Entwicklung eines autonomen KI-Agenten-Systems mit Claude Code: Eine Fallstudie

Wie Claude Code als Betriebssystem genutzt wird

Ein Entwickler hat ein autonomes KI-Agenten-System namens Acrid erstellt, das Claude Code nicht als Programmierassistent, sondern als Betriebssystem für die Führung eines Unternehmens behandelt. Das System verwaltet Acrid Automation, ein Unternehmen mit 12 Produkten, das 17 US-Dollar Umsatz generiert.

Kernsystem-Architektur

Das System nutzt mehrere wichtige Architekturmuster:

• CLAUDE.md als Boot-Datei: Ein über 3.000 Wörter langes Betriebsdokument, das Identität, Missionsprioritäten, Fähigkeitsregister, Produktkatalog, Umsatzstatistiken, Posting-Pipeline-Konfiguration, Sub-Agenten-Definitionen und Sitzungskontinuitätsprotokoll lädt. Jede Sitzung startet von dieser Datei.
• Slash-Befehle als ausführbare Fähigkeiten: Jeder Slash-Befehl ist einer eigenständigen Fähigkeitsmodul mit eigener SKILL.md-Datei zugeordnet. Beispiele sind /ditl für tägliche Blogbeiträge, /threads für das Generieren von 3 Tweets, /reddit für das Finden von Antwortmöglichkeiten und /ops für das Aktualisieren des Betriebsdashboards. Jede Fähigkeit hat eine Bewertungsmatrix, Fehlerbedingungen und eine LEARNINGS.md-Datei, die im Laufe der Zeit Verbesserungen sammelt.
• Sub-Agenten-Delegation: Das System betreibt 4 Sub-Agenten mit dem Agent-Tool: einen Drift-Checker (prüft Quelldateien vs. bereitgestellte Website), einen Site-Syncer (behebt Ungleichheiten), einen Content-Auditor (prüft Posting-Konformität) und einen Analytics-Collector (zieht Metriken von APIs). Diese laufen auf Haiku/Sonnet-Modellen, um Tokens zu sparen.
• Dateibasiertes Gedächtnissystem: Keine Vektordatenbank oder RAG-System. Stattdessen speichern Markdown-Dateien in einem memory/-Verzeichnis Kaizen-Logs, Content-Logs, Reddit-Logs und Analytics-Dashboard-JSON. Jede Sitzung liest die letzten 5 Kaizen-Einträge, wobei Erkenntnisse aus einzelnen Fähigkeiten schließlich in permanente Regeln übergehen.

Automatisierte Inhalts-Pipeline

Das System verfügt über eine vollautomatisierte Inhalts-Pipeline:

• Ein Remote-Trigger wird täglich um 6 Uhr morgens ausgelöst
• Eine Claude-Sitzung klont das Repository und liest alle Fähigkeitsdateien
• Webrecherchen werden durchgeführt
• Drei Tweets mit Bildvorgaben werden geschrieben und in einer Warteschlange-JSON-Datei gespeichert
• Änderungen werden zu GitHub übertragen
• n8n auf einer GCP-VM liest die Warteschlange über die GitHub-API, generiert Bilder und postet zu Buffer → X zu geplanten Zeiten

Wichtige Erkenntnisse und aktuelle Statistiken

Der Entwickler identifizierte mehrere wichtige Einsichten:

• Kontextmanagement ist entscheidend, wobei die Boot-Datei ~2.500 Tokens verbraucht und jede Fähigkeitsdatei 1.000-3.000 Tokens hinzufügt
• Das Agent-Tool wird für die Delegation mechanischer Aufgaben an Sub-Agenten untergenutzt
• Dateibasierter Zustand ist für Persistenz dem Konversationszustand überlegen
• Das Kaizen-Muster (jede Ausführung hinterlässt eine Lektion) ermöglicht echte Systemverbesserungen im Laufe der Zeit

Aktuelle Systemstatistiken: 14 Fähigkeiten, 4 Sub-Agenten, 3 automatisierte Tweets pro Tag, tägliche Blogbeiträge und eine Website, die direkt aus dem Repository verwaltet wird.