KI-Agenten erstellen: Anleitung mit Claude Code und Skills

KI-Agenten erstellst du heute meist nicht von Grund auf, sondern indem du einen fertigen Agenten wie Claude Code, Codex oder Cursor nimmst und mit zwei Bausteinen formst: Skills geben ihm das Vorgehen, MCP-Server den Zugang zu Systemen. Von Null zu bauen lohnt sich nur in Sonderfällen.

Was heißt „KI-Agenten erstellen" überhaupt?

Ein KI-Agent ist ein Programm, das ein Sprachmodell mit Werkzeugen verbindet: Es kann Dateien lesen, Befehle ausführen oder APIs aufrufen und arbeitet eine Aufgabe eigenständig in mehreren Schritten ab. Der Unterschied zum Chatbot ist das Handeln statt bloßen Antwortens.

„Erstellen" meint dabei zwei sehr verschiedene Dinge. Der eine Weg: einen fertigen Agenten übernehmen und auf deine Arbeit zuschneiden. Der andere: mit einem Entwickler-SDK einen eigenen Agenten programmieren. Für die allermeisten ist der erste Weg richtig: Er ist schneller, sicherer und kostet weniger Pflege. Dieser Artikel zeigt beide, mit klarem Schwerpunkt auf dem praktischen ersten Weg.

Der schnelle Weg: fertigen Agenten formen

Fertige Coding-Agenten bringen die Grundfähigkeiten schon mit. Claude Code etwa liest und schreibt Dateien, führt Terminal-Befehle aus und plant mehrschrittige Aufgaben, ohne dass du etwas programmierst. Deine Aufgabe ist nicht, das nachzubauen, sondern den Agenten in die richtige Spur zu lenken. Wie der Einstieg konkret abläuft, steht im Claude Code Tutorial auf Deutsch.

Dafür gibt es zwei Bausteine, die du kombinierst:

• Skills: eine SKILL.md ist eine Markdown-Datei mit Anweisungen, die der Agent lädt, sobald eine passende Aufgabe auftaucht. Sie kodifiziert Wissen und Vorgehen: Code-Standards, Design-Regeln, einen wiederkehrenden Ablauf. Grundlagen dazu in Was sind Claude Skills.
• MCP-Server: ein laufendes Programm, das dem Agenten Zugang zu einem externen System gibt: einer Datenbank, einem Browser, GitHub. Die Grundlagen erklärt Was ist ein MCP-Server.

Die Faustregel, welchen Baustein du brauchst, ist einfach und ausführlich in MCP-Server vs. Skills beschrieben: Fehlt dem Agenten der Zugang zu einem System, nimm einen MCP-Server. Fehlt ihm das Wissen, wie er etwas richtig angeht, nimm einen Skill. Die meisten guten Setups nutzen beides.

Anleitung: In vier Schritten zum eigenen Agenten

Wer konkret loslegen will, braucht keine Wochen. Der Ablauf sieht in der Praxis so aus:

1. Agent installieren. Nimm einen fertigen Agenten. Claude Code läuft im Terminal, Cursor als Editor mit Oberfläche. Wenn dir das Terminal fremd ist, fang mit Cursor an; die Umgewöhnung ist kleiner. Den Einstieg beschreibt Cursor AI auf Deutsch, den Terminal-Weg das Claude Code Tutorial.
2. Eine echte Aufgabe geben. Nicht „schreib mir eine App", sondern etwas Überschaubares aus deinem Alltag, dessen Ergebnis du beurteilen kannst. Du lernst in dieser einen Aufgabe mehr über die Grenzen des Agenten als in jedem Tutorial.
3. Wiederholungen in einen Skill gießen. Sobald du dieselbe Korrektur zum dritten Mal tippst, gehört sie in eine Datei. Wie das geht, zeigt Skills in Claude Code installieren; fertige Skills findest du im Verzeichnis.
4. Zugang nur bei Bedarf ergänzen. Erst wenn der Agent nachweislich an fehlendem Systemzugriff scheitert, kommt ein MCP-Server dazu. Nicht vorher.

Die Reihenfolge ist wichtiger, als sie aussieht. Die meisten fangen bei Schritt 4 an, richten fünf MCP-Server ein und wundern sich, dass der Agent langsamer und unpräziser wird. Jeder Server belegt dauerhaft Kontext. Weniger ist hier tatsächlich mehr.

Wie sieht das in der Praxis aus?

Angenommen, du willst einen Agenten, der bei dir sauberen Frontend-Code schreibt. Von Grund auf bauen müsstest du dafür nichts. Du nimmst Claude Code und ergänzt einen Design-Skill wie frontend-design, damit die Oberflächen nicht generisch aussehen, plus einen Test-Skill wie test-driven-development, damit der Agent diszipliniert arbeitet. Schon hast du einen zugeschnittenen „Agenten", ohne eine Zeile Agenten-Code.

Braucht der Agent zusätzlich Zugriff auf ein echtes System, etwa deine Datenbank, um Abfragen zu testen, kommt ein MCP-Server dazu. Welche sich bewährt haben, steht in der MCP-Server-Liste. Fertige Bündel aus Skills und Servern findest du in den Kategorien Entwicklung und Automatisierung.

Was kostet es, KI-Agenten zu erstellen?

Hier lohnt eine saubere Trennung, weil „kostenlos" je nach Baustein etwas anderes heißt.

Kostenlos sind die Bausteine. Die Agenten-Software, das Skill-Format, die allermeisten MCP-Server und alle Einträge in diesem Verzeichnis sind Open Source oder frei nutzbar. Für keinen davon zahlst du Lizenzgebühren.

Geld kostet das Modell. Der Agent ist nur die Hülle; die Denkarbeit macht ein Sprachmodell beim Anbieter, und das wird abgerechnet: als Abo oder über API-Guthaben (Stand August 2026). Mehrere Anbieter haben einen kostenlosen Einstieg mit begrenztem Kontingent; zum Ausprobieren reicht der, für tägliche Arbeit meist nicht.

Der zweite Kostenfaktor ist Kontext. Jeder aktive MCP-Server lädt seine Werkzeugbeschreibungen dauerhaft mit, jede Anfrage schleppt sie mit. Wer zehn Server aktiviert hat, zahlt das bei jeder einzelnen Anfrage mit und bekommt zusätzlich schlechtere Antworten, weil der Agent zwischen zu vielen Werkzeugen wählen muss. Sparsamkeit ist hier kein Geiz, sondern Qualität.

Die konkreten Preise ändern sich regelmäßig. Prüf sie beim jeweiligen Anbieter, bevor du dich festlegst. Zahlen aus einem Artikel sind in diesem Feld schnell veraltet.

Geht das auch lokal oder mit Open Source?

Diese Frage kommt oft, meist aus Datenschutzgründen — und die ehrliche Antwort ist zweigeteilt.

Technisch ja: Es gibt etablierte Werkzeuge, mit denen offene Modelle auf dem eigenen Rechner laufen, ganz ohne Anbieter im Spiel. Deine Daten verlassen die Maschine nicht.

Praktisch mit Abstrichen: Ein Agent lebt vom mehrschrittigen Werkzeuggebrauch: Datei lesen, Ergebnis bewerten, nächsten Schritt planen, Befehl ausführen. Genau darin sind offene Modelle den großen kommerziellen Modellen derzeit spürbar unterlegen (Stand August 2026). Was als Chat noch überzeugt, bricht als Agent oft nach zwei Werkzeugaufrufen ab. Dazu kommt der Hardware-Bedarf: Brauchbare Modelle wollen viel Arbeitsspeicher.

Sinnvoll ist der lokale Weg, wenn du an Daten arbeitest, die den Rechner nicht verlassen dürfen, und bereit bist, dafür Qualität einzutauschen. Für den Einstieg würde ich es nicht empfehlen — du lernst dann gleichzeitig zwei Dinge und weißt bei jedem Fehler nicht, ob er am Konzept oder am Modell lag.

Wann lohnt sich ein eigener Agent mit SDK?

Der Weg von Grund auf führt über ein Agent-SDK — eine Programmierbibliothek, mit der du die Schleife aus Modell-Aufruf, Werkzeugnutzung und Ergebnis selbst baust. Für Coding, Recherche oder Büroaufgaben ist das selten nötig. Sinnvoll wird es, wenn:

• der Agent in ein eigenes Produkt eingebettet werden soll, etwa als Assistent in deiner App
• der Ablauf stark von der Norm abweicht und sich nicht als Skill abbilden lässt
• du volle Kontrolle über jeden Schritt, jedes Modell und jede Kostenstelle brauchst

Der Preis dafür ist Wartung: Du kümmerst dich um Fehlerbehandlung, Modell-Updates und Betrieb selbst. Deshalb gilt: erst prüfen, ob ein fertiger Agent plus Skill reicht — und nur bauen, wenn wirklich etwas fehlt.

Was solltest du von Anfang an beachten?

Ein Agent handelt mit echten Rechten. Drei Dinge halten das beherrschbar:

1. Zugriff eng halten. Gib jedem MCP-Server nur so viel, wie er braucht — einen bestimmten Ordner statt das ganze Dateisystem, lesenden statt schreibenden Datenbankzugriff.
2. Quellen prüfen. Skills und Server nur aus vertrauenswürdigen Quellen. Wie du sie erkennst, zeigt Claude Skills auf GitHub finden.
3. Fremdes lesen. Eine fremde SKILL.md ist wie fremder Code — vor der Nutzung samt Skripten durchschauen. Warum das zählt, steht im Claude Skills Marketplace.

Wer so anfängt, hat in wenigen Minuten einen brauchbaren, zugeschnittenen Agenten — und den Weg zum selbstgebauten offen, falls er später gebraucht wird.