So baust du deinen ersten KI-Agenten in 15 Minuten

Inhaltsverzeichnis

Aktualisiert Juni 2026.

TL;DR: Du brauchst kein Framework, keinen Kurs und keinen Doktortitel. Du brauchst Node.js, das Anthropic SDK und 25 Zeilen TypeScript. Dieses Tutorial baut einen echten, funktionierenden Agenten — einen strukturierten Content-Zusammenfasser, den du in derselben Sitzung auf Cloudflare deployen kannst. Die einzige Voraussetzung ist ein kostenloser API-Schlüssel.

[Operator-Sicht] Das Häufigste, was ich von Gründern höre, die mit KI automatisieren wollen, ist „Ich muss erst noch mehr lernen”. Musst du nicht. Das Agenten-Muster ist einfach, und der schnellste Weg, es zu verstehen, ist, einen zu bauen. Hier ist der genaue Weg, den ich nehmen würde, wenn ich heute bei null anfangen müsste.

Warum die meisten „Bau einen KI-Agenten”-Tutorials dich im Stich lassen

Sie verwenden entweder Python (in Ordnung für ML-Ingenieure, Reibung für alle anderen), verstecken den echten Code hinter einem Framework wie LangChain oder bauen etwas zu Abstraktes, um es mit deiner tatsächlichen Arbeit zu verbinden.

Dieses Tutorial macht drei Dinge anders:

1. Nur TypeScript — wenn du jemals JavaScript geschrieben hast, kannst du dem hier folgen
2. Kein Framework — du siehst jede Codezeile, die das Modell berührt
3. Ein nützliches Ergebnis — du baust einen strukturierten Zusammenfasser, den du tatsächlich für Kunden-E-Mails, Bewertungen oder Meeting-Notizen nutzen kannst

Was du baust

Einen Content-Zusammenfasser-Agenten: Füge einen beliebigen Textblock ein und erhalte eine strukturierte Zusammenfassung in einem konsistenten Format zurück. Eine HTTP-Anfrage rein, eine saubere Zusammenfassung raus.

Warum das als erstes Projekt: Das Muster — System-Prompt + Nutzereingabe → strukturierte Ausgabe — ist das Fundament jedes Agenten, den ich betreibe. Tausche den System-Prompt aus und du hast einen Fragebeantworter, einen Ton-Umschreiber, einen Klassifizierer oder einen Entwurfsgenerator. Lerne das einmal und du hast 80 % von dem gelernt, was Produktions-Agenten tatsächlich tun.

Voraussetzungen (2 Minuten)

• Node.js 18+ — prüfe mit node --version. Installiere bei Bedarf von nodejs.org.
• Ein Anthropic-API-Schlüssel — registriere dich bei Claude und hol dir einen Schlüssel aus der Konsole. Die kostenlose Stufe funktioniert.
• Ein Terminal und ein Texteditor.

Kein Docker. Keine virtuelle Umgebung. Kein pip install von irgendetwas.

Schritt 1: Das Projekt erstellen (2 Minuten)

mkdir my-first-agent && cd my-first-agent
npm init -y
npm install @anthropic-ai/sdk
npm install -D tsx typescript

Füge ein Skript zu package.json hinzu, damit du den Agenten leicht ausführen kannst:

{
  "scripts": {
    "agent": "tsx agent.ts"
  }
}

Schritt 2: Den Agenten schreiben (5 Minuten)

Erstelle agent.ts und füge dies ein:

import Anthropic from "@anthropic-ai/sdk";

const client = new Anthropic({
  apiKey: process.env.ANTHROPIC_API_KEY,
});

const SYSTEM_PROMPT = `You are a precise content summarizer. When given any block of text, return a structured summary in this exact format:

**One-line summary:** <the core point in one sentence>

**Key points:**
- <point 1>
- <point 2>
- <point 3 if applicable>

**Action item (if any):** <one concrete next step, or "None">

Be specific. No filler. Under 150 words total.`;

async function summarize(text: string): Promise<string> {
  const message = await client.messages.create({
    model: "claude-haiku-4-5",
    max_tokens: 512,
    system: SYSTEM_PROMPT,
    messages: [{ role: "user", content: text }],
  });

  const block = message.content[0];
  if (block.type !== "text") throw new Error("Unexpected response type");
  return block.text;
}

const sample = `
  Hey team — following up on the Q2 review meeting.
  We agreed to push the launch to July 15th instead of June 30th
  due to the payment integration delay. Marketing needs the new
  landing page copy by June 20th or we can't start the email campaign.
  Budget for the launch campaign is confirmed at $8,000.
  Please confirm receipt.
`;

const result = await summarize(sample);
console.log(result);

Schritt 3: Ausführen (1 Minute)

ANTHROPIC_API_KEY=sk-ant-... npm run agent

Erwartete Ausgabe:

**One-line summary:** Launch pushed to July 15th due to payment delay; landing page copy needed by June 20th to unblock email campaign.

**Key points:**
- Launch date moved from June 30th to July 15th
- Landing page copy deadline: June 20th (blocks email campaign)
- Campaign budget confirmed at $8,000

**Action item (if any):** Confirm receipt and deliver landing page copy by June 20th.

Das ist ein funktionierender KI-Agent. Echte Eingabe, individueller System-Prompt, strukturierte Ausgabe. Das Ganze sind 30 Zeilen Code.

Schritt 4: Passe ihn für deinen Anwendungsfall an

Der System-Prompt ist das Einzige, was diesen Agenten zu deinem macht. Hier sind drei einsatzbereite Alternativen:

Klassifizierer für Kundenbewertungen:

Classify this customer review as POSITIVE, NEGATIVE, or MIXED.
Then extract the main complaint or praise in one sentence.
Format: SENTIMENT: <label>
RESUME: <one sentence>

Meeting-Transkript → Aufgaben:

Extract all action items from this meeting transcript.
Format each as: [OWNER if mentioned] [ACTION] by [DEADLINE if mentioned]
If owner or deadline is not stated, leave those fields blank.
Return a numbered list. No preamble.

Ton-Umschreiber für Social Media:

Rewrite this text in a direct, confident, first-person tone for LinkedIn.
Remove hedging language ("I think", "maybe", "sort of").
Keep it under 200 words. Return only the rewritten text, no commentary.

Jeder davon ist derselbe 30-Zeilen-Agent mit einem anderen System-Prompt. Du brauchst kein neues Projekt für jeden — aktualisiere einfach SYSTEM_PROMPT und führe es erneut aus.

Schritt 5: In die Produktion deployen

Ein lokales Skript ist ein Prototyp. Ein Produktions-Agent läuft nach einem Zeitplan oder als Reaktion auf Ereignisse. Der Weg, den ich nutze: Cloudflare Workers.

Workers sind kostenlos bis zu 100k Anfragen/Tag, deployen in Sekunden und geben dir Cron-Trigger, KV-Speicher und Queues, ohne dass du irgendeine Infrastruktur verwalten musst.

Installiere Wrangler und erstelle das Grundgerüst eines Workers:

npm install -g wrangler
wrangler init my-agent-worker --template worker-typescript
cd my-agent-worker
npm install @anthropic-ai/sdk

Speichere deinen API-Schlüssel als Secret (niemals im Code):

wrangler secret put ANTHROPIC_API_KEY

Ersetze src/index.ts durch:

import Anthropic from "@anthropic-ai/sdk";

export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    const { text } = await request.json<{ text: string }>();

    const client = new Anthropic({ apiKey: env.ANTHROPIC_API_KEY });
    const message = await client.messages.create({
      model: "claude-haiku-4-5",
      max_tokens: 512,
      system: YOUR_SYSTEM_PROMPT,
      messages: [{ role: "user", content: text }],
    });

    const block = message.content[0];
    if (block.type !== "text") return Response.json({ error: "Bad response" }, { status: 500 });
    return Response.json({ summary: block.text });
  },
};

Deploye:

wrangler deploy

Du hast jetzt einen Live-API-Endpunkt unter https://my-agent-worker.<your-subdomain>.workers.dev. Rufe ihn von Zapier, einem Google-Sheets-Skript, einer mobilen App auf — von überall, wo eine HTTP-Anfrage gestellt werden kann.

Was als Nächstes bauen

Sobald das Grundmuster funktioniert, kommt Komplexität in drei Geschmacksrichtungen:

Tool-Nutzung (tool use) — lass das Modell entscheiden, wann externe APIs aufgerufen werden. Statt immer dieselbe Logik auszuführen, wählt das Modell anhand der Eingabe, welches Tool aufgerufen wird. So baust du Agenten, die suchen, in Datenbanken schreiben oder Benachrichtigungen senden.

Verkettung (chaining) — gib die Ausgabe eines Agenten als Eingabe eines anderen weiter. Ein Klassifizierer leitet an einen Antwortgeber weiter; ein Zusammenfasser speist einen Übersetzer. Die meisten Agenten, die ich in der Produktion betreibe, sind zwei- oder dreistufige Ketten, keine einzelnen Aufrufe.

Cron-Trigger — füge [triggers] crons = ["0 8 * * *"] zu wrangler.toml hinzu und dein Agent läuft nach einem Zeitplan. Kein Polling, kein dauerhaft laufender Server. So funktioniert die Content-Pipeline, mit der ich diese Website betreibe.

Ich habe alle drei Muster mit vollständigem TypeScript-Code in Der Agenten-Stack, mit dem ich über 30 Produktions-Agenten betreibe behandelt — dieser Beitrag setzt dort an, wo dieser endet.

Das Fazit des Operators

Die Lücke zwischen „über den Bau eines Agenten nachdenken” und „einen deployten Agenten haben” beträgt etwa 15 Minuten und 30 Zeilen Code. Der System-Prompt ist das Produkt — stecke deine Energie dort hinein, nicht in die Wahl eines Frameworks. Wenn der Agent dir eine Stunde pro Woche spart, sind das 50 Stunden im Jahr. Bau zuerst die einfache Version, schau, ob sie sich rechnet, und füge dann erst Komplexität hinzu, wenn der Anwendungsfall es verlangt.