Vom Tutorial zum Tool, System-Prompt-Tokens, llmseo.app & OpenClaw

Begrüßung

Sechste Folge – und Christoph und Jens haben sich (mal wieder) vorgenommen, es diesmal kürzer zu halten. Jeder bringt zwei Themen mit, im Wechsel zwischen beiden: von KI-Werbevideos aus einem YouTube-Tutorial über den Claude-Code-System-Prompt und einen GEO-Sichtbarkeits-Check bis zu Jens’ OpenClaw-Setup nach zwei Wochen.

Von Tutorial zum Tool

Christoph startet mit einem kompletten KI-generierten UGC-Video (User Generated Content) – der Art Werbeclip, die man aus Meta-Ads kennt. Vorweg ein kurzer Haltungs-Disclaimer: Bei komplett KI-generierten Videos sind beide ambivalent – jeder soll dazu seine eigene Haltung finden. Ausgangspunkt war ein YouTube-Tutorial von Christoph Schwarz (Agentur Ad Society), der zeigt, wie man solche Videos baut, die sich echt anfühlen und echt klingen.

Der eigentliche Punkt ist aber nicht das Video, sondern der Weg: vom Tutorial zum Tool. Bevor man an Software-as-a-Service denkt, lohnt sich ein Zwischenschritt – erst einmal einen echten Wert für sich selbst schaffen, den gesamten Prozess Ende zu Ende bauen und dabei überall Review-Gates einziehen. So entstehen Features aus der Nutzung, nicht aus der Spezifikation.

Die Pipeline: Input ist eine Produkt-URL plus Zielgruppe und Kampagnenziel. Daraus werden drei Personas vorgeschlagen, dann über Nano Banana Pro Persona-Bilder, danach ein Skript mit drei Hooks, Keyframes je Szene und schließlich die Videos über Veo 3.1 (Clips à 8 Sekunden), zusammengeschnitten mit FFmpeg. Alles läuft lokal auf Christophs Maschine; Claude Code hat Zugriff auf die CLI-Tools und ruft die Modelle über fal.ai an. Als Review-Gate dient eine ganz simple HTML-Seite pro Kampagne.

Aus der Nutzung kamen dann die entscheidenden Features: Beats schneiden (der Trim wird als JSON exportiert und in die Konsole gegeben), eine klarere Stimme über ElevenLabs statt der blechernen KI-Stimme, und eine Tempo-Anpassung. In rund 20 Minuten entsteht so ein richtig hochwertiges Werbevideo – zu Kosten von etwa 20 € pro Video. Für Christoph ist das eher ein „Product as a Service“ als klassisches SaaS.

Claude Code System Prompt trimmen

Bei jeder Anfrage an Claude – oder andere Modelle – wird im Hintergrund ein System-Prompt mitgeschickt: eine Art interne Arbeitsanweisung. Da steht drin, wer das Modell ist, wann der Knowledge-Cutoff war, welche Tools zur Verfügung stehen und in welcher Umgebung Claude gerade läuft. Über den Befehl /context sieht man, was alles geladen ist – und schon vor der ersten Nachricht sind das schnell über 13.000 Tokens.

Jens hat sich das anhand eines Artikels von Matt Pocock (aihero.dev) genauer angeschaut. Mit einem kleinen lokalen Proxy (einer proxy.mjs über Node) und gesetzter ANTHROPIC_BASE_URL lassen sich alle Requests inspizieren und in einen Log-Ordner schreiben – so sieht man den kompletten System-Prompt. Vieles davon ist essenziell (wer das Modell ist, die Umgebung) und lässt sich nicht entfernen. Anderes schon: die Artifacts-Passage (~1.400 Tokens) oder der Workflows-Abschnitt (~5.000 Tokens), die Jens über die CLI gar nicht nutzt.

Entfernen lässt sich das über die Claude-Settings: sogenannte „disabled flags“ (etwa für Bundle-Skills oder Workflows) und Denial-Rules in den Permissions (z. B. für Crons oder den Plan-Modus). Ist ein Tool deaktiviert, entfernt das Harness die zugehörige Passage automatisch aus dem System-Prompt. Jens nutzt den eingebauten Plan-Modus übrigens nicht, sondern plant über den grill-me-Skill und lässt das Ergebnis in eine Markdown-Datei schreiben.

Das Ergebnis ist deutlich: Die Context-Usage sinkt von rund 26.000 auf etwa 12.000 Tokens – ohne jeden Nachteil, weil nur die ohnehin nicht genutzten Passagen fehlen. Eine sehr schnelle Möglichkeit, den freien Kontext zum Session-Start gleich zu halbieren.

GEO-Sichtbarkeits-Check mit llmseo.app

Christoph leitet zum Thema GEO über – mit einem kurzen Verweis auf einen sehr technischen Artikel darüber, wie ChatGPT eigentlich seine Quellen auswählt (jemand hat dafür den Netzwerk-Traffic mitgelesen). Dann stellt er sein neues, kostenloses Tool llmseo.app vor: Man gibt seine Webseite ein, die Brand wird erkannt, und man bekommt eine grobe Einschätzung, wo man in den LLMs steht.

Der Ablauf: Domain eingeben, die Seite wird eingelesen, die Schreibweisen der Marke werden bestätigt (bei uns „Zwischen zwei Stacks“ bzw. „ZZS“). Daraufhin generiert das Tool drei Prompts, die die Zielgruppe bei den LLMs eingeben könnte. Nach einem kleinen E-Mail-Gate (jeder Check kostet Christoph rund 50 Cent an Daten) laufen zwölf echte Anfragen – je drei an ChatGPT, Gemini, Perplexity und Claude. Ausgewertet wird, wo die Marke erwähnt (Mention) und wo sie zitiert bzw. verlinkt wurde (Citation) – dazu die Top-3-Mitbewerber sowie ein Check auf llms.txt und eine Grounding-Page.

Der Stack ist bewusst ungewöhnlich: Frontend über Hugo (statisch), dazu Netlify Functions und eine Postgres-Datenbank über Neon (EU-Hosting, Frankfurt). An externen Tools kommen zum Einsatz: Firecrawl fürs Scraping und für den Screenshot, der jedem Ergebnis ein individuelles OG-Bild gibt; Claude bzw. Haiku für die Prompts und Schreibweisen; DataForSEO, das die echten LLM-Oberflächen abfragt statt der APIs (bessere Ergebnisqualität – und seit Kurzem credit-based statt 100 $/Monat-Subscription); und Resend für die E-Mails. Gebaut in rund zwei Tagen.

Eine Erkenntnis aus den Tests: Für die Nutzer ist die Mitbewerber-Übersicht oft das Wertvollste – wie stehe ich eigentlich im Vergleich da? Der Check ist eine One-Time-Geschichte und lässt sich für die eigene Webseite kostenlos ausprobieren.

OpenClaw nach 2 Wochen

In Folge 5 hatte Jens OpenClaw und Hermes verglichen und sich für OpenClaw entschieden – vor allem, weil es über die eigene Claude-Code-Usage läuft. Nach zwei Wochen fällt das Zwischenfazit gemischt aus: Die UI ist noch nicht wirklich ausgereift, sowohl die Web-Oberfläche als auch die neue App (die auf X viel Kritik bekam). Der Trick ist aber: Sobald alles einmal aufgesetzt ist, braucht man die UI kaum noch – es kommt darauf an, was im Hintergrund läuft.

Jens nutzt sein Setup für drei Dinge: Cronjobs, Payload-Bug-Reproductions und ganz normales Coding an geklonten Repositories.

Bei den Cronjobs laufen zwei Agents. Der Axiom-Error-Monitor schaut sich stündlich die Runtime-Logs der Projekte an und beurteilt, ob wirklich etwas dringend gefixt werden muss – im Beispiel etwa eine veraltete Import-Map in einem Payload-Projekt, wegen der Komponenten nicht mehr geladen wurden. Der zweite Agent, der Artikel-Agent, erinnert daran, welche Artikel angefangen, aber noch nicht fertig sind. Der Vorteil gegenüber reinen E-Mail-Notifications: Das LLM filtert vorab, was tatsächlich wichtig ist.

Besonders praktisch sind die Payload-Bug-Reproductions auf Knopfdruck. Jens hat dafür ein eigenes Repository vorkonfiguriert – MongoDB, Agent-Browser, Templates, alles startklar. Er sagt seinem OpenClaw nur „reproduzier das mal“, und es legt einen neuen Ordner an und gibt ihm das Issue zur Review. Der Vorteil gegenüber Claude.ai oder der Desktop-App: Statt jedes Mal einen Container zu booten und alles neu einzurichten, ist auf dem eigenen VPS alles sofort verfügbar. Steuern lässt sich das Ganze bequem per Telegram-Sprachnachricht – gerade unterwegs sehr angenehm.

Zum Schluss noch das Thema Sicherheit – ein Callback zu Folge 3 und den Plain-Text-Secrets. Jens setzt jetzt auf 1Password: ein eigener Vault „openclaw“, auf den nur OpenClaw Zugriff hat, angebunden über die 1Password-CLI. Secrets liegen nur noch als op://-Referenzen vor. Die Vorteile: keine Klartext-Secrets mehr auf dem VPS, volle Übersicht darüber, welche Credentials je geteilt wurden, und im Ernstfall lassen sie sich gezielt rotieren.