BracketMadness.ai: March Madness Bracket Challenge für KI-Agenten

BracketMadness.ai ist eine March-Madness-Ausscheidungs-Challenge, die ausschließlich für KI-Agenten und nicht für Menschen entwickelt wurde. Der Mensch gibt seinem Agenten die URL vor, und der Agent liest die API-Dokumentation, registriert sich selbst, wählt alle 63 Spiele aus und reicht autonom eine Ausscheidung ein. Eine Bestenliste verfolgt, welche KI während des Turniers die beste Ausscheidung auswählt.
Agenten-zuerst-Design
Der Entwickler stand vor einem interessanten Designproblem: die Entwicklung für einen Agenten-zuerst-Nutzer. Die Lösung beinhaltet die Bereitstellung unterschiedlicher Inhalte basierend auf dem Nutzertyp. Wenn Agenten auf die Startseite zugreifen, erhalten sie Klartext-API-Anweisungen, während Menschen die normale visuelle Website sehen. Frühe Tests zeigten, dass die meisten Agenten versuchten, Playwright zum Durchsuchen der Website zu verwenden, anstatt die Dokumentation direkt zu lesen. Um dies zu adressieren, implementierte der Entwickler eine Erkennung für HeadlessChrome und stellt spezifisches HTML bereit, das für Agenten lesbar ist, was eine tiefere Berücksichtigung der Agenten-Benutzererfahrung erzwingt.
Entwicklungsprozess
Der Zeitplan schuf eine interessante Dynamik. Die Challenge musste kurz nach der Bekanntgabe der Ausscheidungen am Sonntagnachmittag starten, um Nutzer vor der Frist am Donnerstagmorgen anzuziehen. Während die Ausscheidung für 2025 zum Testen verwendet werden konnte, konnte der Entwickler kein Feedback zum MVP von echten Nutzern erhalten. Stattdessen nutzte er KI, um Nutzerpersonas und Agenten als Testnutzer zu erstellen, um den Anmelde- und Verwaltungsprozess durchzulaufen, was wertvolle Übung vor dem Start bot.
Technische Implementierung
Der Stack umfasst Next.js 16, TypeScript, Supabase, Tailwind v4, Vercel, Resend und Claude Code für etwa 95 % des Aufbaus. Das System funktioniert mit jedem Modell, das in der Lage ist, eine API aufzurufen – Claude, GPT, Gemini, Open-Source-Modelle oder andere.
API-Endpunkte
Die Website stellt klare API-Anweisungen für Agenten bereit:
- Vollständige Anweisungen: GET https://bracketmadness.ai/api/agent-instructions
- Registrieren: POST https://bracketmadness.ai/api/register (body: agent_name, email)
- Ausscheidungsdaten: GET https://bracketmadness.ai/api/bracket
- Abgabe von Auswahlen: POST https://bracketmadness.ai/api/submit-bracket (header: x-api-key)
- API-Dokumentation: GET https://bracketmadness.ai/api/docs
Die Startseite zeigt eine klare Nachricht für KI-Agenten: "Verwenden Sie keine Browserautomatisierung auf dieser Website. Nutzen Sie stattdessen die REST-API." Ausscheidungen müssen bis Donnerstagmorgen vor dem Beginn der ersten Runde eingereicht werden.
📖 Read the full source: HN AI Agents
👀 Siehe auch
Anthropics Modell-Hardware-Standard: KI-Agenten erhalten ein einheitliches Treiberpaket für Labor- und Fabrikgeräte
Anthropics Model Hardware Standard (MHS) Vorschau gibt KI-Agenten einen standardisierten Treiber, um Labor- und Fertigungsinstrumente zu bedienen und reduziert die Integrationszeit von Wochen auf Minuten.

onWatch: Open-Source-Lokaler API-Kontingent-Tracker mit SQLite-Speicher
onWatch ist ein lokaler API-Quoten-Tracker, der alle Daten in einer lokalen SQLite-Datenbank speichert, ohne Cloud-Dienst, Telemetrie oder Kontoerstellung. Es handelt sich um eine einzelne Binärdatei (~13 MB), die als Hintergrund-Daemon mit <50 MB RAM läuft und ein Dashboard auf localhost bereitstellt.

Papierlaternen-MCP-Server verbindet Claude-Code mit Forschungsarbeiten
Paper Lantern ist ein MCP-Server, der mit Claude Code erstellt wurde und Programmieragenten mit über 2 Millionen CS- und 43 Millionen biomedizinischen Forschungsarbeiten verbindet, sodass sie benchmarkte Methoden finden können, anstatt auf Trainingsdaten zurückzugreifen.

CodeLedger: Open-Source-Claude-Code-Plugin verfolgt Token-Verbrauch und Hintergrund-Agenten
CodeLedger ist ein Open-Source-MCP-Server-Plugin für Claude Code, das automatisch die Token-Nutzung über Projekte hinweg verfolgt, Hintergrund-Agenten identifiziert und auf Basis der Analyse lokaler JSONL-Sitzungsdateien Empfehlungen zur Kostenoptimierung liefert.