SEO-Agenten aufbauen: Fähigkeiten, die wirklich funktionieren

Executive Summary

SEO Agent Skills sind SKILL.md-Dateien, die einem KI-Agenten spezialisiertes SEO-Wissen geben: Kontext, Ziel, verfügbare Tools, Entscheidungslogik und Output-Format. Sie sind der Unterschied zwischen einem Agent, der allgemeine Aufgaben erfüllt, und einem Agent, der wie ein erfahrener SEO-Spezialist denkt.

Die fünf Schritte zum funktionierenden SEO Agent Skill: Aufgabentyp auswählen, Skill-Datei schreiben, Datenbasis sichern, spezialisiert bauen und Human-in-the-Loop definieren. Kein Prompt Engineering kompensiert fragmentierte Daten oder einen Agenten, der zu viel gleichzeitig erledigen soll.

Begriffe: Agent, Skill, MCP – was ist was?

Agent vs. Automatisierung: Der entscheidende Unterschied

Wenn die Aufgabe als Flowchart mit immer gleichen Schritten darstellbar ist: Automatisierung. Wenn die Schritte von dem abhängen, was das System vorfindet: agentisch.

Merksatz: Nicht alles, was „AI Agent" heißt, ist auch wirklich agentisch. Ein Agent entscheidet adaptiv. Wer nur Schritte in n8n verbindet und dabei einen LLM-Node einbaut, hat eine Automatisierung mit KI-Schritt – keinen Agenten.

5 SEO-Aufgaben mit dem höchsten Agenten-ROI

Diese fünf SEO-Aufgaben haben das höchste Agent-ROI-Potenzial. Die Zeitersparnis-Angaben sind typische Werte aus unseren eigenen Projekten – nicht Studienergebnisse, sondern Praxiserfahrung aus mehr als 30 Agenten-Deployments:

Wie ein SEO Agent Skill aufgebaut ist

Ein SEO Agent Skill ist eine strukturierte Markdown-Datei. Sie gibt dem Agenten genau das Wissen, das er für eine spezifische Aufgabe braucht – nicht mehr und nicht weniger. Progressive Disclosure bedeutet: Der Agent lädt zuerst kompakte Metadaten, dann vollständige Instruktionen nur wenn nötig, um das Context Window effizient zu halten.

Grundstruktur einer SKILL.md für SEO-Agenten

# SKILL: Content Decay Detection
## Kontext
Rankings-Monitoring. Aktivierung bei Aufgaben wie "prüfe Rankings" oder "Content-Decay".
## Ziel
Seiten mit >20% Klickverlust (30 Tage) identifizieren, Ursachen analysieren, Maßnahmen vorschlagen.
## Tools
- search_console_api: Rankings, CTR, Klicks
- serp_analysis: Aktuelle SERP für Keywords
- competitor_scanner: Neue Wettbewerber
## Entscheidungslogik
1. 30 Tage vs. Vormonat vergleichen
2. Verlust >20% → SERP-Analyse
3. Neue Wettbewerber → Content-Gap-Analyse
4. Intent-Shift → Strukturempfehlung
5. Kein Grund erkennbar → manuelle Prüfung
## Output
- URLs (sortiert nach Klickverlust)
- Ursachen + Konfidenz (Bestätigt / Wahrscheinlich / Hypothese)
- Priorisierte Maßnahmen

Spezialisiert vs. monolithisch: der wichtigste Skill-Aufbau-Fehler

Der häufigste Fehler beim Aufbau von SEO-Agenten: ein Agent soll alles können. Keyword-Research, technisches Audit, Content-Briefing, Reporting – alles in einem. Das funktioniert nicht zuverlässig. Spezialisierte Agenten, die eine Aufgabe gut erledigen, übertreffen monolithische Agenten konsistent.

• Ein Agent für Content-Decay → spezialisierter Decay-Agent
• Ein Agent für technische Audits → spezialisierter Audit-Agent
• Ein Agent für Keyword-Research → spezialisierter Research-Agent
• Ein Orchestrator-Agent, der die spezialisierten Agenten koordiniert → Multi-Agent-System

Case Study: Content-Decay-Agent im Echtbetrieb

Soweit die Theorie. Was passiert, wenn man die Prinzipien aus diesem Artikel auf einen echten Workflow überträgt? Hier ein Praxisbeispiel aus einem unserer eigenen Projekte – ein Content-Decay-Agent für einen B2B-SaaS-Kunden mit rund 400 indexierten Blog-Artikeln.

Content-Decay-Agent für B2B-SaaS-Kunden

Von 12 Stunden manueller Analyse pro Monat auf 90 Minuten Review-Zeit – bei höherer Erkennungsrate.

Branche: B2B-SaaS Content-Bestand: ~400 Artikel Plattform: Eigene Kombination Laufzeit: 6 Monate

Ausgangslage

Der Kunde verlor schleichend Traffic auf bestehenden Blog-Artikeln. Der monatliche Content-Decay-Report nahm eine Senior-SEO 10–12 Stunden in Anspruch: Search Console exportieren, Daten in Sheets bereinigen, SERP-Veränderungen manuell prüfen, Wettbewerbsbewegungen recherchieren, Maßnahmen-Empfehlungen schreiben. Wegen des Aufwands fand die Analyse oft nur quartalsweise statt – Decay wurde dadurch spät erkannt.

Setup (Eigene Kombination)

Keine Standard-Plattform passte vollständig. Stattdessen: Claude Code mit Custom SKILL.md für die Entscheidungslogik, DataForSEO MCP für SERP-Daten in Echtzeit, n8n als Orchestrierungs- und Monitoring-Layer mit wöchentlichem Trigger. Search Console und GA4 wurden vorab in einer BigQuery-Schicht vereinheitlicht – das war der zeitaufwendigste Teil des Projekts.

Skill-Logik im Kern

Der Agent vergleicht wöchentlich Klicks pro URL (30-Tage-Fenster vs. Vormonat). Bei >20% Verlust startet er adaptiv: zuerst SERP-Snapshot, dann Wettbewerber-Scan, dann Intent-Check. Je nach Befund liefert er Konfidenz-bewertete Ursachen (Bestätigt/Wahrscheinlich/Hypothese) und priorisierte Maßnahmen. Die Implementierung selbst macht immer ein Mensch – der Agent schlägt vor, entscheidet aber nichts produktiv.

• Data-Layer war 60% des Aufwands. Der Agent war in 2 Wochen gebaut – die Datenvereinheitlichung davor hat doppelt so lange gedauert.
• Konfidenz-Labels machen den Unterschied. Ohne „Bestätigt/Wahrscheinlich/Hypothese" wurde der Agent zur Black Box. Mit Labels konnte das Team Vorschläge schnell triagieren.
• Spezialisiert hat gewonnen. Eine frühere Version sollte auch Wettbewerbs-Monitoring übernehmen – das Ergebnis war schlechter in beiden Aufgaben. Nach dem Split: spürbar zuverlässiger.
• Human-in-the-Loop war nicht verhandelbar. Auch wenn der Agent technisch direkt im CMS publizieren könnte – das macht er nicht. Das war eine bewusste Designentscheidung.

Hinweis: Anonymisiertes Kundenprojekt, Zahlen aus internen Aufzeichnungen, gerundet. Übertragbarkeit hängt stark von Content-Bestand, Datenreife und Team-Setup ab.

n8n vs. Claude Code: Was passt zu welchem Team?

2026 sind drei Plattformen relevant: n8n, Claude Code und Gumloop. Die Wahl hängt vom Team ab, nicht von der Technologie.

5 Schritte zum funktionierenden SEO-Agenten

1. Den richtigen Aufgabentyp auswählen

Den richtigen Aufgabentyp auswählen

Nicht jede SEO-Aufgabe ist agentisch. Die richtige Frage: Hängen die Schritte von dem ab, was das System vorfindet – oder sind sie immer gleich? Gute Kandidaten für Agenten: Content-Decay-Erkennung, technische Audits, Wettbewerbs-Monitoring. Gute Kandidaten für Automatisierungen: Weekly-Reports, Datenexporte, Benachrichtigungen.

2. Skill-Datei (SKILL.md) präzise schreiben

Skill-Datei (SKILL.md) präzise schreiben

Kontext → Ziel → Tools → Entscheidungslogik → Output-Format. Jeder Abschnitt muss spezifisch genug sein, dass der Agent keine Annahmen treffen muss. Vage Anweisungen führen zu vagen, unzuverlässigen Ergebnissen. Die Skill-Datei ist die wichtigste Arbeit vor dem Deployment – nicht das Tool-Setup.

3. Datenbasis sichern (Data Layer) – vor dem Agenten

Datenbasis sichern (Data Layer) – vor dem Agenten

Kein Prompt Engineering kompensiert fragmentierte oder schmutzige Daten. Teams, die diesen Schritt überspringen, bauen innerhalb weniger Monate dieselben brüchigen Integrationen in jedem Agenten neu auf. Bevor der Agent deployed wird: Search Console API, Crawl-Daten und Analytics in einer gemeinsamen Datenbasis vereinheitlichen. In unserer Case Study war dieser Schritt 60% des Gesamtaufwands – aber ohne ihn wäre der Agent unbrauchbar geblieben.

4. Spezialisiert bauen – nicht monolithisch

Spezialisiert bauen – nicht monolithisch

Ein Agent, der Keyword-Research, technische Audits und Content-Briefings gleichzeitig erledigen soll, wird keines davon zuverlässig tun. Starte mit einem spezialisierten Agenten für eine konkrete Aufgabe. Wenn der funktioniert, baue den nächsten. Ein Orchestrator-Agent koordiniert später mehrere Spezialisten.

5. Human-in-the-Loop definieren – wo entscheidet der Mensch?

Human-in-the-Loop definieren – wo entscheidet der Mensch?

Agenten implementieren. Menschen strategisch entscheiden und qualitätsprüfen. Der entscheidende Schritt: vor dem Deployment festlegen, wo der Agent selbstständig handelt und wo er eine menschliche Freigabe braucht. Für SEO-Aufgaben gilt: Datenanalyse und Vorschläge → Agent. Implementierung auf der Live-Site → Mensch.

Die häufigsten Fehler beim Agenten-Aufbau

Häufige Fragen zu SEO Agent Skills

Was ist ein SEO Agent Skill?

Eine SKILL.md-Datei mit Kontext, Ziel, Tools, Entscheidungslogik und Output-Format. Der Agent lädt den Skill situationsabhängig.

Was ist der Unterschied zwischen einem SEO-Agenten und einer SEO-Automatisierung?

Automatisierung: immer gleiche Schritte. Agent: adaptiv, Schritte hängen von Datenlage ab.

Was ist MCP und warum ist es für SEO-Agenten wichtig?

MCP verbindet KI-Agenten mit Tools ohne individuelle API-Integrationen. Der Agent entdeckt verfügbare Tools und wählt situationsabhängig.

Welche SEO-Aufgaben eignen sich am besten für Agenten?

Content-Decay (80–90%), technische Audits (70–85%), Keyword-Research (75–90%), Wettbewerb (65–80%), Reporting (80–95%).

n8n oder Claude Code für SEO-Agenten?

n8n: visuell, für technisch moderate Teams. Claude Code: terminal, SKILL.md-Framework, für Engineering-Teams. Gumloop: kein Code, für Marketing-Teams ohne Entwickler.

Ersetzen SEO-Agenten SEO-Experten?

Nein. Agenten automatisieren Ausführung, Menschen liefern Strategie. Typische Reduktion von Low-Value-Arbeit durch agentische Workflows: 25–40%.

Fazit

SEO Agent Skills sind das Fundament agentischer SEO-Workflows. Die entscheidende Arbeit liegt in der Skill-Datei, der Datenbasis und der Definition: was entscheidet der Agent, was der Mensch. Unsere Case Study zeigt exemplarisch, dass der Großteil der Arbeit nicht im Agenten selbst, sondern davor liegt – in Datenarchitektur und Skill-Design.

• Agent Skills (SKILL.md) definieren Kontext, Entscheidungslogik und Output – je präziser, desto zuverlässiger der Agent.
• MCP verbindet Agenten mit SEO-Tools ohne individuelle API-Integrationen – der Enabler für Production-Deployments.
• Spezialisiert schlägt monolithisch – ein Agent, eine Aufgabe, zuverlässige Ergebnisse.
• Data Layer first – in unseren Projekten 60% des Gesamtaufwands, aber alternativlos.
• Human-in-the-Loop vor dem Deployment definieren – nicht nachträglich.
• n8n, Claude Code, Gumloop – die Plattformwahl hängt vom Team ab, nicht von der Überlegenheit einer Technologie.
• SEO-Agenten ersetzen keine SEO-Expertise – sie multiplizieren sie.