Schluss mit Prompten: Jetzt wird konstruiert
2023 war „Prompt Engineering“ das Spitzenthema der SEO-Branche: Man suchte die richtigen Zauberformeln, damit ChatGPT einen halbwegs brauchbaren Blogbeitrag schreibt. 2026 ist Prompt Engineering eine Standardfähigkeit. Die neue Disziplin heißt Agentic SEO Workflow Engineering.
Eine einzelne LLM-Sitzung arbeitet linear und stößt schnell an Grenzen. Sie halluziniert, verliert Kontext und scheitert an komplexen, mehrstufigen Aufgaben. Ein Agentic SEO Workflow dagegen ist ein System spezialisierter KI-Agenten, die Aufgaben selbstständig hintereinander abarbeiten.
- Agent A (der Researcher) durchsucht das Live-Web nach Fakten.
- Agent B (der Drafter) schreibt den Inhalt ausschließlich auf Basis dieser Fakten.
- Agent C (der Editor) prüft den Entwurf gegen konkrete Markenrichtlinien.
Bei kōdōkalabs schreiben wir Inhalte nicht von Hand. Wir entwerfen diese Agentenketten. So lässt sich „Information Gain“ skalieren, ohne Abstriche bei der Qualität.
Dieser Leitfaden ist kein Theorietext, sondern ein technisches Tutorial. Wir führen Sie durch die Logik und den Python-Code, mit denen Sie Ihre erste SEO-Agentenkette aus drei Knoten mit LangChain aufbauen.
Teil 1: Warum Agentic SEO Workflows dem „Chat-SEO“ überlegen sind
Bevor wir Code schreiben, brauchen wir ein Verständnis der Architektur. Warum ist sie besser, als einfach einen Prompt in Claude einzufügen?
1. Disziplin im Kontextfenster
Wer ein Modell bittet, „X zu recherchieren und dann Y zu schreiben“, überfrachtet sein Kontextfenster. Es muss Rechercheergebnisse und Stilvorgaben gleichzeitig im Blick behalten, und oft leiden beide Aufgaben darunter. In einer Agentenkette gibt der Researcher nur saubere, geprüfte Fakten an den Drafter weiter. Der Drafter sieht nie die unaufgeräumten Suchergebnisse, sondern nur die strukturierte Erkenntnis. Diese „Separation of Concerns“ führt zu besseren Ergebnissen.
2. Leitplanken gegen Halluzinationen
Ein einzelnes Modell will gefallen, notfalls auch mit erfundenen Fakten. Setzen Sie einen Editor-Agenten ein, dessen einzige Aufgabe es ist, Aussagen gegen die Eingabedaten zu verifizieren, entsteht eine Gegenprüfung, die Halluzinationen abfängt, bevor ein Mensch den Entwurf überhaupt sieht.
3. Schleifenlogik (der Selbstkorrektur-Mechanismus)
Lehnt der Editor-Agent den Entwurf ab, können wir eine „Schleife“ programmieren, die ihn mit konkretem Feedback („zu passiv, Abschnitt 2 neu schreiben“) an den Drafter zurückgibt. Das System iteriert, bis die Qualitätsschwelle erreicht ist.
Teil 2: Der Stack
Für den Aufbau brauchen Sie einen modernen SEO-Ops-Stack. Wir verwenden:
- Python 3.10+: die Sprache der KI-Entwicklung.
- LangChain: das Orchestrierungs-Framework, das die LLMs verbindet.
- OpenAI API (GPT-4o): die Reasoning-Engine.
- Tavily API oder Serper.dev: das Such-Tool (auf Englisch), das dem Researcher Live-Zugriff auf das Web gibt.
Voraussetzungen: Grundkenntnisse in Python und im Umgang mit API-Schlüsseln.
Teil 3: Die Architektur
Wir bauen eine sequenzielle Kette:
[Thema des Nutzers] -> [Researcher-Agent] -> {Research Brief} -> [Drafter-Agent] -> {Erstentwurf} -> [Editor-Agent] -> {Finales Manuskript}
Schritt 1: Die Umgebung einrichten
Installieren Sie zunächst die benötigten Bibliotheken.
pip install langchain langchain-openai tavily-python
Als Nächstes initialisieren wir in Python das LLM und das Suchwerkzeug.
import os
from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults
# Konfiguration
os.environ["OPENAI_API_KEY"] = "sk-..." # Ihr OpenAI-Schlüssel
os.environ["TAVILY_API_KEY"] = "tvly-..." # Ihr Tavily-Suchschlüssel
# LLM initialisieren (Reasoning-Engine)
llm = ChatOpenAI(model="gpt-4o", temperature=0)
# Suchwerkzeug initialisieren
search_tool = TavilySearchResults(max_results=5)Schritt 2: Den Researcher-Agenten bauen
Dieser Agent soll nicht schreiben. Seine Aufgabe ist es, „Information Gain“ zu finden: Statistiken, Zitate und aktuelle Datenpunkte.
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
# Persona des Researchers definieren (der Prompt bleibt bewusst englisch)
researcher_prompt = ChatPromptTemplate.from_template(
"""
You are a Senior SEO Researcher. Your goal is to find unique, high-value data points on the topic: {topic}.
Do NOT write a blog post.
Do NOT summarize generic knowledge.
Raw search results:
{search_data}
1. Use the search results above to find recent statistics, expert quotes, and contrary opinions from 2024-2025.
2. Compile a "Research Brief" containing the top 5 distinct facts with their source URLs.
3. Focus on data that provides "Information Gain" (stuff not found in a generic AI answer).
Output Format:
- Fact 1: [Detail] (Source: URL)
- Fact 2: [Detail] (Source: URL)
...
"""
)
# In einem echten LangChain-Agenten würden wir das Suchwerkzeug hier anbinden.
# Der Einfachheit halber gehen wir im Tutorial davon aus, dass die 'search_results' über eine Tool-Call-Schleife hereinkommen.
# Diese Kette nimmt die rohen Suchergebnisse und verdichtet sie zum Brief.
researcher_chain = researcher_prompt | llm | StrOutputParser()Schritt 3: Den Drafter-Agenten bauen
Dieser Agent erhält den Research Brief (nicht den ursprünglichen Prompt) und schreibt den Inhalt. So stützt er sich ausschließlich auf die geprüften Fakten, die der vorherige Agent gefunden hat.
drafter_prompt = ChatPromptTemplate.from_template(
"""
You are a Technical Content Writer.
Task: Write a blog post section based ONLY on the following Research Brief.
Research Brief:
{research_brief}
Guidelines:
1. Use Markdown formatting (H2, H3, bullet points).
2. Adopt a "Bottom Line Up Front" (BLUF) style. Direct answers first.
3. Cite the sources provided in the brief using Markdown links.
4. Do not invent new facts not present in the brief.
5. Maintain a professional, authoritative tone (E-E-A-T).
Write the content now.
"""
)
drafter_chain = drafter_prompt | llm | StrOutputParser()Schritt 4: Den Editor-Agenten bauen (den Kritiker)
Dieser Agent ist der wichtigste für die „kōdōkalabs-Qualität“. Er kritisiert den Entwurf.
editor_prompt = ChatPromptTemplate.from_template(
"""
You are a Ruthless Editor in Chief.
Review the following draft:
{draft}
Check for:
1. Fluff words ("In today's fast-paced world", "Unlock the potential").
2. Passive voice.
3. Structural issues (Are there clear H2s?).
If the draft is good, output the finalized version.
If it has issues, rewrite the specific sections to be punchier and more direct.
"""
)
editor_chain = editor_prompt | llm | StrOutputParser()Teil 4: Die Kette orchestrieren
Jetzt verdrahten wir die drei Agenten zu einer einzigen ausführbaren Funktion. In einer Produktivumgebung würden Sie für komplexeres Zustandsmanagement LangGraph einsetzen, für dieses Tutorial genügt eine einfache sequenzielle Logik.
def run_seo_agent_chain(topic):
print(f"--- Starting Agentic SEO Workflow for: {topic} ---")
# 1. Recherchephase
print(">> Agent 1: Researching...")
# (Der Wrapper für den Tool-Aufruf ist hier der Kürze halber vereinfacht)
raw_search_results = search_tool.invoke(topic)
research_brief = researcher_chain.invoke({"topic": topic, "search_data": raw_search_results})
print(f" Research Brief Generated ({len(research_brief)} chars)")
# 2. Entwurfsphase
print(">> Agent 2: Drafting...")
initial_draft = drafter_chain.invoke({"research_brief": research_brief})
print(f" Draft Generated ({len(initial_draft)} chars)")
# 3. Redaktionsphase
print(">> Agent 3: Editing...")
final_post = editor_chain.invoke({"draft": initial_draft})
print("--- Workflow Complete ---")
return final_post
# Ausführen
# final_content = run_seo_agent_chain("Programmatic SEO trends 2025")
# print(final_content)Teil 5: Vom Code zur Strategie
Warum der Aufwand? Warum nicht einfach ChatGPT Plus nutzen?
Weil Skalierbarkeit Verlässlichkeit voraussetzt.
Wenn Sie dieses Skript für 50 verschiedene Keywords laufen lassen, erhalten Sie 50 Entwürfe, die alle derselben Struktur folgen, geprüfte Quellenangaben enthalten und die redaktionelle Tonalität Ihrer Marke einhalten.
Weiterführende Optimierungen (das „kōdōkalabs-Erfolgsrezept“)
Haben Sie diese Grundkette im Griff, sieht so unser Upgrade für Enterprise-Kunden aus:
- Der „Interlinking“-Agent: Zwischen Entwurf und Redaktion schalten wir einen Agenten, der eine Vektordatenbank (Pinecone) mit den bestehenden Inhalten des Kunden abfragt und fünf passende interne Links zum Einfügen findet.
- Der „Schema“-Agent: Ein letzter Schritt, der den freigegebenen Inhalt nimmt und daraus gültiges JSON-LD-FAQ-Schema erzeugt, das am Seitenende angehängt wird.
- Human-in-the-Loop (HITL): Mit LangSmith halten wir die Kette nach der Entwurfsphase an. Ein menschlicher Pilot prüft den Brief, gibt ihn frei und lässt den Editor-Agenten erst dann weiterarbeiten.
Fazit: Den eigenen Burggraben konstruieren
Die Einstiegshürde für „Text erzeugen“ liegt bei null. Die Einstiegshürde für „hochwertige, faktengeprüfte und strukturell einwandfreie Inhalte in großem Maßstab“ ist hoch. Dafür braucht es Engineering.
Als CMO oder Head of SEO besteht Ihre Aufgabe nicht mehr allein darin, Autorinnen und Autoren zu führen. Sie verantworten die Architektur Ihrer Intelligence-Pipeline.
Genau das bauen wir bei kōdōkalabs. Wir verkaufen Ihnen nicht nur den Fisch, wir bauen den autonomen Trawler.