KI-Agenten: Warum Claude Skills allein nicht reichen

SKILL.md ist die Einstiegsdatei eines Agent Skills. Sie beschreibt, wann der Skill relevant ist und wie der Agent die Aufgabe angehen soll. Claude Skills können zusätzlich Skripte, Vorlagen und Referenzdokumente enthalten. ^{1 2}

Ein Skill für Social-Media-Analysen könnte den Agenten beispielsweise anweisen, den Geschäftskontext zu lesen, die Aktivitäten von Mitbewerbern abzurufen, Ergebnisse zu vergleichen und Content-Ideen mit nachvollziehbaren Quellen vorzuschlagen.

Ein mitgeliefertes Skript kann einen Teil dieser Arbeit übernehmen. Wenn Sie den Skill zu Claude oder ChatGPT hinzufügen, entsteht dadurch aber weder automatisch ein gemeinsamer Datenspeicher noch ein Erfassungsprozess, der nach dem Schliessen des Chats weiterläuft.

Prüfen Sie bei einer Geschäftsaufgabe, aus welchen Systemen der Skill tatsächlich lesen kann und in welchen er Aktionen ausführen darf.

Wir entwickeln für Swiss Product Studio einen Social-Media-Agenten. Er braucht Beiträge von Mitbewerbern, Kontoinformationen und Messwerte, die zu bekannten Zeitpunkten erfasst werden.

Es gibt wenig Grund, ein Sprachmodell alle paar Stunden entscheiden zu lassen, dieselben Konten abzurufen und die Ergebnisse zu speichern. Sobald Quellen und Erfassungsregeln feststehen, ist das eine gewöhnliche Automatisierungsaufgabe.

Das kann ein zeitgesteuerter n8n-Workflow erledigen. Ebenso eignet sich ein selbst entwickelter Collector auf einer Cloud-Plattform. Entscheidend ist ein laufender Prozess, der Daten abruft, Fehler behandelt und das Ergebnis protokolliert. Der Schedule Trigger von n8n startet Workflows beispielsweise in festen Abständen oder zu festgelegten Zeiten. ³

Einen bekannten Endpunkt abrufen, IDs prüfen, Duplikate entfernen und Datensätze speichern: Das funktioniert ohne Aufruf eines Sprachmodells. Die übliche Datenerfassung muss keine Claude- oder OpenAI-Credits verbrauchen.

Setzen Sie KI dort ein, wo Interpretation hilft: um ein Muster einzuordnen, eine Quelle zu beurteilen oder eine Idee zu entwickeln. Der Collector kann seine definierte Aufgabe währenddessen im Hintergrund erledigen.

Wohin gehen die Daten, nachdem Sie sie erfasst haben?

Für ein Experiment sind Dateien auf dem Laptop praktisch. Für einen Unternehmensprozess, den mehrere Personen, Agenten und Werkzeuge nutzen, bietet eine gemeinsame Datenbank die sinnvollere Grundlage.

Der Social-Media-Agent kann dieselben Datensätze lesen wie ein Dashboard. Ein anderer Assistent kann sie für einen Bericht verwenden. Eine autorisierte Anwendung macht sie auf dem Laptop oder Smartphone zugänglich, ohne von einem bestimmten Chat oder dem Computer einer einzelnen Person abzuhängen.

Auch beim Wechsel des Assistenten bleibt die Historie erhalten. Ihr Unternehmen nutzt vielleicht heute Claude und in sechs Monaten einen Agenten auf Basis von OpenAI. Eine separat verwaltete Datenbank und ein unabhängiger Erfassungsprozess bieten beiden dieselbe Arbeitsgrundlage.

Möglicherweise müssen Sie einen Konnektor oder eine Werkzeugschnittstelle anpassen. Sie sollten aber nicht die gesamte Datenhistorie neu erfassen müssen, nur weil Sie das Modell wechseln, das sie liest.

Bei einer Datenbank geht es um mehr als einen Ablageort für die Ausgabe des Collectors. Ihr Datenmodell legt fest, was die Datensätze darstellen und wie sie zusammenhängen.

Für unseren Social-Media-Agenten haben wir die beworbene Marke, beobachtete Unternehmen oder Personen, deren Social-Media-Konten, Beiträge und die Messungen zu diesen Beiträgen getrennt erfasst.

Der Veröffentlichungszeitpunkt eines Beitrags und der Erfassungszeitpunkt einer Kennzahl sind unterschiedliche Fakten. Speichern wir sie getrennt, kann der Agent einen gestern veröffentlichten Beitrag von einem älteren Beitrag unterscheiden, den wir gestern gemessen haben. Wiederholte Messungen ermöglichen dann Vergleiche über die Zeit.

Auch Beziehungen sind wichtig. Ein Unternehmen kann mehrere Konten haben. Ein Konto kann viele Beiträge veröffentlichen. Zu einem Beitrag können mehrere Messungen vorliegen. Stabile IDs verbinden diese Datensätze, ohne dass das Modell Namen jedes Mal neu zuordnen muss.

Bei unserer ersten Analyse fanden wir zudem einen persönlichen Beitrag im Feed eines Unternehmens. Bevor wir dessen Interaktionen zur Followerzahl des Unternehmens ins Verhältnis setzten, mussten wir prüfen, wer ihn tatsächlich verfasst hatte. Datensätze und Quellenverweise machten diese Prüfung möglich. Eine gute Anweisung allein hätte die fehlende Zuordnung nicht geliefert.

Dasselbe gilt für Kunden, Rechnungen, Projekte und Besprechungen. Definieren Sie Objekte, Beziehungen, Zeitangaben und Geschäftsregeln so, dass der Agent aussagekräftige Datensätze abfragen kann. AWS beschreibt gemeinsame Begriffe, Beziehungen und Kennzahlendefinitionen als Teil des Geschäftskontexts, den Agenten hinter den Daten brauchen. ⁴

Wenn Zahlen in einer Datenbank liegen, nutzen Sie die Datenbank für die Berechnungen.

Ein Agent kann eine Frage wie «Welches dieser Konten hatte letzten Monat die höchste mediane Interaktionsrate?» in eine passende Abfrage übersetzen oder ein Werkzeug aufrufen, das eine vereinbarte Berechnung ausführt. SQL filtert die Datensätze, verknüpft die relevanten Tabellen und berechnet das Ergebnis. Das Sprachmodell kann es anschliessend erklären.

So erhalten Sie eine Berechnung, die sich prüfen und wiederholen lässt. PostgreSQL bietet Aggregatfunktionen für Anzahlen, Summen, Mittelwerte und statistische Berechnungen sowie numerische Datentypen für Werte mit festgelegter Genauigkeit. ^{5 6}

Abfrage und fachliche Definition müssen weiterhin stimmen. Die Interaktionen eines persönlichen Beitrags durch die Followerzahl eines Unternehmens zu teilen, bleibt ein falscher Vergleich, auch wenn SQL die Rechnung fehlerfrei ausführt.

Für unsere eigene Social-Media-Analyse haben wir ein Berechnungsskript verwendet und die Ergebnisse unabhängig mit SQL geprüft. Das Prinzip bleibt gleich: Die Mathematik wird in Software ausgeführt, statt das Sprachmodell eine Zahl aus seinen Überlegungen erzeugen zu lassen.

Ein Skill kann die Formel und ihren Anwendungsbereich dokumentieren. Eine geprüfte Abfrage oder ein Berechnungswerkzeug führt die Arbeit aus.

Nehmen wir nun Besprechungstranskripte. Wenn Sie Hunderte lange Gespräche haben, ist es kein sinnvoller Standard, dem Assistenten für jede einzelne Frage den gesamten Rohtext zu geben.

Sie können die Originaltranskripte aufbewahren, in sinnvolle Textabschnitte aufteilen und jeden Abschnitt mit Besprechungs-ID, Datum, Sprecherinformationen und einem Verweis auf die Stelle im Original speichern. Vektoreinbettungen, auch Vector Embeddings genannt, stellen die Bedeutung des Textes als Zahlen dar. So findet das System relevante Abschnitte auch dann, wenn die Frage andere Wörter verwendet. Stichwortsuche und diese semantische Suche können zusammenarbeiten. ⁷

Die Vektoreinbettungen lassen sich in einer Vektordatenbank oder in einer relationalen Datenbank mit Vektorunterstützung speichern. ⁷

Das unterstützt Retrieval-Augmented Generation (RAG): Das System ruft relevante Unternehmensinformationen ab und gibt sie dem Sprachmodell als Kontext für seine Antwort. Vektoreinbettungen helfen beim Finden der Informationen. RAG bezeichnet den umfassenderen Ablauf, bei dem abgerufene Informationen in eine generierte Antwort einfliessen. ⁴

Eine Frage zu den Preiseinwänden eines Kunden kann die Suche beispielsweise zuerst auf dessen Besprechungen begrenzen und dann die relevanten Textabschnitte abrufen. Der Agent kann damit antworten und auf die Originaltranskripte verweisen, wenn jemand den Zusammenhang prüfen möchte.

Auch das ist eine Entscheidung zum Datenmodell: wie der Text organisiert ist, welche Metadaten ihn mit dem Geschäft verbinden und wie der Zugriff geregelt ist. Bei wenigen Dokumenten reicht möglicherweise eine normale Textsuche. Ein grösseres, vielfältiges Archiv kann von semantischer oder hybrider Suche profitieren.

Das Erzeugen von Vektoreinbettungen kann selbst ein Modell verwenden und Kosten verursachen. Es ist ein separater, definierter Verarbeitungsschritt. Der Chat-Agent muss dadurch nicht für jede Frage das gesamte Archiv erneut lesen.

Die Architektur, die wir anstreben würden, trennt vier Verantwortlichkeiten:

Mit diesen Teilen können unterschiedliche Assistenten mit denselben Geschäftssystemen arbeiten. Claude analysiert die Daten heute. Ein Agent auf Basis von OpenAI nutzt sie später. Ein Dashboard kann sie ganz ohne Sprachmodell abfragen.

Diese Trennung erleichtert auch die Verbesserung des Skills. Sie können Analyseschritte verfeinern, ein besseres Beispiel ergänzen oder das gewünschte Ausgabeformat ändern, während der Collector weiterläuft und die Datenbank ihre Historie behält.

Der Skill wird so zu einer wiederverwendbaren Arbeitsweise für das System, das Sie aufgebaut haben.

Skills sind sinnvoll. Sie machen Abläufe leichter teilbar, wiederholbar und anpassbar. Zu einem verlässlichen Agenten gehört aber auch die Entscheidung, welche Arbeit normale Automatisierung übernimmt, wo Unternehmensdaten liegen und welche Werkzeuge sie zugänglich machen.

Für unseren Social-Media-Agenten entsteht der Nutzen durch die Verbindung dieser Teile: Erfassungsprozesse, strukturierte Datensätze, nachvollziehbare Analysen und Anweisungen, mit denen der Assistent aus den Ergebnissen brauchbare Vorschläge entwickelt.

Beginnen Sie mit einer Aufgabe und bestimmen Sie Datenquelle, Erfassungsrhythmus, Speicherort und benötigte Werkzeuge. Verbessern Sie die Skill-Datei laufend, während diese Systeme auch nach dem Ende des Chats oder einem Modellwechsel nützlich bleiben.

1. Anthropic: Agenten mit Agent Skills für reale Aufgaben ausstatten. Anweisungen, schrittweises Laden und mitgelieferte Skripte. ↑1
2. Agent Skills: Spezifikation. Erforderliche Einstiegsdatei und optionale Ressourcen. ↑1
3. n8n: Schedule Trigger. Veröffentlichte Workflows in definierten Abständen und zu festgelegten Zeiten ausführen. ↑1
4. AWS: Eine Datengrundlage für agentische KI aufbauen. Beziehungen, Kennzahlendefinitionen, Aktualität und fachliche Bedeutung. ↑1 ↑2
5. PostgreSQL: Aggregatfunktionen. Berechnungen über mehrere Datensätze. ↑1
6. PostgreSQL: Numerische Datentypen. Ganzzahlen, exakte numerische Werte und Gleitkommazahlen. ↑1
7. Supabase: Semantische Suche. Einbettungen, Suche nach Bedeutung und Kombination mit Stichwortsuche. ↑1 ↑2