Claude Skills in der Praxis: Peec AI MCP Challenge gewonnen

Bei der Peec AI MCP Challenge haben sich über 400 Leute angemeldet, um in sieben Tagen Workflows auf dem MCP-Server von Peec AI zu bauen^[1]. Meine Einreichung, der „Peec AI Growth Loop“, hat die Kategorie Reporting Automation gewonnen. Die Jury bestand aus Lily Ray, Ethan Smith und Malte Landwehr. Der Growth Loop besteht aus neun Claude Skills, die zusammen einen Agenten bilden: Er misst die Sichtbarkeit einer Marke in KI-Antworten, analysiert die Lücken und schlägt genau einen nächsten Schritt vor. Das Ergebnis speichert er, damit der nächste Durchlauf klüger startet.

In dieser Case Study zeige ich, was Claude Skills sind, wie sie mit dem Model Context Protocol (MCP) zusammenspielen und wie ich den Agenten in sechs Tagen gebaut habe. Dazu kommen die Lehren für alle, die selbst KI-Agenten für SEO, GEO oder Reporting entwickeln wollen.

Was sind Claude Skills und wie funktionieren sie?

Claude Skills sind Ordner mit Anweisungen, Skripten und Ressourcen, die Claude dynamisch lädt, um spezialisierte Aufgaben besser zu erledigen^[6]. Anthropic beschreibt einen Skill als Satz von Anweisungen, verpackt als einfacher Ordner, der Claude beibringt, bestimmte Aufgaben oder Workflows zu erledigen^[7]. Das Herzstück ist eine Datei namens SKILL.md. Oben enthält sie einen kurzen YAML-Block mit Name und Beschreibung, darunter die eigentliche Anleitung in Markdown.

Der Trick liegt im Laden: Claude sieht zunächst nur Name und Beschreibung aller installierten Skills. Erst wenn eine Aufgabe zur Beschreibung passt, lädt Claude den kompletten Skill mit allen Details. So kann ein Setup Dutzende Skills enthalten, ohne das Kontextfenster zu füllen. Skills funktionieren in Claude Code, in der Claude-App und über die API (Programmierschnittstelle) von Anthropic. Oft heißen sie deshalb auch Agent Skills.

Anthropic stellt im offiziellen Repository anthropics/skills auf GitHub Beispiel-Skills bereit, etwa für Word-, Excel- und PDF-Dateien oder für Branding nach Markenrichtlinien^[9]. In Claude Code lassen sich Skills zusammen mit Befehlen und Hooks als Plugin bündeln. Dieses Plugin-System macht Skills teilbar wie eine App. Technisch ändert ein Skill nichts am Modell selbst. Claude bleibt ein Sprachmodell, das per Machine Learning trainiert wurde und natürliche Sprache verarbeitet (Natural Language Processing). Der Skill liefert nur das Wissen, das für eine bestimmte Aufgabe fehlt.

Claude Skills, MCP und Prompts: der Unterschied

Die drei Begriffe werden oft vermischt. In meinem Projekt hat jeder eine klare Rolle:

Das Model Context Protocol ist ein offener Standard, um KI-Anwendungen mit externen Systemen zu verbinden^[5]. Ein MCP-Server stellt dafür Werkzeuge bereit, eine API, die ein Modell direkt aufrufen kann. Der MCP-Server von Peec AI verbindet KI-Werkzeuge wie Claude und ChatGPT direkt mit den Sichtbarkeitsdaten von Peec: Markensichtbarkeit, Wettbewerbervergleich, zitierte Quellen und Rankings in KI-Suchmaschinen^[2]. Ein Skill ohne MCP hat keine Daten, und ein MCP ohne Skill hat keinen Plan.

Welche Claude Skills sind für Unternehmen relevant?

Künstliche Intelligenz wird im Unternehmen dann nützlich, wenn sie wiederholbar arbeitet. Am meisten bringen Skills dort, wo Teams dieselbe Aufgabe immer wieder nach festen Regeln erledigen: Reports, Audits, Content-Briefings, Angebote. Das ist klassische Workflow-Automatisierung, nur dass die Automation in natürlicher Sprache beschrieben ist statt in Code. Ich arbeite inzwischen fast vollständig so. Auch dieser Artikel ist mit einem eigenen Claude Skill entstanden, der Recherche, Grafiken, Quality-Gates und Veröffentlichung steuert. In meiner Plattform Visibly AI stehen 39 solcher SEO-Skills bereit, von der Keyword-Recherche bis zum GEO-Audit. Wie das im Alltag aussieht, beschreibe ich in Agentic SEO Systeme 2026. Ein eigenes Produkt, das auf diese Weise entstanden ist, zeige ich in der Case Study zu meinem Legal-Tech-Tool.

Die Peec AI MCP Challenge

Peec AI misst, wie oft Marken in Antworten von ChatGPT, Perplexity, Gemini und anderen KI-Suchsystemen auftauchen und welche Quellen dort zitiert werden. Mit dem MCP-Server lassen sich diese Daten direkt in Claude nutzen. Für die Challenge hat Peec ein Preisgeld von über 10.000 US-Dollar über drei Kategorien ausgelobt^[3]. Den Hauptpreis von 5.000 US-Dollar gewann Jan-Willem Bobbink mit einem GEO-Betriebssystem^[1].

Peec hat die Einreichung inzwischen als Use Case „Closed-Loop Growth Agent“ veröffentlicht, mit der Beschreibung: „Run your Peec projects end-to-end with a nine skill agent“^[4].

Der Peec AI Growth Loop: 9 Skills, ein Agent

Die meisten Reporting-Lösungen enden beim Dashboard. Mein Ansatz war ein anderer: Ein Report ist erst fertig, wenn klar ist, was als Nächstes passiert. Deshalb ist der Growth Loop als geschlossener Kreislauf gebaut.

Warum gutes Reporting keine Dashboards braucht

Der Orchestrator peec-agent startet immer mit einem Health-Check und geht dann eine feste Prioritätsleiter durch. Er nimmt die erste Stufe, deren Bedingung zutrifft, und liefert genau eine Entscheidung mit einer Metrik, die sich nach vier Wochen messen lässt. Liegen noch keine sieben Tage Daten vor, stoppt er, statt aus Rauschen Schlüsse zu ziehen.

Genau das war für mich der Kern von Reporting Automation mit Künstlicher Intelligenz: Ein Mensch prüft eine begründete Empfehlung, statt zehn Charts zu deuten. Der Report peec-report ergänzt eine Stop-Doing-Liste. Die zeigt, welche Maßnahmen keine Wirkung hatten.

Wie der Agent lernt: Zustand in Dateien

Wie lernt Claude mit der Zeit? Das Modell selbst lernt zwischen zwei Sitzungen nichts dazu. Das Gedächtnis muss man bauen. Im Growth Loop liegt es in einfachen Dateien: setup_state.json hält Projekt, Markt, Zielgruppe und Taxonomie fest, decisions_log.md protokolliert jede Entscheidung mit Metrik. In der Dokumentation steht dazu der Satz: „the log IS the memory“. Projektübergreifend speichert peec-learn Muster über SkillMind, ein Gedächtnis-Werkzeug für Claude. Ein Hook meldet beim Start einer Sitzung automatisch den Stand des Projekts, ohne jemals etwas zu blockieren.

Welche MCP-Werkzeuge der Loop nutzt

Die Skills rufen vor allem die Report- und Empfehlungs-Werkzeuge des Peec MCP auf. Gezählt habe ich, wie oft ein Werkzeug in den SKILL.md-Dateien vorkommt:

Dazu kommen optionale Werkzeuge aus Visibly AI, etwa Query Fan-Out, Keyword- und Search-Console-Daten. Fehlt ein Server, überspringt der Skill den Schritt und sagt das offen. Diese „graceful degradation“ war mir wichtig, damit der Loop auch nur mit Peec läuft.

Sechs Tage Entwicklung: wie der Agent entstanden ist

Methodik: Die Zahlen in diesem Artikel sind eigene Daten aus dem Repository: Commit-Historie, Zeilenzahlen und Werkzeugaufrufe habe ich selbst ausgewertet. Die Commit-Historie zeigt, wie sich das Projekt entwickelt hat^[8]:

1. 19.04.2026: Erste Version mit zwei Skills, am selben Tag erweitert auf sechs Skills und eine Anbindung an Query Fan-Out aus Visibly AI.
2. 22.04.2026: Umbau der Skills auf kurze, klare Schritte, dazu ein Lern-Skill mit SkillMind und ein Installationsskript.
3. 23.04.2026: Gemeinsamer Projektzustand für alle Skills, Einstiegs- und Checkup-Skill, Hooks und ein Pitch-Deck mit 20 Folien.
4. 24.04.2026: Einheitliche Namen mit dem Präfix peec-, erweitertes Schema um Geschäftsmodell, Zielgruppe und Seitentypen.

Code-Generierung spielte dabei eine kleinere Rolle als man denkt. Die meiste Arbeit steckte im Prompt Engineering der Playbooks, also in präzisen Anweisungen statt in Code-Generierung: Wann bricht ein Skill ab? Welche Schwelle gilt? Was passiert, wenn Daten fehlen? Claude Code hat mir beim Schreiben, Testen und Umbenennen geholfen. Die fachlichen Regeln kommen aus meiner Praxis mit GEO-Projekten.

Die Challenge im Video

Zur Challenge habe ich zwei Videos auf YouTube veröffentlicht. Im ersten baue ich live einen Skill und zeige mein Setup mit Claude Code, im zweiten stelle ich alle neun Skills auf Englisch vor.

Was ich über KI-Agenten und MCP-Entwicklung gelernt habe

1. Skills sind Playbooks, keine Programme. Eine gute SKILL.md liest sich wie eine Einarbeitung für einen neuen Kollegen: Ziel, Reihenfolge, Abbruchregeln, Beispiele.
2. Eine Entscheidung schlägt zehn Empfehlungen. Die Prioritätsleiter zwingt den Agenten zu einer Aussage, die man nach vier Wochen überprüfen kann.
3. Zustand gehört in Dateien. Was nicht gespeichert wird, existiert in der nächsten Sitzung nicht. JSON und Markdown reichen, eine Datenbank braucht es dafür nicht.
4. Stopp-Regeln sind Qualität. Ein Agent, der bei zu wenig Daten abbricht, ist wertvoller als einer, der immer etwas sagt.
5. MCP macht Daten austauschbar. Weil die Skills nur Werkzeugnamen kennen, lassen sich weitere Server ergänzen, ohne die Logik neu zu schreiben. Ein MCP-Server ist im Grunde eine API, die für Sprachmodelle beschrieben ist. Über das Plugin-System von Claude Code lassen sich Skills, Hooks und Server-Konfiguration gemeinsam verteilen.

Die Messung von KI-Sichtbarkeit selbst ist ein eigenes Thema. Wie ich sie methodisch angehe, zeigt meine Studie dazu, wie LLMs Marken ranken, und der Überblick zu AI SEO und GEO.

Grenzen: was Claude Skills nicht können

Claude Skills haben klare Einschränkungen. Sie sind nur so gut wie die Daten, die über MCP ankommen. Sie können sich irren, wenn Anweisungen mehrdeutig sind, und sie ersetzen kein fachliches Urteil bei Budget oder Positionierung. Außerdem kostet jeder Lauf Tokens und bei Peec Datenabrufe. Ein Mensch sollte jede Entscheidung vor der Umsetzung prüfen. Bei mehreren Kundenprojekten gilt zudem: Gelernte Muster dürfen keine vertraulichen Daten von einem Projekt ins nächste tragen.

Claude Skills erstellen: so fängst du an

Einen eigenen Skill zu erstellen dauert keine Stunde. Der Einstieg für Anfänger sieht so aus:

1. Eine wiederkehrende Aufgabe wählen: etwa den Wochenreport, ein Content-Briefing oder eine Angebotsvorlage.
2. Einen Ordner mit SKILL.md anlegen: oben Name und eine präzise Beschreibung, wann Claude den Skill nutzen soll. Die Beschreibung entscheidet, ob der Skill geladen wird.
3. Die Anweisungen als Schritte schreiben: Ziel, Reihenfolge, Abbruchregeln und ein Beispiel für das gewünschte Ergebnis.
4. Skripte oder Vorlagen beilegen: Alles, was immer gleich sein soll, gehört in eine Datei statt in den Text.
5. Testen und nachschärfen: Den Skill an echten Aufgaben laufen lassen und jede Abweichung als Regel ergänzen.

Als Einsteiger lernst du die Grundlagen am schnellsten, wenn du einen Beispiel-Skill aus anthropics/skills kopierst und Schritt für Schritt an deine Aufgabe anpasst. Gutes Prompt Engineering heißt hier vor allem: klare Bedingungen statt vager Wünsche.

Für Marketing-Teams, Texter und Content Creator eignen sich Skills für Tonalität, Branding, Formate und Freigaben. Das ist Workflow-Automatisierung ohne eigene Software. Entwickler nutzen sie für Code-Konventionen und Tests. Business-Analysten hinterlegen darin feste Auswertungen, die Claude aus Tabellen und Dokumenten erstellt.

So nutzt du den Growth Loop selbst

Das Projekt ist Open Source unter MIT-Lizenz auf GitHub^[8]. Du brauchst Claude Code, einen Peec-AI-Account mit verbundenem MCP-Server und das Installationsskript aus dem Repository, das die Skills in den Skill-Ordner von Claude verlinkt. Danach reicht der Befehl /peec-start: Der Agent erkennt, ob ein neues Projekt eingerichtet oder ein bestehendes übernommen wird, und führt dich durch die nächsten Schritte. Visibly AI und SkillMind sind optional und erweitern Analyse und Gedächtnis.

Wenn du lieber ohne Setup startest: Die GEO-Skills aus Visibly AI laufen direkt über den gleichen Ansatz, den ich auch in Seminaren zur KI-Sichtbarkeit zeige.

Häufige Fragen: Claude, Claude Code und Agent Skills

Was kann Claude und welche Fähigkeiten bringt die KI mit?

Claude ist der KI-Assistent von Anthropic, ein großes Sprachmodell, das auf Machine Learning und Natural Language Processing beruht. Er schreibt und überarbeitet Texte, fasst Dokumente zusammen, analysiert Daten aus Tabellen und PDFs, argumentiert Schritt für Schritt und hilft beim Brainstorming. Auch kreative Aufgaben wie Storytelling, Ideensammlungen oder Headline-Varianten gehören dazu. Skills machen aus diesen allgemeinen Fähigkeiten verlässliche Abläufe für konkrete Aufgaben.

Welche Stärken hat Claude im Vergleich zu anderen Sprachmodellen?

Was Claude von anderen KI-Modellen unterscheidet, zeigt sich für mich weniger in einzelnen Fertigkeiten als im Zusammenspiel. Meine Erfahrung aus dem Alltag: Claude ist stark beim logischen Denken und Problemlösen über viele Schritte, beim Befolgen langer Anweisungen und beim Arbeiten mit großen Dokumenten. Genau das brauchen Skills, denn eine SKILL.md ist nichts anderes als eine lange, präzise Anweisung. Open-Source-Modelle haben den Vorteil, dass du sie selbst betreiben kannst. Dafür fehlt dir dann das fertige Ökosystem aus Claude Code, Skills und MCP-Anbindungen. Welche Künstliche Intelligenz besser passt, hängt deshalb weniger vom Modell ab als vom Werkzeugkasten drumherum.

Wie helfen Claude Skills beim Lernen, Recherchieren und Analysieren?

Studierende können Skills für feste Recherche-Abläufe anlegen, etwa Quellen sammeln, zusammenfassen und kritisch prüfen. Als Business-Analyst nutzt du die Analysefähigkeiten am besten, indem du Kennzahlen, Schwellenwerte und Berichtsformat einmal im Skill festlegst. Dann erstellt Claude jede Auswertung nach denselben Regeln, genau wie der Growth Loop seine Reports.

Kann Claude programmieren und Code schreiben?

Ja. Mit Claude Code arbeitet Claude direkt im Terminal und im Projektordner: Code lesen, schreiben, testen und ändern. Den Growth Loop und diesen Blog betreibe ich auf diese Weise. Claude Skills und MCP-Server lassen sich in Claude Code besonders einfach einbinden. Wie du so ein Projekt an einem Tag aufsetzt, vom Business Case bis zum Deployment, zeige ich im Vibe Coding Workshop. Ob Claude oder GPT-4 beim Coding vorne liegt, wechselt mit jedem Modell-Release. Entscheidender ist, wie gut das Modell in deine Werkzeuge und in die Programmierschnittstelle deiner Systeme eingebunden ist.

Welche Sprachen versteht Claude?

Claude arbeitet in vielen Sprachen, darunter Deutsch und Englisch. Die Skills des Growth Loops erkennen Begriffe in beiden Sprachen, und die Prompts für Peec lassen sich je Markt in der passenden Sprache anlegen.

Claude oder ChatGPT: welche KI hat die besseren Skills?

Benchmarks wechseln mit jedem neuen Modell, deshalb halte ich eine pauschale Antwort für wenig hilfreich. Für meine Arbeit entscheidend sind Claude Code, Skills und die breite Unterstützung von MCP. MCP ist allerdings ein offener Standard: Auch ChatGPT kann den Peec-MCP-Server nutzen^[2]. Die Daten sind also nicht an ein Modell gebunden, die Playbooks in SKILL.md-Form schon eher.

Wie verbessert Claude seine Skills mit der Zeit?

Das Modell lernt nicht automatisch aus deinen Sitzungen. Verbesserungen entstehen, wenn du die Anweisungen im Skill nachschärfst oder, wie im Growth Loop, Ergebnisse in Dateien speicherst, die der nächste Lauf wieder einliest.

Fazit

Der Sieg in der Kategorie Reporting Automation bestätigt für mich eine Idee: Gute Automatisierung beantwortet die Frage „Was tun wir als Nächstes?“. Hübschere Charts beantworten sie nicht. Claude Skills liefern dafür das Playbook, der MCP-Server von Peec AI die Daten, und einfache Dateien das Gedächtnis. Mit dieser Kombination lassen sich in wenigen Tagen Agenten bauen, die echte Arbeit abnehmen, solange ein Mensch die Entscheidungen prüft.

Danke an das Team von Peec AI und an die Jury, Lily Ray, Ethan Smith und Malte Landwehr. Die nächste Challenge kommt bestimmt, und ich bin gespannt, was die Community dann baut.

Quellen

1. Peec AI: LinkedIn-Beitrag „The Peec MCP Challenge is a wrap“ mit Gewinnern und Jury, 2026. Angaben laut Beitrag.
2. Peec AI: Peec AI MCP. Link, abgerufen am 30.09.2026.
3. Peec AI: MCP Challenge. Link, abgerufen am 30.09.2026.
4. Peec AI: Closed-Loop Growth Agent, MCP Use Case, 29.09.2026. Link, abgerufen am 30.09.2026.
5. Model Context Protocol: Introduction. Link, abgerufen am 30.09.2026.
6. Claude Help Center: Was sind Skills?, 22.09.2026. Link, abgerufen am 30.09.2026.
7. Anthropic: The Complete Guide to Building Skills for Claude. PDF, abgerufen am 30.09.2026.
8. Antonio Blago: peec-ai-skills, GitHub-Repository, MIT-Lizenz, Commits vom 19. bis 24.04.2026. Link, abgerufen am 30.09.2026.
9. Anthropic: anthropics/skills, GitHub-Repository mit Beispiel-Skills. Link, abgerufen am 30.09.2026.