Superglue CLI: Lassen Sie KI-Agenten API-Aufrufe ohne vorgefertigte Tools ausführen

Superglue CLI ist eine Befehlszeilenschnittstelle, die mit einer strukturierten Fähigkeitsreferenz ausgeliefert wird, die KI-Agenten beibringt, wie man jeden sg-Befehl verwendet, Authentifizierung handhabt, Tools erstellt und Fehler debuggt. Die Kernidee: Anstatt fest codierte Tools für jede API-Integration zu erstellen, zeigen Sie den Agenten auf eine beliebige API, und er kann zur Laufzeit über diese API nachdenken, indem er die Spezifikation liest, Aufrufe plant und sie ausführt.
Installation und Einrichtung
Installieren Sie die CLI global über npm:
npm install -g @superglue/cli
Führen Sie die interaktive Einrichtung aus:
sg init
Dies fordert Ihren API-Schlüssel (verfügbar unter app.superglue.cloud/admin), Endpunkt und Ausgabepräferenzen an. Für nicht-interaktive Umgebungen wie CI oder KI-Agenten setzen Sie Umgebungsvariablen:
export SUPERGLUE_API_KEY="your-api-key"
export SUPERGLUE_API_ENDPOINT="https://api.superglue.cloud"
Überprüfen Sie mit sg system list – wenn Sie Authentifizierungsfehler sehen, überprüfen Sie Ihren API-Schlüssel und Endpunkt.
Installation der Fähigkeit
Die Fähigkeit gibt Ihrem KI-Agenten vollständiges CLI-Wissen – Befehle, Authentifizierungsmuster, Tool-Schemata, Debugging und Bereitstellung. Einmal installiert, verweist der Agent automatisch darauf.
Universelle Installation für alle Agenten:
npx skills add superglue-ai/cli
Zielen Sie auf bestimmte Agenten mit -g -a <agent>:
npx skills add superglue-ai/cli -g -a claude-code
npx skills add superglue-ai/cli -g -a codex
npx skills add superglue-ai/cli -g -a cursor
Für Claude Code installieren Sie aus dem Anthropic-Marktplatz:
/plugin install superglue@claude-plugins-official
Oder laden Sie von der lokalen Installation:
claude --plugin-dir $(npm root -g)/@superglue/cli
Für Cursor kopieren Sie die Fähigkeit in Ihr Projekt oder globales Verzeichnis:
cp -r $(npm root -g)/@superglue/cli/skills/superglue .cursor/skills/superglue
# Oder global
cp -r $(npm root -g)/@superglue/cli/skills/superglue ~/.cursor/skills/superglue
Was die Fähigkeit bietet
- Alle CLI-Befehle mit Flags, Optionen und Verwendungsmustern
- Authentifizierungsmuster – Platzhalter für Anmeldedaten, OAuth-Abläufe, Header-Formate
- Tool-Konfigurationsschema – Schrittkonfigurationen, Datenauswahl, Transformationen, Paginierung
- Debugging-Workflows – häufige Fehler,
--include-step-results,sg system callzur Isolation - Bereitstellungsmuster – SDK, REST-API, Webhooks (über Referenzen/integration.md)
- Spezialisierte Referenzen für Datenbanken, Dateiserver und Transformationen (bei Bedarf geladen)
Hinzufügen projektspezifischen Kontexts
Fügen Sie einen Abschnitt zu Ihrer Projekt-KI-Konfigurationsdatei (CLAUDE.md, AGENTS.md oder .cursorrules) hinzu, damit der Agent weiß, dass er die Fähigkeit verwenden und Ihr Setup dynamisch entdecken soll. Fügen Sie Anweisungen wie:
## Verwendung von Superglue
Bei der Arbeit mit Superglue-Tools – über die CLI, SDK oder REST-API:
1. Rufen Sie die Superglue-Fähigkeit auf und lesen Sie die SKILL.md-Datei, bevor Sie einen sg-Befehl ausführen
2. Lesen Sie die relevanten Referenzdateien für die Aufgabe (Integration, Datenbanken, Dateiserver, Transformationen)
3. Stellen Sie sicher, dass die CLI konfiguriert ist (sg init wurde ausgeführt oder Umgebungsvariablen sind gesetzt)
4. Führen Sie sg system list und sg tool list aus, um das aktuelle Setup zu entdecken, bevor Sie etwas erstellen oder ändern
5. Hardcoden Sie niemals System-IDs oder Tool-IDs – entdecken Sie sie immer dynamisch
Bewährte Praktiken
Testen Sie Systeme immer, bevor Sie Tools erstellen. Lassen Sie den Agenten sg system call ausführen, um die Authentifizierung zu überprüfen und die tatsächliche Antwortform zu sehen, bevor er eine Tool-Konfiguration erstellt:
sg system call --system-id stripe \
--url "https://api.stripe.com/v1/customers?limit=2" \
--headers '{"Authorization":"Bearer <>"}'
Verwenden Sie --include-step-results beim Debuggen, um die rohe API-Antwort jedes Schritts anzuzeigen – zeigt, ob das Problem bei der Authentifizierung, dem Endpunkt oder einer Transformation liegt:
sg tool run --draft <id> --payload '{}' --include-step-results
Fügen Sie niemals Geheimnisse in den Chat ein. Verwenden Sie --sensitive-credentials beim Erstellen von Systemen über die CLI, damit Geheimnisse sicher abgefragt werden.
Dieser Ansatz adressiert die "vordefinierte Tool"-Grenze, bei der Teams Agenten erstellen, aber Benutzer spezifische Anforderungen beschreiben wie "ziehen Sie diese drei Objekte aus Salesforce und schieben Sie sie zu nCino, wenn Bedingung X wahr ist." Anstatt jede Anfrage in ein fest codiertes Tool zu übersetzen, kann der Agent die API-Spezifikation lesen und mehrstufige Operationen mit benutzerspezifischer Logik handhaben.
📖 Source: HN AI Agents
👀 Siehe auch

Anwendung der Claude-Code-Architektur auf lokale 9B-Modelle: Wichtige Erkenntnisse und Optimierungen
Ein Entwickler extrahierte Architekturmuster aus dem geleakten Quellcode von Claude Code und wandte 10 Optimierungen auf qwen3.5:9b an, das lokal auf einer RTX 5070 Ti läuft. Die wichtigste Erkenntnis war, dass qwen3.5:9b native strukturierte tool_calls hat, und die größte Einschränkung für 9B-Modelle ist die Selbstdisziplin, zu wissen, wann man mit dem Erkunden aufhören und mit der Ausgabeerzeugung beginnen soll.

Claude Code fügt Fernsteuerungsfunktion für die Verwaltung mobiler Sitzungen hinzu
Claude Code ermöglicht es Entwicklern nun, Aufgaben in ihrem Terminal zu starten und Sitzungen von mobilen Geräten aus über die Claude-App oder claude.ai/code weiter zu steuern, während Claude lokal auf ihrem Computer läuft.

SIDJUA-Framework fügt Governance-Ebene zu autonomen KI-Agenten hinzu
SIDJUA ist ein Framework mit integrierter Governance, rollenbasierten Berechtigungsregeln und vollständigen Audit-Trails, das auf jedem KI-Modell mit einer API aufsetzt. Die Demo zeigt eine dreistufige Hierarchie, die auf 7+1 Stufen skaliert, wobei jede Entscheidung protokolliert und Kosten in Echtzeit verfolgt werden.

AVP-Protokoll ermöglicht LLM-Agenten den Austausch von KV-Cache anstelle von Text für Token-Effizienz
AVP (Agent Vector Protocol) ermöglicht es LLM-Agenten, KV-Cache direkt untereinander weiterzugeben anstatt Text, wodurch die Token-Verarbeitung um 73-78% reduziert und 2-4-fache Geschwindigkeitssteigerungen bei Qwen-, Llama- und DeepSeek-Modellen erreicht werden. Das Protokoll funktioniert mit HuggingFace- und vLLM-Connectoren und ist als Python-Paket verfügbar.