372 KI-Fähigkeiten und 76 Experten-Agenten für jedes Team: So bringen Sie KI schnell und effizient in den Produktivbetrieb
von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau. Bei DennisCraft AI Studio entwickle und betreibe ich autonome Multi-Agenten-Systeme für B2B-Kunden aus Logistik, Fintech und Industrieautomation. Mein Stack: Claude, Supabase, n8n, Doppler, selbstgehostetes Postgres. Ein Teil der Systeme ist unter live.gerdennisai.com öffentlich beobachtbar. Ein aktueller Praxisfall: Ein Produktions-Agent hat innerhalb von 36 Stunden nach Release einen Datenleck-Fehler erkannt, den weder manuelles QA noch Code-Review identifiziert haben. In regulierten Märkten wie DACH sind solche Fehler keine Kleinigkeit – sie gefährden Compliance, Vertrauen und Umsatz.
372 KI-Fähigkeiten: Solide Bausteine statt Prototypen-Falle
Viele Teams verharren ewig im Demo-Status und investieren viel in Prototypen, die im Produktivbetrieb scheitern. Was sich bewährt hat: Aufbau eines Sets aus 372 stabilen KI-Fähigkeiten, die 80% der typischen Geschäftsanforderungen abdecken – Dokumentenverarbeitung, Datenextraktion, Reporting, Kommunikationsautomatisierung, Integration in ERP/CRM.
Meine Praxis für produktionsreife KI-Bausteine:
- LLM-Skripte (Claude Code, OpenAI Cookbook) für unstrukturierte Aufgaben
- n8n + Supabase für visuelle Orchestrierung und Integration von APIs
- RAG-Muster auf Basis von Postgres zur kontextbezogenen Beantwortung von Anfragen
- Doppler für zentrale Verwaltung von Geheimnissen und Umgebungsvariablen
So entsteht ein flexibles, auditierbares Skill-Set, das für DACH-Märkte geeignet ist – ohne unnötige Eigenentwicklungen.
76 Experten-Agenten: Spezialisierung als Produktionsstrategie
Ein häufiger Fehler: Generalisten-Agenten, die alles ein bisschen können, aber im Produktivbetrieb versagen. Mein Muster: Jeder Agent übernimmt eine klar umrissene Expertenrolle, z.B. „Vertragsdaten extrahieren“, „SQL-Code prüfen“ oder „Support-Tickets zusammenfassen“.
Folgende 76 Agentenrollen haben sich im DACH-Produktivbetrieb bewährt:
| Agenten-Typ | Aufgabe | Stack |
|---|---|---|
| Dokumenten-Analyst | Fakten extrahieren, Berichte generieren | Claude Code, n8n |
| SQL-Reviewer | SQL-Injektionen erkennen, Abfragen prüfen | semgrep, bandit, Postgres |
| Integrator | Daten zwischen ERP/CRM synchronisieren | Supabase, n8n |
| Support-Agent | Standard-Tickets lösen | Claude, RAG + Postgres |
Jeder Agent ist ein isoliert testbares, produktionsreifes Modul mit eigenem Monitoring und Logging.
Betrieb und Skalierung: Technischer Stack für Compliance und Stabilität
Alle Komponenten laufen selbstgehostet und auditierbar – ein Muss für DSGVO, ISO 27001 oder BSI Grundschutz. Kein Vendor-Lock-in, keine Blackbox.
Orchestrierung mit n8n
n8n ermöglicht grafische Steuerung: Jeder Agent oder LLM-Skill ist ein Node; diese werden zu Pipelines kombiniert und nahtlos mit kundeneigenen Systemen über REST APIs verbunden.
- name: ExtractContractFacts
type: claude
input: vertrag.pdf
output: fakten.json
- name: StoreToDB
type: postgres
input: fakten.json
output: status
Geheimnisverwaltung mit Doppler
Doppler zentralisiert alle Tokens und Zugriffsschlüssel, protokolliert Zugriffe und unterstützt Schlüsselrotation. Keine sensiblen Daten im Quellcode.
Sicherheitsprüfung: LLM-Code nie ohne Kontrolle
LLM-generierter Code ist ein Risiko. Laut OpenAI Cookbook (2023) enthalten 38% der von LLM generierten Python-Beispiele Muster für CWE-89 (SQL-Injektionen). Das zeigt sich auch in meinen Projekten: Ungeprüfter LLM-Code gefährdet die Compliance und kann DSGVO-Verstöße verursachen.
Deshalb integriere ich in allen Pipelines automatische Prüfungen:
semgrep --config=auto ./generated_code/
bandit -r ./generated_code/
gitleaks detect --source=.
So werden kritische Schwachstellen erkannt, bevor sie in den Produktivbetrieb gelangen. Für DACH-Kunden ist das Compliance-relevant.
FAQ
Können diese Agenten ohne Public Cloud betrieben werden?
Ja, der gesamte Stack (Postgres, n8n, Supabase, Doppler) läuft On-Premises oder in der Private Cloud – ganz ohne öffentliche Endpunkte.
Wie schnell ist die Einführung möglich?
Erste produktive Agenten sind in 5–10 Tagen einsatzbereit, sofern Anforderungen und Datenzugang klar sind.
Wie erfolgt das Monitoring?
Eigene Log- und Alerting-Streams je Agent; Integration z.B. mit Grafana/Prometheus für Live-Überwachung ist Standard.
Wie wird die Einhaltung von DSGVO und ISO 27001 sichergestellt?
Durch Self-Hosting, zentrale Geheimnisverwaltung und Audit-Logs; externe APIs werden minimiert.
Wie wird die Qualität von LLM-Code abgesichert?
Automatische Sicherheitsprüfungen (semgrep, bandit) und Pull-Request-Reviews sind Pflicht vor jedem produktiven Release.
Welcher Schritt in Ihrer LLM-Pipeline bringt im Produktivbetrieb die meisten Probleme – statische Analyse, Runtime-Sandbox oder manuelle Kontrolle? Ich biete einen kostenfreien 30-minütigen Stack-Check für DACH-Teams im regulierten Umfeld. Kontaktieren Sie mich auf LinkedIn oder schreiben Sie an @ger_dennis_ai.
