Überblick
Bisher haben wir KI immer manuell angewiesen – du tippst, die KI antwortet. Ein Agent macht das nächste Level: Er erledigt Aufgaben selbstständig, ohne dass du jeden Schritt eingibst. In dieser Session siehst du wie das funktioniert – und was ein echter Agent live tut.
[🟢
Block A – Für alle
Verstehen & ansehen
Kein Vorwissen nötig. Was ist ein Agent, wie sieht er live aus?
↓ Direkt dorthin](#block-a) [🔵
Block B – Einsteiger
Step by Step aufbauen
Mit Python Grundkenntnissen. Schritt für Schritt erklärt.
↓ Direkt dorthin](#block-b) [🟠
Block C – Fortgeschritten
Code verstehen & anpassen
Architektur, Code-Erklärung, eigene Themen einbauen.
↓ Direkt dorthin](#block-c)
🟢 Für alle – kein Vorwissen nötig
💡
Phase 1 · Impuls
Chatbot vs. Agent – der Unterschied in einem Satz
Du kennst ChatGPT und Claude bereits – du schreibst, die KI antwortet. Das ist ein Chatbot. Praktisch, aber du bist immer der Fahrer.
Ein Agent ist anders. Du gibst ihm ein Ziel – und er entscheidet selbst wie er dahin kommt. Er kann mehrere Schritte hintereinander ausführen, Daten sammeln, analysieren und Ergebnisse speichern. Du bist nicht mehr der Fahrer – du bist der Chef.
💬 Chatbot
Du führst – KI folgt
Du stellst eine Frage, die KI antwortet einmal. Beim nächsten Schritt fragst du wieder. Jeder Schritt braucht dich.
🤖 Agent
Du gibst ein Ziel – Agent erledigt es
Du sagst was du willst. Der Agent plant, führt aus und liefert das Ergebnis. Du tust nichts außer warten.
💡 Merksatz: Ein Chatbot beantwortet Fragen. Ein Agent erledigt Aufgaben. Der Unterschied ist Autonomie – wie ein Assistent der nicht auf jede Einzelanweisung wartet.
📋
Phase 2 · Nachmachen
Ein echter Agent – live ansehen
Reden wir nicht lange – schau dir an was ein Agent tatsächlich tut. Dieser Agent analysiert jede Woche automatisch die viralen Food-Trends auf Instagram und TikTok und bewertet sie mit KI:
🍕 Food Trend Agent – Ergebnis diese Woche
⏳ Aktuelle Trends werden geladen…
Was du gerade siehst ist das automatische Ergebnis eines Agents der wöchentlich läuft – kein manuelles Eintippen, keine Copy-Paste Arbeit. Der Agent hat die Themen gesammelt, Claude hat sie analysiert und bewertet, das Ergebnis wurde gespeichert.
3 Alltagsbeispiele wo Agents Zeit sparen
Food-Trends sind nur ein Beispiel. Agents können fast jede wiederkehrende Aufgabe übernehmen:
📧
E-Mail Zusammenfassung
Ein Agent scannt täglich deinen Posteingang, filtert wichtige Emails und schickt dir um 8 Uhr eine kurze Zusammenfassung – was dringend ist, was warten kann.
⏱️ Spart ~20 Min täglich
📊
Wöchentlicher Report
Ein Agent sammelt automatisch Zahlen aus verschiedenen Quellen, erstellt jeden Montag einen Bericht und schickt ihn ans Team – ohne dass jemand einen Finger rührt.
⏱️ Spart ~2 Std pro Woche
🔍
Markt-Monitoring
Ein Agent beobachtet täglich Mitbewerber, neue Produkte oder Preisänderungen und meldet sich nur wenn etwas Relevantes passiert.
⏱️ Spart stundenlange manuelle Recherche
🚀
Phase 3 · Anwenden
Deine Aufgabe – nachdenken, nicht nachmachen
Für diese Phase musst du nichts installieren. Stell dir einfach vor welche wiederkehrende Aufgabe in deinem Alltag ein Agent übernehmen könnte:
- ☐Schau dir das Live Dashboard an – sieh wie ein echter Agent aussieht
- ☐Denk an eine Aufgabe die du jede Woche manuell erledigst – könnte ein Agent das übernehmen?
- ☐Schreib den Ablauf in 3 Schritten auf: Was sammelt der Agent? Was analysiert er? Was gibt er aus?
🎯 Das Wichtigste: Du musst keinen Agent selbst bauen um davon zu profitieren. Verstehen wie Agents denken – das reicht um bessere Entscheidungen darüber zu treffen wann und wie du KI-Automatisierung einsetzt.
🔵 Block B – Einsteiger mit Python Grundkenntnissen
🔵
Den Agent selbst aufbauen – Schritt für Schritt
Du hast den Agent live gesehen – jetzt baust du ihn selbst. Keine Angst: Jeder Schritt ist genau erklärt. Du brauchst nur einen Computer, eine Internetverbindung und etwas Geduld. Wähle zuerst dein Betriebssystem:
1
Python prüfen – hast du es schon?
Öffne das Terminal (CMD+Leertaste → “Terminal” tippen → Enter). Dann diesen Befehl eingeben:
python3 —version
✅ Wenn du “Python 3.x.x” siehst – perfekt, weiter zu Schritt 2.
⚠️ Wenn “command not found” erscheint → python.org öffnen → Download → Installieren → Terminal neu starten.
2
Projektordner anlegen
Im Terminal einen neuen Ordner erstellen und hineinwechseln:
mkdir dotry-agent && cd dotry-agent
✅ Du siehst jetzt “dotry-agent” am Ende deiner Terminal-Zeile.
3
Die 3 Agent-Dateien herunterladen
Lade diese 3 Dateien herunter und lege sie in den dotry-agent Ordner:
📥 fetch_sources.py herunterladen 📥 analyze_trends.py herunterladen 📥 run_agent.py herunterladen
⚠️ Tipp: Rechtsklick auf den Link → “Speichern unter” → in den dotry-agent Ordner.
4
Pakete installieren
Diese zwei Pakete braucht der Agent. Im Terminal eingeben:
pip3 install feedparser anthropic
✅ Du siehst “Successfully installed…” – perfekt.
⚠️ Wenn “pip3: command not found” → stattdessen: python3 -m pip install feedparser anthropic
5
API Key holen
Geh auf console.anthropic.com → Account erstellen → “API Keys” → “Create Key” → Key kopieren. Dann im Terminal:
export ANTHROPIC_API_KEY=sk-ant-dein-key-hier
⚠️ Den echten Key einfügen – nicht den Beispiel-Text. Der Key beginnt mit “sk-ant-”.
6
Sicherstellen dass du im richtigen Ordner bist
Im Terminal prüfen ob die 3 Dateien da sind:
analyze_trends.py fetch_sources.py run_agent.py
✅ Du solltest sehen: analyze_trends.py · fetch_sources.py · run_agent.py
⚠️ Falls nicht: cd ~/Downloads/dotry-agent (oder wo du die Dateien gespeichert hast)
7
Agent starten! 🚀
Jetzt den Agent ausführen:
python3 run_agent.py
✅ Du siehst: dotry.ai Food Trend Agent Sources prepared: 15 topics Claude analyzed 5 trends Done → trends.json updated ✓
⚠️ Wenn “401 Authentication error” erscheint → API Key nochmal setzen (Schritt 5).
8
Dashboard im Browser öffnen 🎉
Die /agent_dashboard herunterladen, in denselben Ordner legen und im Browser öffnen – oder direkt hier ansehen:
1
Python prüfen – hast du es schon?
Öffne die Eingabeaufforderung (Windows-Taste → “cmd” tippen → Enter). Dann eingeben:
python —version
✅ Wenn du “Python 3.x.x” siehst – perfekt, weiter zu Schritt 2.
⚠️ Wenn nichts erscheint → python.org öffnen → “Download Python 3.x” → Installieren → ✅ “Add Python to PATH” anklicken → cmd neu starten.
2
Projektordner anlegen
In der Eingabeaufforderung einen Ordner erstellen:
mkdir dotry-agent && cd dotry-agent
✅ Du siehst jetzt “dotry-agent” in der Pfadzeile.
3
Die 3 Agent-Dateien herunterladen
Lade diese 3 Dateien herunter und lege sie in den dotry-agent Ordner:
📥 fetch_sources.py herunterladen 📥 analyze_trends.py herunterladen 📥 run_agent.py herunterladen
4
Pakete installieren
In der Eingabeaufforderung eingeben:
pip install feedparser anthropic
✅ Du siehst “Successfully installed…” – perfekt.
5
API Key holen & setzen
Geh auf console.anthropic.com → Account erstellen → “API Keys” → “Create Key” → Key kopieren. Dann in der Eingabeaufforderung:
set ANTHROPIC_API_KEY=sk-ant-dein-key-hier
⚠️ Den echten Key einfügen. Wichtig: Diesen Befehl in jeder neuen Eingabeaufforderung wiederholen.
6
Prüfen ob die Dateien da sind
dir
✅ Du solltest sehen: analyze_trends.py · fetch_sources.py · run_agent.py
7
Agent starten! 🚀
python run_agent.py
✅ Du siehst: dotry.ai Food Trend Agent Sources prepared: 15 topics Claude analyzed 5 trends Done → trends.json updated ✓
⚠️ Wenn “401 error” → API Key nochmal setzen (Schritt 5).
8
Dashboard im Browser öffnen 🎉
Die /agent_dashboard herunterladen, in denselben Ordner legen und doppelklicken – oder direkt hier:
🟠 Block C – Fortgeschritten · Den Agent zu deinem machen
🟠
Den Agent verstehen – und anpassen
Du hast den Agent zum Laufen gebracht. Jetzt geht es einen Schritt weiter: Was macht jede Datei wirklich? Und wie baust du den Agent so um, dass er nicht mehr Food-Trends analysiert – sondern deine eigene Nische?
Was macht jede Datei wirklich?
📥 fetch_sources.py
Liefert die Rohstoff-Liste – die Themen die Claude analysieren soll. Aktuell sind das 15 kuratierte Food-Begriffe. Das ist die einzige Datei die du ändern musst um eine andere Nische zu analysieren.
🧠 analyze_trends.py
Schickt die Themen an Claude und gibt ihm genaue Anweisungen wie er antworten soll. Der Prompt hier bestimmt die Qualität der Analyse. Du kannst Kategorien, Sprache und Ausgabeformat anpassen.
⚙️ run_agent.py
Der Dirigent – ruft fetch und analyze auf, baut das JSON zusammen und speichert es. Diese Datei musst du kaum anfassen.
Beispiel: Von Food-Trends zu KI-Tool-Trends
Nur 2 Änderungen – und der Agent analysiert eine komplett andere Nische:
fetch_sources.py – Themen austauschen
# VORHER: Food-Trends
FOOD_SEED_TOPICS = [
"viral pasta recipes TikTok 2026",
"high protein meal prep trending",
...
]
# NACHHER: KI-Tool-Trends – einfach austauschen!
FOOD_SEED_TOPICS = [
"Claude AI neue Features 2026",
"Cursor AI coding viral",
"Perplexity vs Google trending",
"GPT-4o updates viral",
"AI Agents automation trending",
"Midjourney v7 viral",
"Sora video AI trending",
]analyze_trends.py – Prompt und Kategorien anpassen
# VORHER: Food-Kategorien
"category": "eine von: Comfort Food, Health, Asian Fusion..."
# NACHHER: KI-Tool-Kategorien
"category": "eine von: Bildgenerierung, Textgenerierung, Coding, Automatisierung, Suche"
# Und den Prompt-Titel anpassen:
# "Du bist ein Food-Trend Analyst"
# → "Du bist ein KI-Tool Analyst"💡 Ideen für eigene Nischen: Sport-Trends · Reiseziele · Aktien-Signale · Stellenangebote · lokale Events · Gaming-Trends · Mode. Die Architektur bleibt immer gleich – nur die Themen und Kategorien ändern sich.
Den Prompt verfeinern
Der Prompt in analyze_trends.py ist der mächtigste Hebel. Kleine Änderungen – große Wirkung:
Sprache ändern
Füge hinzu: “Antworte auf Englisch” → für internationale Märkte
Mehr Trends
Ändere: “wähle die 5 interessantesten” → “wähle die 10 interessantesten”
Zielgruppe angeben
Füge hinzu: “Erkläre es für Menschen ohne Vorkenntnisse”