Kann ich MarketMuse vibecoden?

Baue mir eine Bestandsaufnahme der eigenen Inhalte mit nachvollziehbarer Priorisierung, der Kern von MarketMuse. Anforderungen:

- Ein Python-Prozess mit Typer, SQLite, trafilatura und scikit-learn.
- Eingang ist die eigene Sitemap. Jede Seite wird geholt und ihr Haupttext extrahiert, mit Beachtung von robots.txt und einer Sekunde Pause.
- Je Seite werden gespeichert: URL, Titel, Wortzahl, Datum der letzten Änderung aus dem HTTP-Kopf oder den strukturierten Daten, interne eingehende Links, und ein TF-IDF-Vektor des Textes.
- Gruppiere die Seiten mit k-means in Themencluster. Die Anzahl der Cluster ist ein Parameter mit Standardwert, kein Geheimnis. Je Cluster werden die zehn kennzeichnenden Begriffe ausgegeben, damit du erkennst, worum es geht.
- Finde die drei Probleme, die wirklich zählen: mehrere Seiten im selben Cluster mit sehr ähnlichem Vektor, also Kannibalisierung; Cluster mit nur einer Seite, also dünne Abdeckung; Seiten ohne eingehende interne Links, also verwaist.
- Priorisiere mit einer offen dokumentierten Formel aus Wortzahl, Alter, interner Verlinkung und Clustergröße. Die Formel steht in der README und lässt sich in der Konfiguration ändern. Ein Punktwert ohne Formel ist wertlos.
- Je Seite eine Empfehlung aus einer festen Liste: zusammenführen, aktualisieren, intern verlinken, ausbauen, unverändert lassen. Jede Empfehlung nennt den Grund und die betroffene Nachbarseite.
- Ausgabe als CSV und als HTML-Bericht, nach Priorität sortiert.
- Deutsch sind Bericht, Ausgaben, Kommentare und README. Alle Bezeichner bleiben englisch: Befehle, Optionen, Tabellen, Spalten.

Bewusst weglassen:

- Eigene Themen- und Suchdaten aus lizenzierten Quellen.
- Wettbewerbsvergleiche mit fremden Websites.
- Automatisches Erzeugen der empfohlenen Inhalte.