KI Projekte
Job Market Intelligence mit vier
KI-Agenten Konzept für autonome
Job-Markt- und Trendanalyse
Konzept
Idee
Einzelne Stellenanzeigen zeigen keinen Markt. Welche Rollen, Skills und Zertifikate an Bedeutung gewinnen und welche verlieren, wird erst sichtbar, wenn hunderte Anzeigen über Wochen gesammelt, vereinheitlicht und verglichen werden. Genau diese Analyse auf historisch gesammelten Daten liefert das System, für Executive Search, Interim Management und Karriereplanung. Der Nutzer stellt seine Frage in normaler Sprache und bekommt eine Grafik zurück.
Architektur & Stack
Das Konzept sieht vier spezialisierte Agenten auf Agenten-Technik von Anthropic vor. Zwei sammeln Stellen über eine offizielle API und zwei Fach-Feeds, einer vereinheitlicht, validiert und dedupliziert die Daten, einer aggregiert sie zu Trend-Tabellen mit Historie. Ein Claude-Chat-Projekt liest ausschließlich die fertigen Auswertungen und erzeugt Dashboards direkt im Chat. Die Pipeline ist serverlos ausgelegt, rund um die Uhr in der Cloud, für wenige Euro im Monat.
Status & Erkenntnisse
Ausgearbeitetes Konzept für die Nische Digital Transformation und IT Leadership, die Umsetzung als vorführbarer Demonstrator ist der nächste Schritt. Die wichtigste Architektur-Entscheidung ist die vollständige Entkopplung. Der Chat liest nur die Trend-Tabellen und spricht nie direkt mit den Agenten, Sammlung und Auswertung bleiben getrennt. Das hält das System wartbar und Fehler beherrschbar.
Agentischer Job-Markt Scanner
Agentischer Markt-Scanner mit Claude Code Browser-Automatisierung und persistentem Gedächtnis
Idee
Ein Agent durchsucht regelmäßig Online-Portale nach definierten Kriterien, bewertet Treffer gegen ein Profil und merkt sich bereits geprüfte Einträge über alle Läufe hinweg. Entstanden für die eigene Recherche im Stellenmarkt, übertragbar auf jede wiederkehrende Portal-Recherche.
Architektur & Stack
Claude Code als Steuerung, Browser-Automatisierung für die Recherche, persistentes Gedächtnis über GitHub Gists und ein mehrstufiger Bewertungs-Workflow mit Scoring.
Ergebnis & Erkenntnisse
Eine wiederkehrende manuelle Recherche läuft heute vollständig automatisiert, inklusive Duplikat-Erkennung über das externe Gedächtnis. Die wichtigste Erkenntnis betrifft agentische Browser-Automatisierung, Stabilität entsteht durch klare Workflows und ein externes Gedächtnis, längere Prompts ändern daran wenig.
KI-Vermarktungs-Coach
KI-Vermarktungs-Coach für Führungskräfte Strukturierter Coaching-Prozess als KI-Assistent
Idee
Ein KI-Assistent führt Führungskräfte und Interim Manager durch einen vollständigen Vermarktungs-Prozess, von der Analyse der eigenen Unterlagen über Positionierung und Zielkunden bis zu Marktanalyse und persönlichem Entwicklungsplan. Entwickelt für den Einsatz in der Karriereberatung.
Architektur & Stack
LLM-Assistent mit Wissensspeicher für CV, LinkedIn-Profil und Website des Coachees. Ein 13-stufiger, strikt sequenzieller Prozess mit Validierungsschleifen, ergänzt um Befehle für Anschreiben, Job-Matching und Artikel-Erstellung. Marktanalysen laufen über Web-Recherche mit Quellenpflicht, alle Ergebnisse entstehen als PDF-Dokumente.
Ergebnis & Erkenntnisse
Ein wiederholbarer Coaching-Prozess, der aus verstreuten Unterlagen eine konsistente Positionierung, eine Kanalstrategie und einen Vermarktungsplan erzeugt. Die wichtigste Erkenntnis liegt in der Prompt-Architektur, ein probabilistisches Sprachmodell wird durch Schrittnummern, Wartepunkte und Validierungsschleifen zu einem verlässlichen Ablauf geführt. Halluzinationen verhindert eine harte Grundregel, der Assistent arbeitet ausschließlich mit den bereitgestellten Dokumenten und benennt fehlende Informationen, statt sie zu erfinden.
Ein RAG Chatbot ohne Coding
RAG-Wissensassistent mit kontrollierten Quellen Retrieval Augmented Generation für verlässliche Antworten
Idee
Ein Sprachmodell kennt die Welt aus seinem Training, breit, aber weder aktuell noch spezifisch genug für Fachfragen. Bei Rechtsfragen darf es nicht spekulieren. Der Assistent antwortet deshalb ausschließlich aus geprüften Dokumenten und benennt seine Quellen. Als Anwendungsbeispiel dient ein Assistent für Rechtsfragen von Immobilienmaklern auf Basis von Gesetzestexten im PDF-Format.
Architektur & Stack
Orchestrierter RAG-Workflow mit n8n. Die Pipeline liest PDF-Dokumente ein, zerlegt sie in Abschnitte und legt sie als Embeddings in Pinecone ab. Bei jeder Frage sucht der Workflow die relevanten Passagen, übergibt sie dem Sprachmodell über API und erzwingt Antworten mit Quellenangabe.
Ergebnis & Erkenntnisse
Antworten mit Quellenangabe statt Spekulation, übertragbar auf jede Domäne mit kontrolliertem Wissen, von Compliance über Verträge bis zur Support-Dokumentation. Der eigentliche Aufwand liegt in Beschaffung, Aufbereitung und Governance der Wissensbasis. Das Modell selbst ist der kleinste Teil der Lösung, und genau diese Erkenntnis prägt meine Beratung bei RAG-Projekten.
Mehr Details findet ihr in diesem Blog Artikel.