Autonomes Magazin-Pipeline mit Claude Code: Agentische Architektur im Detail

Architektur-Überblick

Das DEEPCONTEXT-System behandelt Claude Code als Redaktionsteam statt als Chatbot und implementiert eine siebenstufige Pipeline, die eine Schlagzeile in bis zu fünf fertige Artikel verwandelt. Die Architektur funktioniert wie eine Nachrichtenredaktion mit strenger redaktioneller Hierarchie.

Ebene 1: Intelligenz

Bevor das LLM eine Schlagzeile verarbeitet, berechnet ein Python-Skript (crosslink.py) mit multilingual-e5-large-Embeddings die Ähnlichkeit zu jedem veröffentlichten Artikel. Dies erstellt ein "Briefing" mit ähnlichen Artikeln, übereinstimmenden verifizierten Fakten, bestehenden Clustern und Abdeckungslücken von Personas. Das System verwendet Z-Scores statt roher Kosinusähnlichkeit, um gegen die Korpusverteilung in diesem domänenspezifischen Kontext (Geopolitik, Wirtschaft, Wissenschaft) zu normalisieren. Ein Z-Score von 3,5 zeigt eine 99,9. Perzentil-Ähnlichkeit an und signalisiert wahrscheinlich ein Duplikat.

Ebene 2: Redaktionelle Entscheidungen

Der Haupt-Claude-Code-Agent liest das Briefing und trifft mehrere redaktionelle Entscheidungen:

• Analyse: Identifiziert 6-10 Wissenslücken, die die Schlagzeile eröffnet
• Weiterleitung: Entscheidet zwischen NEW_CLUSTER, EXTEND, UPDATE oder SKIP-Optionen
• Regionalisierung: Prüft, welche globalen Regionen direkt betroffen sind (nicht nur erwähnt)
• Persona-Zuweisung: Wählt aus, welche von fünf Autor-Personas welchen Blickwinkel behandeln soll
• Deduplizierung: Vergleicht geplante Artikel nach Persona-Zuweisung mit dem Archiv

Der Weiterleitungsschritt bietet redaktionelle Disziplin und ermöglicht es dem System, die Pipeline zu stoppen, wenn Inhalte bereits ausreichend abgedeckt sind.

Ebene 3: Paralleles Schreiben

Der Haupt-Agent startet bis zu fünf Sub-Agenten gleichzeitig, die jeweils einen Artikel bearbeiten. Jeder Sub-Agent:

• Lädt ausschließlich seine eigene Persona-Datei (spart Tokens, verhindert Stilvermischung)
• Strukturiert den Artikel mit einer Gliederung inklusive Abschnittszielen
• Schreibt einen 2.000-3.000 Wörter langen Entwurf
• Extrahiert jede überprüfbare Behauptung und klassifiziert sie (ZAHL, NAME, TECHNISCH, HISTORISCH, KAUSAL)

Sub-Agenten arbeiten isoliert ohne Kommunikation untereinander, während der Haupt-Agent ihre Arbeit koordiniert.

Ebene 4: Dreistufige Faktenprüfung

Nach Abschluss des Entwurfs laufen drei Vorverarbeitungsschichten vor der LLM-Verifizierung:

• Factbase-Abgleich (crosslink.py factmatch): Vergleicht extrahierte Behauptungen mit 1.030+ verifizierten Fakten aus vorherigen Artikeln. Hochkonfidente Übereinstimmungen verifizieren sich automatisch ohne erneute Prüfung.
• Wikipedia/Wikidata-Abgleich (crosslink.py wikicheck): Prüft strukturierte Daten von Wikidata und Text aus Wikipedia-Einleitungsabschnitten mit einer lokalen Datenbank (keine API-Aufrufe).
• Websuche: Nur für Behauptungen, die nicht in Factbase oder Wikipedia gefunden wurden, reduziert Websuchen um etwa 70%.

Urteilskategorien umfassen KORREKT, FALSCH, UNGENAU, VEREINFACHT und UNVERIFIZIERBAR. FALSCHE Behauptungen erfordern sofortige Korrektur, während mehr als drei UNVERIFIZIERBARE Behauptungen die Veröffentlichung verhindern.

Ebene 5: Übersetzung & Veröffentlichung

Übersetzungen erfolgen nur von der faktengeprüften Endversion, nie von Entwürfen. Ein Python-Veröffentlichungsskript übernimmt Datenbankeinfügungen, Linkerstellung und Embedding-Berechnung in einem Befehl.

Systemmetriken

Das System hat produziert:

• 246 veröffentlichte Artikel über 25 Themencluster
• Inhalte in 8 Sprachen: Englisch (immer), plus Deutsch, Spanisch, Französisch, Portugiesisch, Arabisch, Hindi, Japanisch und Indonesisch, wo regional relevant
• 1.030 verifizierte Fakten in der wachsenden Factbase mit automatischem Verfall (Wirtschaftsfakten = 3 Monate, historische = nie)
• 5 verschiedene Personas mit messbar unterschiedlichen Schreibstilen