Mein KI-Agent überwacht jetzt Websites für mich

1. Eine URL besucht.
2. Versteht, wie ein „Produktverfügbarkeitsstatus“ aussieht.
3. Identifiziert, ob das Produkt basierend auf der *Bedeutung* des Textes auf Lager oder ausverkauft ist, nicht nur auf exakte Schlüsselwörter.
4. Nur dann berichtet, wenn der Status, der mir wichtig ist (z. B. „auf Lager“), erkannt wird.

Agenten-Setup: Verwendung eines grundlegenden LLM zur Interpretation

Für dieses Experiment beschloss ich, es relativ einfach zu halten. Ich benutze ein lokales LLM (insbesondere ein feinabgestimmtes Llama 3-Modell, das auf meinem Heimserver läuft, dank Ollama) und ein Python-Skript, um die Aktionen des Agenten zu orchestrieren. Der Agent selbst „lebt“ nicht in einer separaten Umgebung; es ist die Kombination aus Skript, LLM und den Werkzeugen, die er nutzen kann.

„Werkzeuge“ des Agenten

• Web-Scraper: Eine Funktion zum Abrufen des HTML-Inhalts einer URL (ähnlich wie mein ursprüngliches Python-Skript, aber jetzt wird nur rohes HTML an das LLM weitergegeben).
• LLM-Schnittstelle: Eine Funktion, um Eingaben an meine lokale Llama 3-Instanz zu senden und Antworten zu erhalten.
• Benachrichtigungssystem: Ein einfacher E-Mail-Versender (oder einfach nur eine Druckanweisung fürs Erste).

Der Arbeitsablauf des Agenten (vereinfacht)

So habe ich den Kernloop des Agenten entworfen:

1. Seite abrufen: Verwenden Sie das Web-Scraper-Tool, um das rohe HTML der Zielproduktseite zu erhalten.
2. Mit LLM analysieren: HTML mit einer spezifischen Eingabe an das LLM senden.
3. Interpretieren und Entscheiden: Das LLM analysiert das HTML und entscheidet, ob das Produkt auf Lager ist.
4. Änderung melden: Wenn sich der Status auf „auf Lager“ geändert hat (und zuvor ausverkauft war), eine Benachrichtigung auslösen.
5. Wiederholen: Auf ein festgelegtes Intervall warten und den Prozess wiederholen.

Prompt-Engineering zur Lagererkennung

Das war der entscheidende Teil. Mein Prompt an das LLM musste klar und präzise sein. Hier ist ein Beispiel, das ich verwendet habe:

"Du bist ein KI-Assistent, der dazu entworfen wurde, den Lagerstatus eines Produkts auf einer Webseite zu erkennen.
Ich werde dir den HTML-Inhalt einer Produktseite zur Verfügung stellen.
Deine Aufgabe ist es, das HTML zu analysieren und zu bestimmen, ob das Produkt derzeit 'auf Lager' oder 'ausverkauft' ist.
Suche nicht nur nach genauen Phrasen; verstehe den Kontext. Achte auf gängige Indikatoren wie:
- 'In den Warenkorb' Schaltflächen (zeigt normalerweise auf Lager an)
- 'Ausverkauft' Nachrichten
- 'Derzeit nicht verfügbar' Nachrichten
- 'Vorbestellung' (betrachte dies als ausverkauft für den sofortigen Kauf)
- Alle Variation des Lagerstatus-Messaging.

Gib NUR eines der folgenden Wörter zurück: 'IN_STOCK' oder 'OUT_OF_STOCK'.
Gib keinen anderen Text, keine Erklärungen oder Formatierungen an.

HTML-Inhalt:
" + html_content

Die Anweisung „Gib NUR eines der folgenden Wörter zurück“ ist entscheidend für die programmgesteuerte Analyse der LLM-Ausgabe. Das ermöglicht meinem Python-Skript, die Entscheidung des LLM einfach zu lesen und darauf zu reagieren.

Alles Zusammenstellen (Konzeptioneller Code)

Während die vollständige Implementierung mehr Fehlerbehandlung und Statusverwaltung umfasst, hier ist die Grundidee in Python:

import requests
import time
# Angenommen, du hast eine Funktion, um mit deinem LLM zu interagieren
# z. B. von my_llm_interface import query_llm 
# Und eine Funktion, um Benachrichtigungen zu senden
# z. B. von my_notifier import send_alert

PRODUCT_URL = "https://example-store.com/product-x-123"
CHECK_INTERVAL_SECONDS = 3600 # Jede Stunde überprüfen

last_known_status = "UNBEKANNT" # Um Änderungen zu verfolgen

def get_html(url):
 try:
 response = requests.get(url, timeout=10)
 response.raise_for_status()
 return response.text
 except requests.exceptions.RequestException as e:
 print(f"Fehler beim Abrufen der URL: {e}")
 return None

def determine_stock_status(html_content):
 if not html_content:
 return "FEHLER"
 
 prompt = f"""
 Du bist ein KI-Assistent, der dazu entworfen wurde, den Lagerstatus eines Produkts auf einer Webseite zu erkennen.
 Ich werde dir den HTML-Inhalt einer Produktseite zur Verfügung stellen.
 Deine Aufgabe ist es, das HTML zu analysieren und zu bestimmen, ob das Produkt derzeit 'auf Lager' oder 'ausverkauft' ist.
 Suche nicht nur nach genauen Phrasen; verstehe den Kontext. Achte auf gängige Indikatoren wie:
 - 'In den Warenkorb' Schaltflächen (zeigt normalerweise auf Lager an)
 - 'Ausverkauft' Nachrichten
 - 'Derzeit nicht verfügbar' Nachrichten
 - 'Vorbestellung' (betrachte dies als ausverkauft für den sofortigen Kauf)
 - Alle Variationen des Lagerstatus-Messaging.

 Gib NUR eines der folgenden Wörter zurück: 'IN_STOCK' oder 'OUT_OF_STOCK'.
 Gib keinen anderen Text, keine Erklärungen oder Formatierungen an.

 HTML-Inhalt:
 {html_content}
 """
 
 # Hier würdest du dein LLM aufrufen
 # Zur Demonstration simulieren wir eine Antwort
 # real_llm_response = query_llm(prompt) 
 
 # LLM-Antwort für Testzwecke simulieren
 if "In den Warenkorb" in html_content: # Einfache Heuristik für die Demo
 real_llm_response = "IN_STOCK"
 elif "Ausverkauft" in html_content or "Nicht verfügbar" in html_content:
 real_llm_response = "OUT_OF_STOCK"
 else:
 real_llm_response = "UNBEKANNT"

 return real_llm_response.strip().upper()

# Haupt-Agenten-Schleife
while True:
 print(f"[{time.ctime()}] Überprüfe den Produktbestand...")
 html = get_html(PRODUCT_URL)
 current_status = determine_stock_status(html)

 if current_status == "FEHLER":
 print("Konnte den Status aufgrund eines Abruffehlers nicht bestimmen. Später erneut versuchen.")
 elif current_status == "IN_STOCK" and last_known_status != "IN_STOCK":
 print("ALARM: Produkt ist jetzt AUF LAGER!")
 # send_alert(f"Produkt {PRODUCT_URL} ist wieder auf Lager!") # Deine Benachrichtigungslogik
 last_known_status = "IN_STOCK"
 elif current_status == "OUT_OF_STOCK" and last_known_status != "OUT_OF_STOCK":
 print("Produkt ist AUSVERKAUFT.")
 last_known_status = "OUT_OF_STOCK"
 else:
 print(f"Produktstatus ist {current_status}. Keine Änderung festgestellt.")

 time.sleep(CHECK_INTERVAL_SECONDS)

Dieses Setup ermöglicht es dem Agenten, viel widerstandsfähiger gegenüber Änderungen der Layouts oder Formulierungen der Website zu sein. Das LLM kann mit seinem Verständnis von natürlicher Sprache Variationen von „ausverkauft“ interpretieren, ohne dass ich jedes Mal eine Liste von Schlüsselwörtern aktualisieren muss.

Die Ergebnisse: Ein zuverlässigerer Monitor

Nachdem ich diesen Agenten ein paar Wochen habe laufen lassen, kann ich bestätigen, dass er deutlich zuverlässiger ist als mein ursprüngliches BeautifulSoup-Skript. Ich habe gesehen, wie sich Produktseiten ihre „nicht vorrätig“-Nachricht ändern, Elemente verschieben und sogar von Schaltflächen zu Textlinks für den Kauf wechseln. Mein KI-Agent, der auf die interpretative Kraft des LLM angewiesen ist, hat mir konsequent genaue Lagerbestandsaktualisierungen gegeben.

Einmal hat ein Geschäft seine „In den Warenkorb“-Schaltfläche in „Benachrichtige mich, wenn verfügbar.“ geändert. Mein altes Skript hätte gesehen, wie „In den Warenkorb“ verschwand und wäre verwirrt gewesen. Das LLM hat jedoch „Benachrichtige mich, wenn verfügbar“ korrekt als „OUT_OF_STOCK“-Status interpretiert, weil es die *Bedeutung* hinter diesen Phrasen versteht.

Es geht nicht darum, eine superintelligente allgemeine KI zu bauen, die dein Leben leitet. Es geht darum, ein spezifisches, lästiges Problem zu nehmen und ein bisschen KI-Intelligenz anzuwenden, um es auf eine solidere Weise zu lösen, als es traditionelle Skripting-Methoden erlauben. Es ist praktische KI, und das ist es, was ich an diesen Dingen liebe.

Handlungsfähige Erkenntnisse

Wenn du anfangen möchtest, mit KI-Agenten für praktische Automatisierung zu experimentieren, hier sind meine besten Tipps:

1. Fang klein an, löse ein echtes Problem: Versuche nicht, bei deinem ersten Versuch Skynet zu bauen. Wähle eine spezifische Aufgabe, die du manuell und lästig findest. Mein Website-Monitoring ist ein perfektes Beispiel.
2. Verwende lokale LLMs: Tools wie Ollama machen es unglaublich einfach, leistungsstarke LLMs auf deiner eigenen Hardware auszuführen. Das hält die Kosten niedrig und die Daten privat, was großartig für persönliche Projekte ist.
3. Konzentriere dich auf klare Eingaben: Die „Intelligenz“ des Agenten hängt oft davon ab, wie gut du das LLM anweist. Sei ausdrücklich, was du möchtest, dass es tut, und in welchem Format du die Ausgabe erwartest.
4. Gib deinem Agenten „Werkzeuge“: Ein LLM ist mächtig, aber es muss mit der realen Welt interagieren. Gib ihm Funktionen, um Daten abzurufen, Nachrichten zu senden oder Dateien zu manipulieren.
5. Iteriere und verfeinere: Dein erster Agent wird nicht perfekt sein. Teste ihn, sieh, wo er scheitert, und verfeinere deine Eingaben oder seine Werkzeuge.

Die Welt der KI-Agenten ist noch im Anfangsstadium, aber das Potenzial für praktische, alltägliche Automatisierung ist riesig. Warte nicht auf ein „bahnbrechendes“ Produkt; fang an, deine eigenen kleinen, nützlichen Agenten jetzt zu bauen. Du wirst überrascht sein, was du von deiner To-Do-Liste automatisieren kannst.

Das war’s für diesen Beitrag, Clawgo-Crew. Lass mich in den Kommentaren wissen, welche praktischen Agenten du baust!

🕒 Published: March 27, 2026