Ich habe ein selbstlernendes LinkedIn-System mit Claude Code gebaut

Der Beitrag, der meine Meinung über LinkedIn-Automatisierung änderte, war keiner, den ich selbst geschrieben hatte. Es war ein Beitrag, den das System verfasste, nachdem es siebenundvierzig meiner vorherigen Posts analysiert, festgestellt hatte, dass Transformations-Hooks meine geliebten „Ich"-Einstiege bei der Reichweite um das 2,3-Fache übertrafen, und um 4 Uhr morgens an einem Dienstag — während ich schlief — seine eigene Content-Strategie umgeschrieben hatte.

Ich wachte auf mit einer Notion-Datenbank mit einem neuen Lead-Magneten, einem LinkedIn-Beitrag, der bereits über Blotato geplant war, und einem Strategiedokument, das erklärte, warum es seinen Ansatz geändert hatte. Die Argumentation war besser als die meisten Content-Audits, für die ich Menschen bezahlt habe.

Dieser Moment kristallisierte etwas heraus, um das ich seit Monaten kreiste: Der eigentliche Durchbruch bei KI-gesteuertem Content ist nicht die Generierung. Es ist die Feedbackschleife. Jeder Prompt kann einen ordentlichen LinkedIn-Beitrag erzeugen. Was ein System, das stagniert, von einem unterscheidet, das wächst, ist ob es aus dem lernt, was tatsächlich funktioniert — und nachjustiert, ohne darauf zu warten, dass du es bemerkst.

Dies ist die Geschichte, wie ich dieses System mit Claude Code, Karpathys Auto-Research-Muster und einer Handvoll Tools gebaut habe, die die meisten Leute isoliert nutzen, aber nie miteinander verbinden. Das Ganze läuft auf GitHub Actions. Ich habe seit sechs Wochen keinen LinkedIn-Beitrag mehr manuell geschrieben. Und das Engagement steigt.

Warum die meiste LinkedIn-Automatisierung innerhalb von zwei Wochen scheitert

Ich habe die offensichtlichen Ansätze ausprobiert. Buffer. Hootsuite. Sogar einen benutzerdefinierten n8n-Workflow, der Themen aus RSS-Feeds zog und Beiträge über die OpenAI API generierte. Sie alle teilen denselben fatalen Fehler: Es sind offene Regelkreise.

Offener Regelkreis bedeutet, dass das System Output produziert, aber nie das Ergebnis beobachtet. Es generiert Beitrag A, veröffentlicht ihn, und generiert dann Beitrag B mit exakt derselben Strategie. Ob Beitrag A 47 Impressionen oder 4.700 bekam, ist irrelevant — das System weiß es nicht und es kümmert sich nicht darum.

Das ist wie ein Koch, der jeden Abend kocht, aber das Essen nie probiert oder die Gäste fragt, was sie davon halten. Nach einem Monat hätte man jemanden, der dreißig Mahlzeiten gekocht und nichts gelernt hat.

Der LinkedIn-Algorithmus im Jahr 2026 verschärft dieses Problem. Aufrufe sind laut aktuellen Plattformdaten im Jahresvergleich um etwa 50% gesunken, das Engagement ist um 25% zurückgegangen, und das Follower-Wachstum ist um 59% eingebrochen. Der Algorithmus belohnt jetzt Verweildauer und Gesprächsqualität über rohe Reaktionen — Experten-Interaktionen haben ein 7-9-fach höheres algorithmisches Gewicht als ein schneller Daumen hoch. Das alte Spiel von „regelmäßig posten und hoffen" funktioniert nicht mehr, seit LinkedIns Empfehlungsmaschine wirklich anspruchsvoll geworden ist.

Was du brauchst, sind nicht mehr Beiträge. Du brauchst ein System, das beobachtet, was bei deinem spezifischen Publikum tatsächlich ankommt, und kontinuierlich seine Zielgenauigkeit schärft.

Hier kommt Karpathys Auto-Research-Muster ins Spiel. Und hier hat bei mir alles Klick gemacht.

Karpathys Auto Research: Das mentale Modell, das alles verändert

Andrej Karpathy veröffentlichte sein Autoresearch-Projekt Anfang 2026, und die KI-Community hat seitdem nicht aufgehört, darüber zu diskutieren. Das ursprüngliche Konzept war elegant: Gib einem KI-Agenten ein kleines LLM-Trainingssetup, lass ihn den Code anpassen, führe ein kurzes Experiment durch, bewerte die Ergebnisse und entscheide, ob die Änderung eine Verbesserung war. Behalte die Gewinne, verwirf die Verluste, wiederhole.

Karpathy ließ diese Schleife zwei Tage laufen. Der Agent führte 700 Experimente durch. Er entdeckte 20 Optimierungen, die die Trainingszeit verbesserten. Als dieselben 20 Anpassungen auf ein größeres Modell angewendet wurden, ergaben sie eine Beschleunigung von 11%.

Hier ist, was die meisten Menschen an dieser Geschichte übersehen: Das zugrundeliegende Muster hat nichts mit Machine-Learning-Training zu tun. Es funktioniert bei allem, was man messen kann.

Deine LinkedIn-Beiträge? Messbar. Hook-Performance? Messbar. Engagement-Raten nach Beitragsformat? Messbar. Welche Themen dein Publikum wirklich interessieren versus welche du denkst, dass sie interessieren? Sehr messbar.

Das Auto-Research-Muster ist ein geschlossenes Optimierungssystem: handeln, messen, analysieren, anpassen, wiederholen. Der „Research"-Teil ist kein Web-Browsing oder Paper-Lesen — das System erforscht seine eigene Performance und zieht Schlüsse, die den nächsten Zyklus informieren.

Als ich Duncan Rogoff sah, wie er dieses Konzept auf LinkedIn-Content anwandte — er ist ein ehemaliger Art Director, der zum KI-Agentur-Gründer wurde und eine Community namens The Build Room betreibt — verschob sich etwas in meinem Denken. Duncan hatte ein System gebaut, in dem Claude Code Lead-Magneten generierte, LinkedIn-Beiträge über Blotato veröffentlichte, Engagement-Metriken über Apify scrapte und dann eine wöchentliche Auto-Research-Analyse durchführte, um seine Content-Strategie umzuschreiben. Die gesamte Pipeline lief auf GitHub Actions ohne menschliches Eingreifen.

Ich wollte es nicht nur replizieren. Ich wollte jede Schicht tief genug verstehen, um es an meinen eigenen Workflow anzupassen. Also baute ich meine eigene Version von Grund auf.

Hier ist die Architektur.

Die Fünf-Schichten-Architektur: Wie das System tatsächlich funktioniert

Die meisten Tutorials beschreiben Automatisierung als eine lineare Pipeline: Input geht rein, Output kommt raus. Dieses System versteht man besser als eine Schleife mit fünf verschiedenen Schichten, wobei jede eine spezifische Aufgabe übernimmt. Fehlt eine Schicht, bricht die Feedbackschleife.

Schicht 1: Die Lead-Magnet-Engine

Jeder Beitrag in diesem System beginnt mit einem Lead-Magneten. Nicht der Beitrag selbst — das Asset, das der Beitrag bewirbt. Dies ist eine strategische Entscheidung, keine technische. LinkedIns Algorithmus im Jahr 2026 unterdrückt externe Links (ungefähr 60% Reichweitenreduzierung), also musst du den Leuten einen Grund geben, auf der Plattform zu interagieren, bevor du sie woanders hinschickst.

Die Lead-Magnet-Engine ist ein Claude Code-Skill, der drei Inputs nimmt: eine Zielgruppenbeschreibung, ein Trendthema aus der Research-Schicht und ein Content-Format (Framework, Playbook, Prompt-Paket oder Storytelling-Beitrag). Er liefert einen kompletten Lead-Magneten, der in Notion gespeichert wird — Titel, Struktur, der eigentliche Inhalt und Storytelling-Elemente, die das Asset so gestalten, dass es sich lohnt, es in den Kommentaren anzufordern.

Die Skill-Definition ist hier enorm wichtig. Ich habe zwei Stunden damit verbracht, den Prompt zu verfeinern, der diesen Skill antreibt, und ich schätze, dass diese Investition mir seitdem über 60 Stunden gespart hat. Der Prompt enthält die spezifischen Schmerzpunkte meiner Zielgruppe (Experten mit tiefem Wissen, aber geringer Online-Sichtbarkeit), die Positionierung meiner Marke und explizite Anweisungen zur Tiefe. Ich will keine dünnen, generischen „5 Tipps"-PDFs. Ich will Assets, bei denen jemand denkt: „Diese Person weiß wirklich, wovon sie spricht."

Hier ist das Gerüst der Skill-Konfiguration:

name: lead_magnet_generator
description: Generate high-value lead magnets for LinkedIn distribution
inputs:
  - audience_profile: "Professionals with expertise but low online visibility"
  - topic: "{{trending_topic}}"
  - format: "{{selected_format}}"  # framework | playbook | prompt_pack | story
context:
  - brand_voice_guide.md
  - top_performing_magnets.md  # auto-updated by research layer
  - audience_pain_points.md
output:
  destination: notion
  database: "Lead Magnets"
  fields:
    - title
    - hook
    - body_content
    - storytelling_elements
    - cta_text
    - target_format

Die Datei top_performing_magnets.md ist das entscheidende Unterscheidungsmerkmal. Dies ist kein statisches Dokument — die Auto-Research-Schicht schreibt es wöchentlich auf Basis der Lead-Magneten um, die tatsächlich die meisten Kommentare und das meiste Engagement erzielten. Das System bringt sich buchstäblich selbst bei, welche Art von Assets dein Publikum wünscht.

Schicht 2: Der Beitragsschreiber und Publisher

Sobald der Lead-Magnet in Notion existiert, generiert ein zweiter Claude Code-Workflow den LinkedIn-Beitrag. Dieser Workflow liest den Lead-Magneten, das aktuelle Content-Strategiedokument (ebenfalls automatisch aktualisiert) und erzeugt einen Beitrag, der für die Muster optimiert ist, die aktuell funktionieren.

Der Beitragsschreiber folgt spezifischen Strukturregeln, die aus der Auto-Research-Analyse hervorgingen:

• Hook: Unter 200 Zeichen. LinkedIn-Daten zeigen, dass Hooks unter 200 Zeichen, die Spannung einführen oder spezifischen Nutzen versprechen, erklärender Eröffnungen dramatisch übertreffen. Das System rotiert zwischen Hook-Typen — Transformations-Hooks, konträre Hooks und spezifische-Zahlen-Hooks — und trackt, welcher Typ am besten performt.

• Hauptteil: Formatiert für Verweildauer. Kurze Zeilen. Strategische Zeilenumbrüche. Der Algorithmus gewichtet jetzt stärker, ob jemand 45 Sekunden deinen Beitrag liest, als ob sie den Like-Button drücken.

• CTA: Kommentarbasiert, nicht linkbasiert. „Kommentiere FRAMEWORK und ich schicke es dir" übertrifft „Hier herunterladen: [Link]" bei weitem, weil es Engagement-Signale erzeugt, die der Algorithmus belohnt.

Die Veröffentlichung erfolgt über Blotato, das API-Zugang ab $29/Monat im Starter-Tarif bietet. Blotato unterstützt neun Plattformen — LinkedIn, X, Instagram, Facebook, TikTok, Pinterest, YouTube, Threads und Bluesky — und hat native n8n- und Make.com-Nodes. Für dieses System verwende ich die REST API direkt aus einem Node.js-Skript, das Claude Code geschrieben hat.

// publish-to-linkedin.js (simplified)
const axios = require('axios');

async function publishPost(postContent, mediaUrl = null) {
  const payload = {
    content: postContent,
    platforms: ['linkedin'],
    publish_at: calculateOptimalTime(), // based on engagement data
    media: mediaUrl ? [{ url: mediaUrl, type: 'video' }] : []
  };

  const response = await axios.post(
    'https://api.blotato.com/v1/posts',
    payload,
    {
      headers: {
        'Authorization': `Bearer ${process.env.BLOTATO_API_KEY}`,
        'Content-Type': 'application/json'
      }
    }
  );

  return response.data;
}

Die Funktion calculateOptimalTime() ist nicht auf „Dienstag um 9 Uhr" hartcodiert, wie es jeder generische LinkedIn-Ratgeber vorschlägt. Sie holt Daten aus der Engagement-Datenbank und berechnet, wann mein spezifisches Publikum basierend auf historischer Performance am aktivsten ist. Noch etwas, das die Auto-Research-Schicht selbst herausgefunden hat.

Schicht 3: Die Videokomponente

Diese Schicht hat mich am meisten überrascht. Duncans System enthält einen Schritt, bei dem Claude Code eine 6-7-sekündige Bildschirmaufnahme erstellt, die durch den Lead-Magneten in Notion scrollt, mit markengerechten Text-Overlays — bestimmte Schriftart (Gotham), neongrüne Hervorhebungsbox mit schwarzem Rand. Das Video wird dem LinkedIn-Beitrag angehängt.

Warum ist das wichtig? Weil Dokument-Beiträge und Video-Beiträge auf LinkedIn im Jahr 2026 Engagement-Raten von 6,60% erreichen, die höchsten aller Formate. Standard-Textbeiträge schaffen es kaum über 2%. Ein kurzes Scroll-Video deines Lead-Magneten dient zwei Zwecken: Es zeigt den Wert in der Vorschau (senkt die Hürde zu kommentieren), und es signalisiert dem Algorithmus, dass dies Rich-Media-Content ist, der es wert ist, verteilt zu werden.

Ich habe dies an meine eigenen Markenfarben und meinen Stil angepasst. Das Aufnahmeskript verwendet Puppeteer, um die Notion-Seite zu öffnen, in kontrolliertem Tempo durchzuscrollen und den Bildschirm aufzunehmen. Ein separater FFmpeg-Befehl fügt das Text-Overlay hinzu und gibt eine komprimierte MP4-Datei aus.

Die gesamte Videogenerierung dauert etwa 30 Sekunden. Kein menschliches Eingreifen. Keine Bildschirmaufnahme-Software. Keine Bearbeitung.

Schicht 4: Der Datenscraper

Hier beginnt sich die Schleife zu schließen. Jeden Tag scrapt ein Apify-Actor Engagement-Metriken meiner LinkedIn-Beiträge. Apifys LinkedIn-Scraper können Likes, Kommentare, Reposts, Impressionen und Reaktionsaufschlüsselungen extrahieren — alles ohne Cookies oder Kontozugang für öffentlich zugängliche Daten.

Die Preisgestaltung ist angemessen: ungefähr $1-2 pro 1.000 gescrapte Beiträge, was bei einer täglichen Überprüfung der letzten 30 Beiträge vernachlässigbare Kosten bedeutet.

Die gescrapten Daten werden in eine Notion-Datenbank mit diesem Schema geschrieben:

Post ID | Date | Hook Type | Post Length | Line Length | Content Format |
Content Angle | Topic | Likes | Comments | Shares | Impressions |
Engagement Rate | Lead Magnet Type

Jeder Beitrag wird bei der Erstellung mit Metadaten getaggt (Hook-Typ, Format, Blickwinkel, Thema), sodass das System bei Rückkehr der Daten die Performance mit diesen Variablen abgleichen kann. Das ist die Instrumentierung, die die Research-Schicht leistungsfähig macht. Ohne strukturierte Metadaten sammelst du nur Zahlen. Mit ihnen sammelst du verwertbare Erkenntnisse.

Schicht 5: Die Auto-Research-Engine

Das ist das Gehirn. Einmal pro Woche (ich experimentiere damit, die Frequenz zu erhöhen) zieht ein Claude Code-Workflow den gesamten Engagement-Datensatz, führt eine strukturierte Analyse durch und erzeugt zwei Outputs:

1. Einen Performance-Bericht, der identifiziert, was funktioniert und was nicht
2. Eine aktualisierte Content-Strategie, die die Lead-Magnet-Engine und der Beitragsschreiber für den nächsten Zyklus verwenden

Die Analyse umfasst:

• Hook-Performance: Welche Hook-Typen (Transformation, konträr, spezifische Zahl, Frage, Story) generieren die meisten Impressionen, Kommentare und Engagement-Rate?
• Format-Performance: Übertreffen Frameworks Playbooks? Schlagen Prompt-Pakete Storytelling-Beiträge?
• Längenanalyse: Gibt es einen Sweet Spot für die Gesamtlänge des Beitrags und die durchschnittliche Zeilenlänge?
• Themenanalyse: Auf welche Themenbereiche reagiert das Publikum am stärksten?
• Blickwinkel-Performance: Schlagen ergebnisorientierte Beiträge Social-Proof-Beiträge? Übertrifft Verletzlichkeit Autorität?

Das System identifiziert nicht nur Korrelationen — es generiert Hypothesen und plant Experimente. „Transformations-Hooks übertreffen um das 2,3-Fache. Nächste Woche 3 Transformations-Hooks mit unterschiedlichen Themenbereichen testen, um festzustellen, ob der Hook-Typ oder das Thema der primäre Treiber war."

Das ist Karpathys Auto-Research-Muster in Reinform. Handeln, messen, analysieren, Hypothese bilden, nächstes Experiment entwerfen, wiederholen.

Hier ist eine vereinfachte Version des Analyse-Prompts:

## Auto Research Analysis

You have access to the following LinkedIn post performance data:
{{engagement_data}}

Analyze this data to answer:
1. Which hook types generate the highest engagement rate?
2. Which content formats drive the most comments (our primary KPI)?
3. What's the optimal post length range?
4. Which topics resonate most with the audience?
5. What content angles perform best?

Then produce:
- A performance summary with specific numbers
- Updated recommendations for the content strategy
- 3 specific hypotheses to test next week
- An updated top_performing_magnets.md file

Die Ausgabe überschreibt content_strategy.md und top_performing_magnets.md — dieselben Dateien, die die Lead-Magnet-Engine und der Beitragsschreiber als Kontext lesen. Das System hat soeben seine eigenen Anweisungen auf Basis empirischer Evidenz umgeschrieben.

Wenn du meinen Beitrag über selbstverbessernde KI-Systeme mit Claude Code gelesen hast, erkennst du diese Architektur. Das Reflexions-Agent-Muster, das ich dort beschrieben habe — bei dem eine KI den Output einer anderen bewertet und den System-Prompt anpasst — ist genau das, was hier passiert. Der Unterschied ist, dass dieses System anstelle von Chatbot-Gesprächen LinkedIn-Engagement-Metriken auswertet. Gleiches Muster, völlig andere Anwendung.

Die GitHub Actions Pipeline einrichten

Das gesamte System läuft headless auf GitHub Actions. Kein Server. Keine Cronjobs auf meiner Maschine. Kein Zapier. Nur ein Repository mit Workflow-Dateien, die nach Zeitplan ausgelöst werden.

Hier ist der tägliche Workflow:

# .github/workflows/daily-content.yml
name: Daily LinkedIn Content Pipeline

on:
  schedule:
    - cron: '0 7 * * *'  # 7 AM UTC daily
  workflow_dispatch:  # manual trigger for testing

jobs:
  generate-and-publish:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4

      - name: Setup Node.js
        uses: actions/setup-node@v4
        with:
          node-version: '20'

      - name: Install dependencies
        run: npm ci

      - name: Generate lead magnet
        run: node scripts/generate-lead-magnet.js
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
          NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}

      - name: Generate LinkedIn post
        run: node scripts/generate-post.js
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
          NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}

      - name: Record lead magnet video
        run: node scripts/record-video.js
        env:
          NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}

      - name: Publish to LinkedIn
        run: node scripts/publish.js
        env:
          BLOTATO_API_KEY: ${{ secrets.BLOTATO_API_KEY }}

      - name: Scrape engagement data
        run: node scripts/scrape-engagement.js
        env:
          APIFY_API_KEY: ${{ secrets.APIFY_API_KEY }}
          NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}

Und der wöchentliche Research-Workflow:

# .github/workflows/weekly-research.yml
name: Weekly Auto Research

on:
  schedule:
    - cron: '0 9 * * 0'  # Sunday 9 AM UTC
  workflow_dispatch:

jobs:
  auto-research:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4

      - name: Pull engagement data
        run: node scripts/pull-engagement-data.js
        env:
          NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}

      - name: Run auto research analysis
        run: node scripts/auto-research.js
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}

      - name: Update content strategy
        run: node scripts/update-strategy.js
        env:
          NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}

      - name: Commit updated strategy files
        run: |
          git config user.name "Auto Research Bot"
          git config user.email "[email protected]"
          git add strategy/
          git commit -m "auto-research: update strategy $(date +%Y-%m-%d)" || true
          git push

Sechs Secrets in den GitHub-Repository-Einstellungen. Zwei Workflow-Dateien. Das ist die gesamte Betriebsschicht.

Eine Sache möchte ich hervorheben: Du wirst auf Fehler stoßen. Duncan erwähnte in seiner Anleitung, dass Claude Code während des anfänglichen Setups Fehler warf — Scraper mit Timeouts, API-Ratenlimits, Notion-Feldtyp-Inkompatibilitäten. Ich hatte all diese Probleme plus einige mehr. Der Apify-Scraper liefert gelegentlich veraltete Daten, wenn ein Beitrag weniger als 2 Stunden alt ist. Die Blotato API hat eine Eigenart, bei der Videoanhänge über 10MB stillschweigend ohne Fehlerantwort fehlschlagen. Und Notions API gibt verschiedene Feldformate für Rollup-Eigenschaften versus Formel-Eigenschaften zurück, was dein Dateneinlese-Skript zum Absturz bringt, wenn du nicht beide Fälle behandelst.

Mein Rat: Baue jede Schicht unabhängig und teste sie isoliert, bevor du sie verbindest. Führe den Lead-Magnet-Generator zehnmal manuell aus. Veröffentliche fünf Beiträge direkt über Blotatos API. Scrape deine letzten zwanzig Beiträge mit Apify und untersuche die rohe JSON-Ausgabe. Debugge Schicht für Schicht, dann verbinde.

Wenn du lieber jemanden hättest, der diese Art von Automatisierungspipeline von Grund auf baut, übernehme ich Aufträge für KI-Automatisierung und Agentenentwicklung. Was ich gebaut habe, kannst du unter fiverr.com/s/EgxYmWD sehen.

Die überraschende Erkenntnis: Transformations-Hooks gewinnen (und es ist nicht einmal knapp)

Ich fütterte das System mit Daten meiner letzten 47 LinkedIn-Beiträge, bevor ich die Auto-Research-Schleife aktivierte. Das gab der Analyse-Engine genug Daten, um vom ersten Tag an echte Schlüsse zu ziehen, anstatt wochenlang auf die Ansammlung von Signalen zu warten.

Der erste Auto-Research-Bericht enthielt eine Erkenntnis, die mich wirklich überraschte.

Ich hatte angenommen — basierend auf allem, was ich über LinkedIn-Copywriting gelesen hatte — dass „Ich"-Hooks mit spezifischen Zahlen die Top-Performer wären. Beiträge, die mit „Ich habe 6 Stunden damit verbracht zu testen..." oder „Ich habe ein System für 3.000€/Monat gebaut mit..." eröffnen, fühlten sich an, als müssten sie funktionieren. Sie sind persönlich, spezifisch und wecken Neugier.

Die Daten sagten etwas anderes.

Transformations-Hooks — Beiträge, die eine Vorher-Nachher-Progression zeigen — übertrafen persönliche „Ich"-Hooks um das 2,3-Fache bei der Reichweite und das 1,8-Fache bei der Kommentarrate. Hooks wie „Von null Followern zu 400 Leads in 90 Tagen" oder „Was passiert, wenn du aufhörst, Engagement zu jagen, und anfängst, Systeme zu bauen" zogen konsistent mehr Impressionen und tieferes Engagement.

Warum? Meine beste Theorie: Transformations-Hooks aktivieren das Eigeninteresse des Lesers direkter. Ein „Ich"-Statement handelt von mir. Ein Transformations-Hook handelt von einem Ergebnis, das der Leser will. Der Leser projiziert sich in die Transformation. Er denkt nicht nur „interessant" — er denkt „Könnte das auch ich sein?"

Das ist kein universelles Gesetz. Es ist, was für mein Publikum zu diesem Zeitpunkt funktioniert. Und genau das ist der Punkt. Eine statische Content-Strategie hätte mich endlos „Ich"-Hooks schreiben lassen, weil sie richtig schienen. Die Auto-Research-Schleife identifizierte das tatsächliche Muster innerhalb von sechs Tagen Analyse.

Das System hat seine Strategie seitdem drei weitere Male weiterentwickelt. Der Sweet Spot für Beitragslänge verschob sich von 1.200-1.500 auf 800-1.100 Zeichen (kürzer, prägnanter). Frameworks begannen, Playbooks als Lead-Magnet-Format zu übertreffen. Dienstag und Donnerstag als Posting-Zeiten schlugen Montag und Mittwoch. Keine dieser Erkenntnisse hätte ich manuell aufgefangen — zumindest nicht so schnell.

Mehrere Agents parallel ausführen

Ein technisches Detail, das es wert ist, ausgeführt zu werden: Claude Codes Fähigkeit, mehrere Agent-Threads parallel auszuführen, beschleunigt sowohl die Bauphase als auch die tägliche Ausführung drastisch.

Als ich dieses System baute, liefen drei Claude Code-Instanzen gleichzeitig. Eine schrieb das Lead-Magnet-Generierungsskript. Eine andere baute die Apify-Scraping-Integration. Eine dritte arbeitete an der Video-Aufnahme-Pipeline. Sie arbeiteten an separaten Dateien im selben Repository und referenzierten gelegentlich gemeinsame Utility-Module.

Dies ist kein theoretisches Muster — es ist die Agent-Teams-Architektur, die Anthropic seit Opus 4 stark vorantreibt. Jeder Agent hat sein eigenes Kontextfenster, seine eigene Aufgabe und seine eigene Fähigkeit, Dateien zu lesen und zu schreiben. Als ich den Scraping-Agent brauchte, um Daten in einem Format aufzubereiten, das der Research-Agent konsumieren konnte, definierte ich das Datenschema in einer gemeinsamen Spezifikationsdatei und verwies beide Agents darauf.

Während der täglichen Ausführung läuft die Pipeline sequentiell (generieren, dann veröffentlichen, dann scrapen), weil jeder Schritt vom vorherigen abhängt. Aber während der wöchentlichen Research-Phase habe ich mit der Parallelisierung der Analyse experimentiert. Ein Agent analysiert Hook-Performance, während ein anderer Format-Performance analysiert und ein dritter Thementrends untersucht. Die Ergebnisse werden zu einem einzigen Strategie-Update zusammengeführt.

Gesamtzeit von leerem Repository zum funktionierenden System: etwa 20 Minuten tatsächliche Claude Code-Interaktionszeit für den initialen MVP, plus noch ein paar Stunden Testen und Verfeinern in der folgenden Woche. Duncan berichtete von einem ähnlichen Zeitrahmen — das Grundgerüst des Systems steht schnell, weil Claude Code den Boilerplate-Code übernimmt. Die Verfeinerung ist, wo das menschliche Urteil zählt.

Was ich falsch gemacht habe (und was ich ändern würde)

Sechs Wochen hinein, hier ist meine ehrliche Einschätzung dessen, was nicht wie geplant funktionierte.

Die Videoschicht ist fragil. Puppeteer in einem GitHub Actions-Container hat gelegentlich Timeouts, wenn Notion zu lange zum Laden braucht. Ich habe Retry-Logik hinzugefügt, aber ich erwäge den Wechsel zu einem vorgerenderten Bildkarussell-Ansatz — zuverlässiger, und die Engagement-Daten zeigen keinen bedeutsamen Unterschied zwischen einem Scroll-Video und einem gut gestalteten statischen Karussell.

Wöchentliche Research ist nicht häufig genug. Bis die Sonntagsanalyse ein scheiterndes Muster identifiziert, habe ich bereits 5-6 Beiträge mit der alten Strategie veröffentlicht. Ich stelle auf zweimal wöchentlich um — Mittwochs und Sonntags — um die Feedbackschleife zu straffen. Karpathys ursprüngliche Autoresearch lief kontinuierlich. Content-Systeme können dieses Tempo nicht ganz halten, weil Beiträge genug Engagement-Daten ansammeln müssen, bevor eine Analyse aussagekräftig ist. Aber einmal pro Woche fühlt sich zu langsam an.

Das System verarbeitet keine Kommentare. Das ist die größte Lücke. Wenn jemand „FRAMEWORK" unter einem Beitrag kommentiert, um den Lead-Magneten anzufordern, muss immer noch ein Mensch (ich) die DM senden. Ich habe LinkedIn-API-basierte Lösungen dafür erkundet, aber LinkedIns Messaging-API ist hinter Partnerschaftsprogrammen gesperrt, die für einzelne Entwickler nicht zugänglich sind. Derzeit antworte ich zweimal täglich manuell gebündelt auf Kommentare. Es dauert 10 Minuten, durchbricht aber den vollständig autonomen Traum.

Zielgruppenansprache braucht ständige Verfeinerung. Meine anfängliche Zielgruppenbeschreibung war zu breit: „Fachleute mit Expertise, aber geringer Online-Sichtbarkeit." Die Auto-Research-Schleife identifizierte, dass meine Beiträge mit dem höchsten Engagement eine engere Nische ansprachen — speziell Solo-Berater und Agentur-Gründer im KI-/Automatisierungsbereich. Ich habe seitdem das Zielgruppenprofil geschärft, und die nächste Welle an Content performt merklich besser.

Nicht jeder Beitrag sollte ein Lead-Magnet sein. Reine Mehrwert-Beiträge, konträre Meinungen und persönliche Geschichten übertreffen Lead-Magnet-Beiträge bei der Reichweite (weil sie keinen transaktionalen CTA haben). Das System wechselt jetzt ab: 3 Lead-Magnet-Beiträge pro Woche, 2 reine Engagement-Beiträge. Die Engagement-Beiträge stärken die Wahrnehmung des Algorithmus von der Qualität meines Accounts, und die Lead-Magnet-Beiträge wandeln diese Reichweite in tatsächliche Leads um.

Die Zahlen nach sechs Wochen

Ich bin vorsichtig beim Berichten von Metriken, weil Kontext enorm wichtig ist. Meine Kontogröße, Nische, Posting-Frequenz und Zusammensetzung des Publikums beeinflussen diese Zahlen alle. Sie sind richtungsweisend, nicht vorschreibend.

Was ich teilen kann: Die Auto-Research-Schleife identifizierte fünf verschiedene Strategieanpassungen über sechs Wochen. Jede basierte auf einem statistisch signifikanten Muster in den Engagement-Daten — nicht auf einem Bauchgefühl, nicht auf einer Best Practice aus dem Kurs irgendeines LinkedIn-Gurus. Das System erkannte Dinge, die ich monatelang nicht bemerkt hätte, wenn überhaupt jemals.

Das Muster, das ich am überzeugendsten finde, ist keine einzelne Metrikverbesserung. Es ist die Trajektorie. Die Content-Strategie jeder Woche ist messbar besser informiert als die der Vorwoche. Die Kluft zwischen den Beiträgen der ersten und der sechsten Woche ist in den Engagement-Daten sichtbar. Dieser Zinseszins-Effekt — bei dem jede Iteration auf validierten Erkenntnissen der vorherigen aufbaut — ist genau das, was Karpathys Auto-Research-Muster verspricht. Und es liefert.

Zum Vergleich: Mein manuelles LinkedIn-Posting in den drei Monaten davor war sporadisch (2-3 Beiträge pro Woche wenn motiviert, null in arbeitsreichen Projektwochen) ohne systematisches Tracking. Das automatisierte System postet 5-mal pro Woche ohne Ausnahme, trackt alles und entwickelt seinen Ansatz auf Basis von Evidenz weiter. Allein die Konsistenz macht einen erheblichen Teil jeder Engagement-Verbesserung aus. Die Auto-Research-Optimierung auf dieser Konsistenz ist es, die die Trajektorie beschleunigend statt flach macht.

Wie du deine eigene Version baust

Wenn du das replizieren willst, hier ist die Reihenfolge, die ich empfehlen würde. Versuche nicht, alles auf einmal zu bauen — so sterben Automatisierungsprojekte.

Woche 1: Manuelles Fundament. Schreibe 10 LinkedIn-Beiträge manuell. Tracke Hook-Typ, Format und Thema für jeden. Scrape ihr Engagement nach 48 Stunden mit Apify (kostenlose Stufe reicht). Speichere alles in einer Notion-Datenbank. Das gibt dir Ausgangsdaten und zwingt dich, deine Content-Kategorien zu definieren.

Woche 2: Generierung automatisieren. Baue den Claude Code Lead-Magnet-Skill und Beitragsschreiber. Teste sie wiederholt. Vergleiche KI-generierte Beiträge mit deinen manuellen. Verfeinere die Skill-Prompts, bis die Output-Qualität deinem manuellen Schreiben im ersten Entwurf entspricht oder es übertrifft.

Woche 3: Veröffentlichung automatisieren. Verbinde Blotato. Richte den täglichen GitHub Actions-Workflow ein. Führe ihn manuell (mit workflow_dispatch) fünfmal aus, bevor du dem Zeitplan vertraust. Überprüfe, dass jeder Schritt abgeschlossen wird und der Beitrag tatsächlich auf LinkedIn erscheint.

Woche 4: Die Schleife schließen. Baue die Auto-Research-Schicht. Führe die erste Analyse auf deinen gesammelten Daten durch (du solltest mittlerweile 20+ Beiträge haben). Überprüfe das Strategiedokument, das das System erstellt. Stimmt die Analyse mit deiner Intuition überein? Wo überrascht sie dich? Die Überraschungen sind, wo der Wert steckt.

Woche 5+: Iterieren und erweitern. Erhöhe die Research-Frequenz. Füge die Videokomponente hinzu, wenn sie zu deiner Marke passt. Experimentiere mit dem Content-Mix. Lass das System laufen und widerstehe dem Drang, seine Empfehlungen zu übersteuern, es sei denn, du hast einen konkreten Grund.

Ein nicht offensichtlicher Tipp: Behalte jede Version deines Content-Strategiedokuments in der Versionskontrolle. Ich nutze dafür Git (der wöchentliche Research-Workflow committet Strategieänderungen automatisch). In sechs Monaten wirst du die Entwicklung deiner Strategie nachverfolgen und verstehen wollen, warum das System jede Änderung vorgenommen hat. Diese Historie ist unglaublich wertvoll für Debugging und für ein tieferes Verständnis deines Publikums.

Das große Ganze: KI-Systeme, die aus ihrem eigenen Output lernen

Was ich hier beschrieben habe, ist ein LinkedIn-Content-System. Aber die Architektur ist universell einsetzbar.

Das Auto-Research-Muster — handeln, messen, analysieren, anpassen — lässt sich auf E-Mail-Betreffzeilen, Preisseiten-Texte, Werbekreative, Produktbeschreibungen, Kundenservice-Antworten oder jeden Content anwenden, bei dem du die Performance messen kannst. Die spezifischen Tools ändern sich (du tauschst vielleicht Apify gegen Google Analytics, Blotato gegen Mailchimp), aber die Fünf-Schichten-Architektur bleibt identisch.

Karpathys ursprüngliche Auto Research führte 700 Experimente in zwei Tagen an LLM-Trainingskonfigurationen durch. Duncan Rogoff wandte das gleiche Muster auf LinkedIn-Content an. Ich baute meine eigene Version und entdeckte, dass Transformations-Hooks für mein spezifisches Publikum „Ich"-Statements übertreffen. Jemand anderes wird dies auf YouTube-Thumbnails, Landing-Page-Überschriften oder Outbound-E-Mail-Sequenzen anwenden.

Das Muster ist das, was es sich zu verinnerlichen lohnt. Die Tools sind nur Implementierungsdetails.

Und die Trajektorie dieser Systeme ist wichtiger als jeder einzelne Output. Ein Content-System, das jede Woche 10% besser ist, klingt nicht dramatisch, bis man erkennt, dass es nach 12 Wochen auf einem fundamental anderen Level operiert als zu Beginn. Das ist keine lineare Verbesserung — es ist aufzinsende Intelligenz, angewandt auf eine spezifische, messbare Domäne.

Mein KI-Marketingteam, gebaut mit Claude-Skills, war der Vorläufer dieses Systems. Skills gaben mir wiederholbare Ausführung. Die Auto-Research-Schicht gab mir wiederholbares Lernen. Die Kombination beider — konsistente Ausführung plus kontinuierliche Optimierung — ist das, was einen Content-Workflow in eine Content-Engine verwandelt.

Ob du genau dieses System baust oder das Muster für deinen eigenen Anwendungsfall anpasst, das Prinzip bleibt dasselbe: Hör auf, KI als Einmal-Generator zu behandeln. Fang an, sie als Feedbackschleife zu behandeln. Der Unterschied in den Ergebnissen über die Zeit ist verblüffend.

Das System hat gerade den Beitrag für morgen generiert, während ich diesen Artikel schrieb. Laut dem neuesten Strategie-Update testet es ein neues Hook-Format — einen fragenbasierten Einstieg, der auf einen spezifischen Schmerzpunkt abzielt, den die Daten letzte Woche aufgedeckt haben. Ich werde die Engagement-Zahlen in 48 Stunden prüfen. Es würde mich nicht überraschen, wenn das System etwas weiß, was ich nicht weiß.

Das ist der ganze Punkt.

Häufig gestellte Fragen

Wie viel kostet der vollständige LinkedIn-Automatisierungsstack pro Monat?

Die Kernkosten sind Claude Code API-Nutzung (variabel, ungefähr $30-60/Monat je nach Volumen), Blotato für $29/Monat zur Veröffentlichung und Apify für etwa $1-2 pro 1.000 Scrapes. GitHub Actions ist kostenlos für öffentliche Repositories oder in GitHub Pro enthalten. Gesamt: ungefähr $70-100/Monat für ein tägliches Posting-System.

Kann Karpathys Auto-Research-Muster für andere Plattformen als LinkedIn funktionieren?

Das Muster funktioniert überall, wo du Content-Performance mit strukturierten Daten messen kannst. E-Mail-Öffnungsraten, YouTube-Retentionskurven, Anzeigenklickraten und Landingpage-Konversionsmetriken füttern alle dieselbe Handeln-Messen-Analysieren-Anpassen-Schleife. Tausche das Scraping-Tool und die Publishing-API aus; die Architektur bleibt identisch.

Wie viele Beiträge braucht man, bevor die Auto-Research-Analyse nützlich ist?

Ich startete mit 47 Beiträgen und bekam sofort aussagekräftige Erkenntnisse. Für statistische Signifikanz bei Hook-Typ-Vergleichen strebe mindestens 20-30 Beiträge mit variierten Hook-Typen an. Weniger als 15 Beiträge und du liest Rauschen, kein Signal. Für eine tiefergehende Erläuterung der selbstverbessernden Architektur, siehe meinen Beitrag über selbstverbessernde KI-Systeme mit Claude Code.

Bestraft LinkedIn automatisiertes Posten über Drittanbieter-Tools?

LinkedIns API-Bedingungen erlauben Veröffentlichungen über autorisierte Drittanbieter-Anwendungen. Blotato nutzt offizielle Plattform-APIs, keine Browser-Automatisierung oder Scraping-Hacks. Das Risiko kommt von Content-Mustern niedriger Qualität, nicht von der Veröffentlichungsmethode. LinkedIns Algorithmus von 2026 erkennt Engagement-Pods mit 97% Genauigkeit, bestraft aber legitime API-basierte Veröffentlichungen nicht.

Wie handhabst du LinkedIn-DM-Follow-ups für Lead-Magneten?

Das ist aktuell der manuelle Engpass. LinkedIns Messaging-API erfordert Partner-Level-Zugang, der für einzelne Entwickler nicht verfügbar ist. Ich beantworte Lead-Magnet-Anfragen zweimal täglich gebündelt, was insgesamt etwa 10 Minuten dauert. Manche Entwickler nutzen Drittanbieter-Tools mit Browser-Automatisierung für diesen Schritt, aber dieser Ansatz birgt Account-Risiken, die ich nicht eingehen möchte.

Lass uns zusammenarbeiten

Du willst KI-Systeme bauen, Workflows automatisieren oder deine technische Infrastruktur skalieren? Ich helfe dir gerne.

• Fiverr (individuelle Lösungen & Integrationen): fiverr.com/s/EgxYmWD
• Portfolio: mejba.me
• Ramlit Limited (Enterprise-Lösungen): ramlit.com
• ColorPark (Design & Branding): colorpark.io
• xCyberSecurity (Sicherheitsdienste): xcybersecurity.io