Am Wochenende habe ich wieder einen halben Tag mit repetitiven Aufgaben verbracht und plötzlich realisiert, dass mein AI-Automatisierungsstack nun schon seit einem halben Jahr läuft und die Effizienz ziemlich deutlich gestiegen ist. Ich dachte mir, ich fasse mal zusammen, wie dieses Setup zusammenarbeitet.
Im Kern gibt es zwei Rollen: **Hermes macht die Organisation**, Claude Code ist für die Ausführung zuständig. Hermes ist im Grunde ein Aufgabenmanager, der Zeitpläne, Erinnerungsverwaltung, Hintergrund-Cron-Jobs abwickelt und Nachrichten an Telegram und Feishu verteilt. Stell es dir vor wie einen immer verfügbaren Sekretär, der sich an die Ideen von gestern erinnert, heute rechtzeitig erinnert und morgen automatisch ein Datensammelskript ausführt.
Echte komplexe Programmierarbeiten überlasse ich Claude Code, der das einmalig erledigt. Große Refaktorisierungen, Code-Audits oder das Design einer Funktion von 0 auf 1 – das erledigt Claude Code direkt im CLI-Modus. Beide Seiten können auf meine Skill-Bibliothek (Methoden-Reflexion) zugreifen, wenn Hermes eine bestehende Logik wiederverwenden möchte, ruft er einfach den Skill auf; Claude Code kann das auch nutzen, der Umstieg kostet kaum etwas.
Bei der Modellauswahl ist es ein Kosten-Nutzen-Gleichgewicht. Für alltägliche Gespräche, tägliche Berichte und Marktüberwachung, die häufige Interaktionen erfordern, nutzen wir Haiku (günstig), und bei wirklich anspruchsvollen Aufgaben, die tiefere Überlegungen erfordern, upgraden wir auf Sonnet oder Opus. So kann die Token-Kosten im Monat in Schach gehalten werden.
Aus einer anderen Perspektive betrachtet, ist **der Agent das Gehirn der automatisierten Produktionslinie**, das Entscheidungen trifft und plant; **der Skill ist die Hand der Linie**, die die eigentliche Arbeit verrichtet. Hermes ist auf der Agent-Seite und gibt jedem Schritt in der Linie Gedächtnis und Kontext. Wenn eine Aufgabe außerhalb des Rahmens liegt, eskaliert sie direkt an den Experten Claude Code.
Vor der Implementierung dieser Lösung habe ich wöchentlich 8 Stunden mit repetitiven Aufgaben verbracht. Jetzt laufen einige Arbeiten im Hintergrund und ich muss nur regelmäßig Berichte oder Fehlermeldungen überprüfen. Die größte Falle war, dass die Skill-Dokumentation unklar war, was zu Fehlern bei der Verwendung führte. Jetzt zwinge ich für jeden neuen Skill die Ergänzung von "Häufigen Fallen" und "Anwendungsszenarien".
In diesem Zusammenhang denke ich, dass der Kern der AI-Automatisierung nicht darin besteht, das stärkste Modell zu verwenden, sondern **die Arbeit so fein zu zerlegen, dass jede Einheit unabhängig genug ist und Fehler leicht zu debuggen sind**. Ein kleines Team könnte in diese Richtung investiert viel manuelle Arbeit einsparen.
$BTC #AI #Agent