Get Search Results" Node mit Sub-Workflow
```

### **Schritt 4: API-Credentials konfigurieren**
```bash
1. Google Custom Search API Key
2. OpenAI API Key (GPT-4 oder GPT-4o)
3. Google Sheets OAuth2 Credentials
```

### **Schritt 5: Test-Run**
```bash
1. Füge 5 Test-Einträge in scraper.csv ein
2. Setze ready=true, finished=false
3. Trigger Workflow manuell
4. Prüfe Outputs in beiden Google Sheets
```

---

## 🔄 Workflow-Ablauf

### **Phase 1: Initialisierung & Suche**

1. **Manual Trigger**
   - Startet den Workflow manuell
   
2. **Get Status** (DataTable)
   - Liest aus `scraper.csv` / DataTable "scraper"
   - Filtert auf `ready = true` (bereite Jobs)
   - Liefert typisch ~80 Suchanfragen mit Kriterien (Titel, Stadt, etc.)

3. **Check City**
   - Validiert ob erforderliche Felder vorhanden sind
   - Prüft: `city` nicht leer ODER `finished = false`
   - Filtert ungültige/bereits bearbeitete Einträge aus

4. **Prepare Search**
   - Bereitet die Suchparameter vor
   - Kombiniert: `title` + `city` zu Suchstring
   - Format: z.B. "Steuerberater München"

5. **Get Search Results** (Sub-Workflow)
   - Ruft `google-search.json` Workflow auf
   - Suche mit: `"[title] [city] site:linkedin.com/in"`
   - Parameter: Seiten-Anzahl, Start-Index
   - Liefert LinkedIn-URLs und Metadaten zurück

6. **Fill Sheet** (Google Sheets)
   - Schreibt Basis-Daten in "Leads-N8N-2" Tabelle (siehe `Leads-N8N-Example.xlsx`)
   - Felder: ID, Titel, Beschreibung, Link, Vorname, Nachname
   - Verwendet `appendOrUpdate` mit ID als Matching-Key
   - Duplikate werden automatisch aktualisiert

---

### **Phase 2: Datenanreicherung (AI-Loop)**

7. **Get row(s) in sheet** (Google Sheets)
   - Holt frisch geschriebene Daten aus "Leads-N8N-2" zurück
   - Prüft Status der einzelnen Einträge
   - Identifiziert Einträge die noch angereichert werden müssen

8. **IF** (Conditional Check)
   - Prüft ob das Feld "Branche" leer ist
   - Nur leere Einträge werden weiterverarbeitet
   - Verhindert doppelte AI-Verarbeitung (Kosten-Optimierung)

9. **Loop Over Items** (Split in Batches)
   - **Batch Size: 5** Items pro Durchlauf
   - Begrenzt Token-Verbrauch bei ChatGPT
   - Verhindert Rate-Limiting und Timeouts
   - Loop läuft bis alle Items verarbeitet sind

10. **Research Data** (AI Agent)
    - **OpenAI Chat Model** (GPT-4 oder GPT-4o)
    - **Structured Output Parser** für konsistente Datenstruktur
    - Extrahiert aus LinkedIn-Profil + Websuche:
      - ✉️ E-Mail-Adresse
      - 📞 Telefonnummer
      - 🌐 Website
      - 🏢 Branche/Industry
      - 📍 Vollständige Adresse (Straße, PLZ, Ort, Land)
    - **Settings:**
      - Temperature: **0.0** (maximale Konsistenz)
      - top_p: **0.1** (deterministisch)
      - Execute Once: **OFF** (verarbeitet jedes Item einzeln)

11. **Fill Sheet Ergebnisse** (Google Sheets)
    - Schreibt angereicherte Daten in "Leads-N8N-Ergebnisse" (siehe `Leads-N8N-Ergebnisse-Example.xlsx`)
    - Verwendet ID als Matching-Key für Updates
    - Felder: Vorname, Nachname, Straße, PLZ, Ort, Land, Mail, Telefon, Website, Branche

12. **Update row index** (Google Sheets)
    - Markiert verarbeitete Einträge in "Leads-N8N-2"
    - Verhindert Re-Processing im nächsten Loop
    - Aktualisiert Status-Felder

13. **Loop zurück** zu Step 9
    - Verarbeitet nächsten Batch (5 Items)
    - Wiederholt bis alle Items durch sind
    - Automatische Loop-Beendigung wenn keine Items mehr

---

### **Phase 3: Abschluss**

14. **Finish Dataset** (DataTable)
    - Markiert den ursprünglichen Job in `scraper` als `finished = true`
    - Verhindert Re-Processing bei erneutem Workflow-Start
    - Aktualisiert Statistiken/Timestamps

---

## 📊 Datenfluss

```
Eingabe (scraper.csv):
├─ title: "Steuerberater"
├─ city: "München"  
├─ pages: 3
├─ startIndex: 1
├─ ready: true
└─ finished: false

    ↓ [Google Search via google-search.json]

Zwischen-Output (Leads-N8N-Example.xlsx):
├─ ID: "linkedin.com/in/max-mustermann"
├─ Titel: "Max Mustermann - Steuerberater München"
├─ Beschreibung: "Steuerberater | Wirtschaftsprüfer..."
├─ Link: "https://linkedin.com/in/max-mustermann"
├─ Vorname: "Max"
├─ Nachname: "Mustermann"
└─ Branche: [LEER] ← Trigger für AI

    ↓ [AI Research mit GPT-4o]

End-Output (Leads-N8N-Ergebnisse-Example.xlsx):
├─ ID: "linkedin.com/in/max-mustermann"
├─ Vorname: "Max"
├─ Nachname: "Mustermann"
├─ Straße: "Maximilianstraße 15"
├─ PLZ: "80539"
├─ Ort: "München"
├─ Land: "Deutschland"
├─ Mail: "max@stb-mustermann.de"
├─ Telefon: "+49 89 123456"
├─ Website: "www.stb-mustermann.de"
└─ Branche: "Steuerberatung"
```

---

## 📁 Beispieldaten

### **scraper.csv Format:**
```csv
title,city,pages,startIndex,ready,finished
Steuerberater,München,3,1,true,false
Rechtsanwalt,Berlin,2,1,true,false
IT-Berater,Hamburg,3,1,true,false
```

### **Leads-N8N-Example.xlsx Spalten:**
- ID
- Titel
- Beschreibung
- Link
- Vorname
- Nachname
- Branche *(leer)*
- Straße *(leer)*
- PLZ *(leer)*
- Ort *(leer)*
- Land *(leer)*
- Mail *(leer)*
- Telefon *(leer)*
- Website *(leer)*

### **Leads-N8N-Ergebnisse-Example.xlsx Spalten:**
- ID
- Vorname
- Nachname
- Branche *(gefüllt von AI)*
- Straße *(gefüllt von AI)*
- PLZ *(gefüllt von AI)*
- Ort *(gefüllt von AI)*
- Land *(gefüllt von AI)*
- Mail *(gefüllt von AI)*
- Telefon *(gefüllt von AI)*
- Website *(gefüllt von AI)*

---

## ⚙️ Technische Details

### **Performance:**
- **Verarbeitungsgeschwindigkeit:** ~5-10 Items pro Minute
- **Batch-Größe:** 5 Items (Token-Optimierung)
- **Durchsatz:** ~80 Leads in 30-45 Minuten

### **Token-Verbrauch (geschätzt):**
- Pro Item: ~700 Tokens (Input + Output)
- Pro Batch (5 Items): ~3.500 Tokens
- Gesamt (80 Items): ~56.000 Tokens

### **Kosten (GPT-4o):**
- Input: ~$0.28 (56k Tokens × $5/1M)
- Output: ~$0.84 (56k Tokens × $15/1M)
- **Total: ~$1.12 pro Workflow-Durchlauf**
- **Pro Lead: ~$0.014**

### **Error Handling:**
- Retry on Fail: Aktiviert im Research Data Node
- Loop-basierte Verarbeitung: Fehler stoppen nicht den gesamten Workflow
- Duplikat-Prevention: ID-basiertes Matching verhindert doppelte Einträge

---

## 🎯 Use Cases

**Ideal für:**
- 🔍 Lead-Generierung für B2B-Sales
- 📊 Marktforschung & Wettbewerbsanalyse
- 🎯 Account-Based Marketing (ABM)
- 📈 CRM-Datenanreicherung
- 🤝 Recruiting & Headhunting

**Branchen:**
- Steuerberatung
- Unternehmensberatung
- Rechtsberatung
- IT-Dienstleistungen
- Finanzdienstleistungen
- Medizin & Healthcare
- Architektur & Ingenieurwesen

---

## 🔒 Datenschutz & Compliance

**Wichtig:** 
- Daten stammen aus **öffentlich zugänglichen LinkedIn-Profilen**
- Keine Speicherung sensibler persönlicher Daten
- DSGVO-konform bei korrekter Verwendung (Opt-out respektieren)
- Nur geschäftliche Kontaktdaten werden verarbeitet
- Empfehlung: Opt-In für Marketing-Kommunikation einholen

---

## 🚀 Vorteile

✅ **Skalierbar:** Verarbeitet hunderte Leads automatisch  
✅ **Kosteneffizient:** ~$0.014 pro Lead (bei GPT-4o)  
✅ **Konsistent:** Temperature 0.0 = reproduzierbare Ergebnisse  
✅ **Robust:** Loop-basiert, fehlertoleranz durch Batch-Verarbeitung  
✅ **Wartbar:** Modularer Aufbau, einfach erweiterbar  
✅ **Dokumentiert:** Vollständige Beispieldaten und Setup-Guide  

---

## 🛠️ Troubleshooting

### **Problem: Keine Ergebnisse in Leads-N8N-Ergebnisse**
**Lösung:** Prüfe ob "Branche" Feld in Leads-N8N-2 leer ist (Trigger für AI)

### **Problem: Token Limit Exceeded**
**Lösung:** Reduziere Batch Size von 5 auf 3 im Loop Over Items Node

### **Problem: Google Search gibt keine Ergebnisse**
**Lösung:** Prüfe Google Custom Search API Quota & Credentials

### **Problem: Workflow stoppt mittendrin**
**Lösung:** Prüfe Error Logs - meist OpenAI Rate Limiting, Pause von 30 Sek. einbauen

---

## 📝 Changelog

### Version 3.0 (2026-01-12)
- ✅ Stable Production Release
- ✅ Loop-basiertes Batch-Processing implementiert
- ✅ Beispieldaten hinzugefügt (CSV + XLSX)
- ✅ Sub-Workflow für Google-Suche dokumentiert
- ✅ Vollständige Setup-Anleitung

---

## 🤝 Contributing

Pull Requests sind willkommen! Bei größeren Änderungen bitte zuerst ein Issue öffnen.

---

## 📄 Lizenz

Joachim Hummel © 2026

---

**Version:** 3.0 (Stable)  
**Erstellt:** Januar 2026  
**Status:** Production-Ready ✅