Der komplette Claude Code Leitfaden

Vom Skeptiker zum Power-User: Alles, was ich beim Aufbau von Multi-Agenten-KI-Workflows gelernt habe.

---

Inhaltsverzeichnis

Teil 1: Erste Schritte

• Mein Weg zu Claude Code
• Deinen Workspace einrichten
• Tägliche Kernbefehle
• Dein Second Brain aufbauen
• MCP Tools: Verbindung zu allem

Teil 2: Multi-Agenten-Grundlagen

• Warum ein Claude nicht reicht
• Das Skills-System
• Dokumentengenerierung
• Research Workflows
• Context Engineering

Teil 3: Fortgeschrittene Orchestrierung

• Multi-Agenten-Orchestrierung
• Quality Gates
• Ralph Loops
• Presentation Frameworks

Teil 4: Produktions-Workflows

• Deep Research
• Marketing Workflows
• Eigene Skills bauen
• Von Commands zu Workflows

Anhang

• Kurzreferenz
• Command Cheat Sheet
• Agenten-Konfigurationsbeispiele

---

Teil 1: Erste Schritte

Mein Weg zu Claude Code

Ich war am Anfang kein Gläubiger.

Als Claude Code herauskam, war ich skeptisch. Noch ein KI-Coding-Tool? Ich hatte zu viele Demos gesehen, die Revolution versprachen und Autocomplete lieferten. Mein Workflow war gut. VS Code, GitHub Copilot, ChatGPT im Browser-Tab wenn nötig. Warum was ändern?

Aber eine Kollegin schwärmte ständig davon. „Es ist nicht Autocomplete", sagte sie. „Es ist wie ein Senior Developer, der nie schläft, nie genervt ist und sich tatsächlich daran erinnert, worüber ihr vor drei Stunden gesprochen habt."

Ich beschloss, es eine Woche auszuprobieren.

Das war vor sechs Monaten. Ich kann mir nicht vorstellen, zurückzugehen.

Was Claude Code wirklich ist

Claude Code ist Anthropics offizielles Command-Line Interface für Claude. Aber es als CLI zu bezeichnen, unterschlägt, was es kann.

Es ist eine KI-native Entwicklungsumgebung. Es liest deine Codebase. Es erinnert sich an deine Gespräche. Es führt Befehle aus. Es erstellt Dateien. Es orchestriert andere KI-Agenten. Es verbindet sich mit externen Tools über MCP (Model Context Protocol). Es lernt deine Muster durch eigene Skills.

Stell es dir weniger als Tool vor und mehr als dauerhaften Mitarbeiter, der zufällig in deinem Terminal lebt.

Der mentale Shift

Die größte Anpassung war nicht technisch – sie war mental.

Ich musste aufhören, KI als Frage-Antwort-Service zu betrachten. Claude Code ist nichts, das du abfragst. Es ist etwas, mit dem du arbeitest.

Wenn ich jetzt an ein komplexes Feature herangehe, denke ich nicht „Wie programmiere ich das?" Ich denke „Wie beschreibe ich, was ich brauche, damit Claude mir beim Bauen helfen kann?"

Die Beschreibung zählt mehr als Tippgeschwindigkeit. Klarheit zählt mehr als Keyboard-Shortcuts. Sein Ziel zu verstehen zählt mehr als jede API zu kennen.

Was sich verändert hat

Nach sechs Monaten mit Claude Code:

Geschwindigkeit: Aufgaben, die Stunden dauerten, dauern jetzt Minuten. Nicht weil ich schneller tippe, sondern weil ich besser delegiere. Claude übernimmt die repetitiven Teile, während ich mich auf Entscheidungen konzentriere.

Qualität: Mein Code ist konsistenter. Claude erinnert sich an die Muster, die wir etabliert haben. Es merkt, wenn ich von unseren Konventionen abweiche. Es schlägt Tests vor, die ich vergessen hätte.

Lernen: Ich lerne ständig. Jedes Mal, wenn Claude etwas anders löst als ich es gemacht hätte, sehe ich einen neuen Ansatz. Es ist wie Pair-Programming mit jemandem, der andere Erfahrungen hat als ich.

Umfang: Ich nehme größere Projekte an. Dinge, die für eine Person zu ambitioniert schienen, werden handhabbar, wenn man einen unermüdlichen Mitarbeiter hat.

Der Compound-Effekt

Die echte Power liegt nicht in einem einzelnen Feature. Es liegt daran, wie sie sich aufbauen.

Mein Workspace-Setup merkt sich alles. Meine eigenen Skills kodieren meine Best Practices. Meine MCP-Verbindungen geben Claude Zugang zu echten Daten. Meine Command-Bibliothek automatisiert wiederkehrende Aufgaben.

Jede Ebene baut auf der vorherigen auf. Jede Woche wird mein Setup ein bisschen besser. Die Produktivitätslücke zwischen „ich mit Claude Code" und „ich ohne" wächst kontinuierlich.

Warum dieser Leitfaden existiert

Als ich anfing, habe ich Wochen damit verbracht, Funktionen zufällig zu entdecken. Die Dokumentation ist gut, aber sie kann Workflows, die aus echter Nutzung entstehen, nicht erfassen. Ich wollte den Leitfaden erstellen, den ich mir gewünscht hätte.

Es geht hier nicht um jedes Feature. Es geht um die Features, die zählen – die Muster, die sich aufbauen, die Setups, die Stunden sparen, die mentalen Modelle, die alles zum Klicken bringen.

Ob du gerade erst anfängst oder dich verbessern willst, ich hoffe, meine Reise beschleunigt deine.

---

Deinen Workspace einrichten

Der Moment, in dem ich Claude Code ernst nahm, war, als ich aufhörte, es wie ein Tool zu behandeln und anfing, es wie einen Workspace zu behandeln. Dieser Shift erforderte Organisation.

Die meisten Guides springen direkt zu Commands. Aber Commands ohne Struktur ist Chaos. Du landest bei verstreuten Dateien, vergessenen Kontexten und einem wachsenden Durcheinander, das Claude mit der Zeit weniger hilfreich macht.

Lass mich dir zeigen, wie ich alles organisiere.

Die Zwei-Domänen-Architektur

Die fundamentale Erkenntnis: Es gibt zwei Arten von Dingen in meinem Workspace.

Assets — Das eigentliche Zeug. Code, Bilder, Videos, PDFs. Dinge, die unabhängig von meinem Nachdenken darüber existieren.

Knowledge — Mein Verständnis von Zeug. Notizen, Analysen, Journale. Die intellektuelle Arbeit, die ich auf Assets aufbaue.

Diese zwei Domänen leben an verschiedenen Orten:

Mein Workspace/
├── projects/           # Assets: eigentlicher Code
├── learning/           # Assets: Kursmaterialien
├── media/              # Assets: Bilder, Videos
├── archive/            # Assets: Archiv
│
└── vault/              # Knowledge: alle meine Notizen
    ├── _inbox/         # Schnelles Erfassen
    ├── projects/       # Notizen ÜBER Projekte
    ├── research/       # Research-Outputs
    ├── technical/      # Technische Docs
    └── personal/       # Journal, Karriere

Die Entscheidungsregel

Wenn ich etwas erstelle, bestimmt eine Frage, wo es hingehört:

Ist das die Sache selbst, oder Notizen über die Sache?

Die SwiftUI-Komponente, die ich baue? Geht in projects/SwiftUI-Components/. Meine Notizen über SwiftUI-Muster, die ich gelernt habe? Gehen in vault/technical/swiftui-patterns.md.

Ein Research-Paper PDF, das ich heruntergeladen habe? media/papers/. Meine Analyse dieses Papers? vault/research/thema-name/.

Das klingt simpel, aber es ist transformativ. Ich frage mich nie, wo etwas ist. Die Entscheidungsregel ist eindeutig.

Warum das für Claude wichtig ist

Claude Code funktioniert am besten, wenn es weiß, wo es suchen soll.

Wenn ich sage „schau in meiner Research über LLM-Agenten nach", schaut Claude in vault/research/. Wenn ich sage „aktualisiere die Authentifizierungs-Komponente", schaut Claude in projects/. Die Struktur schafft Vorhersehbarkeit.

Noch wichtiger: Claude kann auf meine frühere Arbeit zurückgreifen. Wenn ich ein Thema schon mal analysiert habe, findet Claude diese Analyse, bevor es neu anfängt. Mein Wissen akkumuliert sich, anstatt zu fragmentieren.

Die Vault-Struktur

Die Knowledge-Seite verdient mehr Details:

vault/
├── _inbox/             # Schnelles Erfassen (wöchentlich leeren)
├── _templates/         # Obsidian-Templates
├── _attachments/       # Bilder, generierte Dateien
│
├── projects/           # Projekt-Notizen (kein Code)
├── research/           # Research-Outputs
│   └── [thema]/        # Ein Ordner pro Research-Bereich
├── technical/          # Technische Dokumentation
├── financial-analysis/ # Finance-Workflow-Outputs
├── presentations/      # Deck-Workflow-Outputs
│
└── personal/
    ├── journal/        # Tägliche Einträge
    └── career/         # Karriereplanung

Jeder wichtige Workflow hat sein Zuhause. Research-Outputs gehen nach vault/research/. Finanzanalysen gehen nach vault/financial-analysis/. Das bedeutet, ich kann immer frühere Arbeit zu einem Thema finden.

Namenskonventionen

Konsistenz beim Benennen spart kognitive Last:

Typ	Konvention	Beispiel
Ordner	kebab-case	swiftui-components/
Markdown	kebab-case.md	api-patterns.md
Datierte Arbeit	YYYY-MM-DD-thema	2026-01-21-aapl/
Journal	YYYY-MM-DD.md	2026-01-21.md

Ich denke nicht mehr darüber nach. Die Konvention ist automatisch.

CLAUDE.md Dateien

Jedes wichtige Verzeichnis kann eine CLAUDE.md Datei haben – spezielle Anweisungen für Claude beim Arbeiten in diesem Bereich.

Meine Root-CLAUDE.md enthält:

• High-Level Workspace-Struktur
• Wichtige Commands und ihre Zwecke
• Konventionen, die Claude befolgen soll
• Verweise auf wichtige Registries

Projektspezifische CLAUDE.md Dateien enthalten:

• Projektspezifische Muster
• Technologie-Entscheidungen
• Testing-Konventionen
• Deployment-Notizen

Claude liest diese automatisch. Es ist wie Claude vor jedem Gespräch zu briefen.

Von Grund auf einrichten

Wenn du frisch startest:

1. Erstelle die Grundstruktur — Asset-Ordner auf oberster Ebene, Vault für Knowledge
2. Füge eine Root-CLAUDE.md hinzu — Beschreibe deinen Workspace, liste wichtige Konventionen
3. Richte dein Vault _inbox ein — Hierhin gehen schnelle Captures
4. Erstelle deinen ersten Projektordner — Mit eigener CLAUDE.md
5. Verbinde mit Obsidian — Der Vault funktioniert wunderbar mit Obsidian für manuelle Bearbeitung

Überentwickle am Anfang nicht. Die Struktur entwickelt sich mit der Nutzung. Starte einfach, füge Komplexität nach Bedarf hinzu.

---

Tägliche Kernbefehle

Claude Code hat Dutzende Commands. Ich nutze täglich etwa zehn.

Das sind nicht die auffälligsten Commands – keine 27-Agenten-Research-Workflows hier. Das sind die alltäglichen, die mir jede Woche Stunden sparen durch schiere Wiederholung.

Quick Capture: /capture

Der Command, den ich am häufigsten nutze:

/capture "Idee zur Verbesserung des Auth-Flows - Session-Tokens statt JWTs"

Das macht etwas Einfaches aber Mächtiges: Es routet die Notiz automatisch an den richtigen Ort.

• Technische Beobachtung? Geht nach vault/technical/
• Projekt-Idee? Geht in die relevanten Projekt-Notizen
• Zufälliger Gedanke? Geht nach vault/_inbox/

Claude trifft die Routing-Entscheidung basierend auf dem Inhalt. Ich wähle kein Ziel. Ich erfasse einfach.

Journal-Eintrag: /journal

Mein täglicher Reflexions-Command:

/journal

Claude führt mich durch einen strukturierten täglichen Eintrag:

• Was habe ich erreicht?
• Was habe ich gelernt?
• Was blockiert mich?
• Was ist der Plan für morgen?

Der Eintrag geht nach vault/personal/journal/YYYY-MM-DD.md mit ordentlichem Frontmatter.

Quick Inbox: /inbox

Manchmal will ich erfassen, ohne dass Claude Routing-Entscheidungen trifft:

/inbox "Schau dir den neuen React Compiler an"

Geht direkt nach vault/_inbox/. Keine Analyse, kein Routing. Pure Geschwindigkeit.

Research Summary: /research-quick

Für schnelle Recherche ohne den vollen 11-Agenten-Workflow:

/research-quick "Unterschiede zwischen JWT und Session-Tokens"

Claude macht fokussierte Recherche und gibt eine Zusammenfassung zurück. Keine Dateierstellung, kein aufwendiger Prozess. Einfach eine Antwort, wenn ich Kontext brauche.

Context Check: /context

Essentiell für längere Gespräche:

/context

Zeigt die aktuelle Context-Window-Nutzung. Wenn sie hoch wird, weiß ich, dass ich abschließen oder zusammenfassen sollte, bevor ich weitermache.

Nützlichere Variante:

/context dump

Exportiert den aktuellen Gesprächszustand in eine Datei. Das nutze ich, wenn der Kontext sich füllt, aber ich noch nicht fertig mit einer Aufgabe bin.

Parallele Ausführung: /parallel

Wenn ich unabhängige Aufgaben habe:

/parallel "run tests" "lint code" "check types"

Alle drei laufen gleichzeitig. Für Aufgaben, die nicht voneinander abhängen, spart parallele Ausführung erheblich Zeit.

Das tägliche Muster

Mein typischer Tag:

Morgens:

/journal                    # Reflexion zum Vortag
/inbox "Gedanken..."        # Übernacht-Ideen erfassen
/context                    # Wo stehe ich

Während der Arbeit:

/capture "Erkenntnis..."    # Erfassen während ich arbeite
/research-quick "Frage"     # Schnelle Recherche
/parallel "test" "lint"     # Checks ausführen

Feierabend:

/changelog                  # Dokumentieren was sich geändert hat
/context dump               # State speichern wenn nötig
/journal                    # Tägliche Reflexion

Diese zehn Commands decken 80% meiner Interaktionen mit Claude Code ab.

---

Dein Second Brain aufbauen

Ich habe jedes Notizen-System ausprobiert. Evernote. Notion. Roam. Logseq. Apple Notes. Plain Text Dateien. Jedes funktionierte eine Weile, dann kollabierte es unter seiner eigenen Komplexität.

Das Problem waren nicht die Tools. Es war die Reibung. Notizen machen war einfach. Sie später finden war schwer.

Claude Code hat das geändert. Nicht weil es eine bessere Notizen-App ist – es ist überhaupt keine Notizen-App. Aber weil es Notizen nutzbar macht.

Die Integration mit Obsidian

Mein Vault ist ein Obsidian-Vault. Das ist wichtig, weil:

Lokale Dateien: Alles ist Markdown auf meiner Festplatte. Keine Sync-Probleme, kein Vendor-Lock-in.

Wikilinks: Ich kann Notizen mit [[notiz-name]] verlinken. Das Netzwerk der Verbindungen entsteht natürlich.

Plugins: Obsidians Plugin-Ökosystem fügt Features hinzu ohne Komplexität.

Funktioniert mit Claude: Claude Code liest und schreibt die gleichen Dateien. Es gibt keinen Import/Export.

Wie Claude meinen Vault nutzt

Wenn ich einen Research-Workflow starte, ist Claudes erste Aktion Phase 0: Context Discovery.

Es durchsucht meinen Vault nach verwandter früherer Arbeit. Wenn ich ein ähnliches Thema vor drei Monaten recherchiert habe, findet Claude diese Recherche und baut darauf auf, anstatt von vorne anzufangen.

Das ist der Compound-Effekt. Jede Notiz, die ich mache, wird zu potenziellem Kontext für zukünftige Arbeit.

Templates, die Reibung reduzieren

Obsidian-Templates + Claude-Workflows = konsistente Struktur.

Mein Research-Template:

---
created: "[date:YYYY-MM-DDTHH:mm:ss]"
type: research
tags: [research]
---

# [title]

## Kernfragen
-

## Quellen
-

## Erkenntnisse
-

## Implikationen
-

Wenn Claude /research ausführt, erstellt es Notizen mit dieser Struktur. Konsistenz bedeutet Auffindbarkeit.

Suche, die funktioniert

Vor Claude verließ ich mich auf Obsidians Suche. Sie ist gut, aber Keyword-basiert.

Jetzt nutze ich Claudes semantisches Verständnis:

/vault-search "diese Analyse, die ich über Authentifizierungs-Tokens gemacht habe"

Claude matched nicht nur Keywords. Es versteht die Anfrage und findet die relevante Notiz, auch wenn ich mich nicht an exakte Begriffe erinnere.

---

MCP Tools: Verbindung zu allem

Model Context Protocol – MCP – ist wo Claude Code wirklich mächtig wird.

Ohne MCP ist Claude schlau aber isoliert. Es kann deine Dateien lesen und Commands ausführen, aber es kann nicht deine E-Mails checken, deine Datenbank abfragen, eine Website scrapen oder auf APIs zugreifen.

Mit MCP verbindet sich Claude mit allem.

Was MCP eigentlich ist

Stell dir MCP-Server als Adapter vor. Jeder Server stellt Claude spezifische Fähigkeiten zur Verfügung:

[Claude Code] ←→ [MCP Server] ←→ [Externer Service]

Wenn ich den Firecrawl MCP-Server einrichte, bekommt Claude die Fähigkeit, Webseiten zu scrapen. Wenn ich den arXiv-Server einrichte, kann Claude akademische Papers durchsuchen.

Mein aktuelles MCP-Setup

Server	Zweck	Was es ermöglicht
Firecrawl	Web Scraping	Seiten scrapen, Content extrahieren
Exa	Semantische Suche	Websuche mit KI-Verständnis
Context7	Library Docs	Dokumentation für jede Library
arXiv	Akademische Papers	Recherche durchsuchen und herunterladen
AlphaVantage	Finanzdaten	Aktienkurse, Fundamentaldaten
Apple Health	Gesundheitsdaten	Meine Health-Metriken abfragen
Twitter	Social Data	Tweets lesen (nur Lesen)
GitHub	Repository-Ops	PRs, Issues, Commits
Chrome	Browser-Steuerung	Web-Interaktionen automatisieren
claude-mem	Working Memory	Kontext über Sessions hinweg speichern

Jeder Server fügt Fähigkeiten hinzu. Zusammen lassen sie Claude allwissend erscheinen.

Wie Claude MCP nutzt

Wenn ich etwas frage, das externe Daten braucht, nutzt Claude automatisch das passende Tool:

Ich: „Was ist Apples Aktienkurs?" Claude: [Nutzt AlphaVantage] „Apple wird bei $189,84 gehandelt..."

Ich: „Finde aktuelle Papers über Transformer-Architekturen" Claude: [Nutzt arXiv] „Ich habe 15 relevante Papers gefunden..."

Ich rufe MCP-Tools nicht direkt auf. Claude entscheidet, wann sie genutzt werden.

---

Teil 2: Multi-Agenten-Grundlagen

Warum ein Claude nicht reicht

Ich habe mich monatelang gegen Multi-Agenten-Workflows gesträubt. Sie schienen komplex. Mehrere KI-Agenten zu orchestrieren fühlte sich nach voreiliger Optimierung an.

Dann bin ich gegen eine Wand gelaufen.

Meine Research-Qualität stagnierte. Egal wie gut meine Prompts wurden, Einzel-Claude-Recherche fühlte sich oberflächlich an. Es würde offensichtliche Quellen finden, Nuancen verpassen und voreilig Schlüsse ziehen.

Das Problem war nicht Claudes Fähigkeit. Es war Perspektive.

Die Einzel-Agenten-Falle

Ein einzelner Agent macht alles: recherchieren, analysieren, synthetisieren, kritisieren. Aber das schafft ein subtiles Problem.

Wenn ein Agent Informationen findet und sie dann analysiert, gibt es keine frische Perspektive. Derselbe „Verstand", der die Daten gesammelt hat, interpretiert sie. Bestätigungsfehler schleichen sich ein.

Die Multi-Agenten-Erkenntnis

Mehrere Agenten schaffen Trennung der Zuständigkeiten:

• Researcher findet Informationen
• Analyst interpretiert Muster
• Critic hinterfragt Schlussfolgerungen
• Synthesizer kombiniert Perspektiven

Der Analyst hat den rohen Recherche-Prozess nicht gesehen. Der Critic weiß nicht, warum der Analyst zu bestimmten Schlüssen kam. Diese Trennung schafft echte Vielfalt.

Wann Multi-Agenten wichtig ist

Einzelner Agent funktioniert gut für:

• Schnelle Fragen mit klaren Antworten
• Code-Generierung mit definierten Anforderungen
• Einfache Analysen mit offensichtlichen Schlüssen

Multi-Agenten glänzt bei:

• Recherche, die mehrere Perspektiven braucht
• Analyse, wo Bestätigungsfehler riskant ist
• Komplexe Entscheidungen mit hohem Einsatz

Die Regel: Wenn du eine zweite Meinung von einem Menschen wollen würdest, willst du wahrscheinlich einen zweiten Agenten.

---

Das Skills-System

Commands sind Dinge, die ich explizit aufrufe. /research führt Recherche aus.

Skills sind anders. Sie aktivieren sich automatisch, wenn der Kontext passt.

Wenn ich nach „Ideen" frage, aktiviert sich der Brainstorm-Skill. Wenn ich ein Dashboard baue, lädt sich der Design-System-Skill. Wenn ich debugge, greift Sequential-Thinking.

Die Skill vs. Command Entscheidung

Nutze einen Command wenn:

• Der Nutzer die Aktion explizit anfordern muss
• Es einen mehrstufigen Workflow orchestriert
• Es einen lieferbaren Output produziert

Nutze einen Skill wenn:

• Das Verhalten sich automatisch basierend auf Kontext anwenden soll
• Es modifiziert wie Arbeit gemacht wird, nicht was gemacht werden soll

Commands sind Verben: „Mach das." Skills sind Adverbien: „Mach Dinge so."

Meine aktiven Skills

Skill	Löst aus bei	Was es tut
Brainstorm	„Ideen", „erkunden"	Divergente/konvergente Ideenfindung
Sequential Thinking	Komplexe Probleme	Schritt für Schritt mit Konfidenz
Design System	Dashboard-Generierung	Digital Craft Tokens
Python Data Analysis	Datenanalyse	Pandas-Muster
MCP Resilience	MCP-Fehler	Retry-Logik
Error Handling	Workflow-Fehler	Recovery-Muster
Quality Gates	Ende von Workflows	Verifizierung

---

Dokumentengenerierung

Claude Code schreibt nicht nur Text – es generiert echte Dokumente.

Die Dokument-Commands

/pdf "report.md"            # PDF aus Markdown generieren
/slides "deck"              # PowerPoint-Präsentation generieren
/spreadsheet "data"         # Excel-Workbook generieren
/docx "proposal"            # Word-Dokument generieren

Jeder Command versteht die Stärken seines Zielformats.

Multi-Format-Output

Größere Workflows generieren automatisch mehrere Formate.

Der /deck Workflow gibt aus:

• PowerPoint-Datei (Haupt-Deck)
• PDF (zum Teilen)
• Markdown (zur Referenz)
• Speaker Notes

Der /research Workflow gibt aus:

• Markdown-Report
• PDF (formatiert)
• Executive Summary

---

Research Workflows

Mein /research Workflow nutzt 11 spezialisierte Agenten. Es ist der Workflow, den ich am häufigsten nutze.

Die 11-Agenten-Architektur

Phase 0: Context Discovery
  └─ Explore Agent (frühere Arbeit finden)

Phase 1: Research (3 Agenten parallel)
  ├─ Academic Researcher
  ├─ Web Researcher
  └─ News Researcher

Phase 2: Analysis (3 Agenten parallel)
  ├─ Source Analyzer
  ├─ Pattern Detector
  └─ Gap Analyzer

Phase 3: Quality Assurance (2 Agenten)
  ├─ Fact Checker
  └─ Bias Detector

Phase 4: Synthesis (2 Agenten)
  ├─ Synthesizer
  └─ Executive Summary

Der Output

Research-Outputs gehen nach vault/research/[thema]/:

vault/research/llm-agents-2026/
├── research-report.md
├── executive-summary.md
├── sources.md
├── gaps.md
└── data/
    └── sources.json

---

Context Engineering

Kontext ist alles in der KI-Arbeit. Jede Interaktion passiert innerhalb eines Context-Windows. Was in diesem Window ist, bestimmt, wie gut Claude helfen kann.

Das Context-Problem

Zwei Fehlermodi:

Context Starvation: Claude nicht genug Informationen geben.

Context Pollution: Das Window mit irrelevanten Informationen füllen.

Beides führt zu schlechteren Outputs.

Meine Context-Strategien

Progressive Disclosure: Minimum Context initial laden. Erweitern nach Bedarf.

Context Partitioning: Multi-Agenten-Workflows verteilen Kontext über Agenten.

Referenz über Einbettung: Dateien per Pfad referenzieren statt einzufügen.

State Management: Periodisch State speichern mit /context dump.

Context-Nutzung überwachen

/context

Nutzung	Aktion
0-40%	Normal weitermachen
40-60%	Große Workflows vermeiden
60-80%	Erst komprimieren
80-95%	Dump und neu starten

---

Teil 3: Fortgeschrittene Orchestrierung

Multi-Agenten-Orchestrierung

Mehrere Agenten laufen zu lassen ist einfach. Sie effektiv zu koordinieren ist der schwere Teil.

Die Orchestrierungs-Dimensionen

Timing — Wann läuft jeder Agent? Dependencies — Welche Agenten brauchen Outputs von welchen anderen? Data Flow — Welche Informationen fließen zwischen Agenten? Synthesis — Wie kombinieren sich Outputs?

Parallel vs. Sequentiell

Parallele Ausführung: Agenten, die nicht voneinander abhängen, laufen gleichzeitig.

Sequentielle Ausführung: Wenn Agent B Agent As Output braucht, laufen sie nacheinander.

Hybride Muster: Innerhalb von Phasen: parallel. Über Phasen hinweg: sequentiell.

Phasen-Design

Phase 0: Context Discovery
Phase 1: Gathering (parallel)
Phase 2: Processing (parallel)
Phase 3: Quality Assurance (parallel)
Phase 4: Synthesis (sequentiell)
Phase 5: Output (sequentiell)

---

Quality Gates

KI-generierter Content kann selbstbewusst falsch sein.

Quality Gates sind Checkpoints, an denen Outputs verifiziert werden, bevor es weitergeht.

Was Quality Gates prüfen

Prüfung	Was es erwischt
Citation Verification	Behauptungen ohne Quellen
Source Quality	Unzuverlässige Quellen
Confidence Calibration	Überkonfidente Behauptungen
Internal Consistency	Widersprüche
Gap Identification	Fehlende Aspekte

Der Quality Report

# Quality Report

## Gesamtscore: 87/100

## Verifizierte Behauptungen
✓ Umsatzzahlen (Quelle: SEC 10-Q)

## Markierte Items
⚠ Prognose basiert auf Analystenschätzungen

## Nicht verifizierte Behauptungen
✗ „Brancheninsider deuten an..."

## Empfehlung
Einsatzbereit mit notierten Einschränkungen.

---

Ralph Loops

Mir fiel auf, dass Claude zu früh aufhörte. Ich fragte nach 80% Testabdeckung und bekam ein paar Tests und „Ich habe die Abdeckung verbessert." Aber die Abdeckung war immer noch bei 50%.

Ralph Loops beheben das.

Das Kernkonzept

Stoppe nicht, bis das Completion-Promise erkannt wird.

/ralph-loop "Verbessere Testabdeckung auf 80%. Gib <promise>80% COVERAGE</promise> aus wenn fertig."

Claude läuft. Prüft Abdeckung. Schreibt Tests. Wiederholt bis 80%. Dann gibt es das Promise aus. Loop endet.

Gute Prompts schreiben

Klarer aktueller Zustand: Aktuelle Testabdeckung: 45%

Messbares Ziel: Ziel: 80% Abdeckung

Binärer Abschluss: Gib <promise>80% COVERAGE ACHIEVED</promise> aus wenn Abdeckung >= 80%

Sicherheitslimits

• Maximale Iterations-Cap (Standard: 20)
• Stillstand-Erkennung (Exit wenn kein Fortschritt für 3 Iterationen)
• Checkpoints werden gespeichert

---

Presentation Frameworks

Mein /deck Workflow kodifiziert Frameworks von McKinsey, BCG, Sequoia, Amazon und Apple.

Die acht Frameworks

Framework	Verwenden wenn	Folien
McKinsey Pyramid + SCQA	Executive-Entscheidungen	10-15
Hypothesis-Driven	Strategische Empfehlungen	12-20
Sequoia Pitch	Investment-Pitches	10
Amazon PRFAQ	Produkt-Launches	6-10
Assertion-Evidence	Technisches Publikum	15-25
Marketing Strategy	Kampagnen-Pitches	15-20
Agency Creative	Kreative Konzepte	15-25
Apple Keynote	Produkt-Keynotes	30-50

Kernprinzipien

Answer First: Führe mit der Empfehlung.

Action Titles: Folientitel sollten vollständige Sätze sein.

Eine Message pro Folie: Wenn eine Folie zwei Punkte macht, teile sie auf.

---

Teil 4: Produktions-Workflows

Deep Research

Mein Standard /research nutzt 11 Agenten. /deep-research sind 27 Agenten über 12 Phasen, mit Ziel 100+ Quellen.

Die Architektur

Phase 0   → Context Discovery
Phase 1   → Research Planning
Phase 2   → Primary Search (5 parallele Agenten)
Phase 3   → Paper Retrieval
Phase 4   → Citation Chain Recursion
Phase 5   → Quality Assurance (4 Agenten)
Phase 5.1 → Credibility Deep Dive (4 Agenten)
Phase 5.5 → Fact-Check Feedback Loop
Phase 6   → Advanced Analysis (3 Agenten)
Phase 7   → Synthesis (3 Agenten)
Phase 8   → Visualization (2 Agenten)
Phase 9   → Report Generation
Phase 10  → Integration

Citation Chain Recursion

Grundlegende Papers liegen oft 2-3 Zitationen von aktueller Forschung entfernt. Die Rekursion findet sie.

Ressourcenverbrauch

Metrik	/research	/deep-research
Agenten	11	27
Tokens	~300K	~750K
Laufzeit	5-10 min	30-60 min
Quellen	25-50	100+

---

Marketing Workflows

Mein /marketing Workflow: 12 Agenten über 4 Sub-Workflows.

Die Sub-Workflows

/marketing "Produkt"           → Volle 4-Phasen (12 Agenten)
/marketing-research "Produkt"  → Nur Research (3 Agenten)
/marketing-strategy "Produkt"  → Nur Strategie (3 Agenten)
/marketing-creative "Produkt"  → Nur Creative (3 Agenten)
/marketing-execution "Produkt" → Nur Execution (3 Agenten)

Phase 1: Research

Market Intel: Marktgröße, Wettbewerber, Pricing Social Research: Listening, Sentiment, Feedback SEO Content: Keywords, Content-Gaps

Phase 2: Strategy

Strategy Architect: Positionierung, Personas, Messaging Channel Strategist: Channels, Influencer, E-Mail Validation Agent: Fact-checkt alle Behauptungen

Phase 3: Creative

Creative Lead: Konzepte, visuelle Richtung Content Producer: Headlines, Copy, CTAs Video Producer: Scripts, Storyboards

Phase 4: Execution

Media Planner: Budget, Pacing, Channels Analytics Architect: KPIs, Attribution, Testing Viz Generator: Positionierungsmaps, Journey-Visualisierungen

---

Eigene Skills bauen

Skills aktivieren sich automatisch, wenn der Kontext passt.

Anatomie eines Skills

.claude/skills/[skill-name]/
├── SKILL.md           # Kern-Anweisungen
├── scripts/           # Automatisierungs-Helfer
├── references/        # Detaillierte Docs
└── assets/            # Templates

Der kritische Frontmatter

---
name: skill-name
version: 1.0.0
description: Spezifische Trigger für Aktivierung.
---

Schlecht: „Hilft bei Context-Management" Gut: „Exportiere aktuellen Task-State nach Markdown wenn Context > 60%"

Was einen guten Skill ausmacht

• Spezifische Trigger schlagen breite
• Prozess über Inhalt
• Konsistente Output-Formate
• Integration ermöglicht Verkettung

---

Von Commands zu Workflows

Commands sind explizite Aufrufe. Workflows sind orchestrierte Multi-Agenten-Prozesse.

Design-Prinzipien

Phase 0 immer: Prüfe auf frühere verwandte Arbeit.

Parallel wo möglich: Unabhängige Arbeit läuft gleichzeitig.

Explizite Dependencies: Dokumentiere, was jeder Agent braucht.

Strukturierte Übergaben: Übergib Zusammenfassungen, keine Rohdaten.

Quality Gates: Verifiziere vor Synthese.

Graceful Degradation: Behandle Fehler ohne Totalausfall.

---

Anhang

Kurzreferenz

Workflow-Vergleich

Workflow	Agenten	Laufzeit	Output
/research	11	5-10 min	Research-Report
/deep-research	27	30-60 min	Literatur-Review
/finance	7	10-15 min	Finanzanalyse
/marketing	12	15-20 min	GTM-Strategie
/deck	10	10-15 min	Präsentation

Context-Richtlinien

Nutzung	Aktion
0-40%	Normal weitermachen
40-60%	Große Workflows vermeiden
60-80%	Erst komprimieren
80-95%	Dump und neu starten

---

Command Cheat Sheet

Tägliche Commands

/capture "notiz"      # Smart Routing
/journal              # Täglicher Eintrag
/inbox "notiz"        # Schnelles Erfassen
/context              # Nutzung prüfen
/context dump         # State exportieren

Research & Analyse

/research "thema"             # 11-Agenten-Recherche
/deep-research "thema"        # 27-Agenten-Review
/finance "TICKER"             # Finanzanalyse

Dokumentengenerierung

/pdf "content"        # PDF generieren
/slides "thema"       # PowerPoint
/spreadsheet "data"   # Excel
/docx "dokument"      # Word

Workflow-Steuerung

/parallel "cmd1" "cmd2"   # Parallel ausführen
/ralph-loop "task"        # Iterativer Loop
/cancel-ralph            # Loop stoppen

---

Agenten-Konfigurationsbeispiele

Research Agent

Task({
  subagent_type: "research-analyst",
  model: "opus",
  prompt: `Recherchiere [thema]. Finde:
    - Akademische Quellen
    - Branchenperspektiven
    - Aktuelle Entwicklungen
    Liefere strukturierte Erkenntnisse.`
})

Quality Gate Agent

Task({
  subagent_type: "code-reviewer",
  model: "opus",
  prompt: `Verifiziere Behauptungen:
    [behauptungen]

    Für jede: Quelle, Verifikation, Konfidenz.`
})

---

Schlusswort

Sechs Monate mit Claude Code haben transformiert, wie ich arbeite. Nicht wegen eines einzelnen Features, sondern weil sich Fähigkeiten aufbauen.

Die Workspace-Struktur ermöglicht es Claude, frühere Arbeit zu finden. Der Vault bewahrt Wissen. MCP verbindet zu externen Daten. Skills kodieren Best Practices. Workflows orchestrieren komplexe Prozesse. Quality Gates sichern Zuverlässigkeit.

Jede Ebene baut auf der vorherigen auf. Jede Woche wird das System ein bisschen besser.

Wenn du gerade erst anfängst: Fokussiere dich auf die Basics. Workspace-Struktur. Tägliche Commands. Die Gewohnheit aufbauen.

Wenn du dich verbessern willst: Wähle einen Bereich zum Vertiefen. Multi-Agenten-Orchestrierung. Eigene Skills. Quality Gates. Geh in die Tiefe, bevor du breiter wirst.

Claude Code ist das bedeutendste Produktivitäts-Tool, das ich in Jahren adoptiert habe. Nicht weil es für mich arbeitet – weil es mit mir arbeitet.

---

Dieser Leitfaden konsolidiert Erkenntnisse aus sechs Monaten täglicher Nutzung. Für spezifische Command-Referenzen siehe das Command Cheat Sheet.