Die Entwicklung im Bereich AI Automation und Agentensysteme überschlägt sich förmlich. Jede Woche ploppen neue Systeme auf.

Gerade hast du dich an ChatGPT gewöhnt und die ersten Custom GPTs gebaut, da wurde Make zur neuen Wunderwaffe der Automatisierung.

Kaum hattest du dich dort eingearbeitet, versprach n8n noch mächtigere Workflows.

Und parallel reden alle über Multi-Agenten-Frameworks wie Langchain, bei denen autonome Agenten mit gemeinsamem Gedächtnis interagieren.

Und aktuell stark im Trend: Systeme wie Claude Code, die direkt auf Filesystem-Ebene arbeiten. Viele Entwickler schwören inzwischen darauf, Agenten-Skills als Markdown-Dateien abzulegen und alles über die Kommandozeile zu steuern.

Das klingt technisch faszinierend und fühlt sich für Techies auch irgendwie "richtig" an. Ich habe mir das alles angesehen, vom Skill-System bis zum Multi-Agenten-Setup.

Aber dann habe ich mir eine entscheidende Frage gestellt: Welches Interface brauche ich eigentlich für meine tägliche Arbeit?

Es geht nicht darum, was technisch möglich ist, sondern wie ich wirklich produktiv arbeiten kann.

Aus dieser Überlegung heraus habe ich klare Designprinzipien für meine Architektur entwickelt, die ich dir hier vorstellen möchte. Vielleicht helfen sie dir, deinen eigenen Weg durch den Tool-Dschungel zu finden.

Meine 6 Designprinzipien für mein produktives KI-Setup

Anstatt jedem Trend hinterherzulaufen, habe ich einige Entscheidungen getroffen, um mein System stabil und nutzbar zu halten:

1. Unabhängigkeit von LLM-Anbietern

Ich möchte mich nicht an einen einzigen Anbieter ketten. Ein System, das exklusiv nur Modelle einer Familie nutzt, kommt für mich nicht infrage. Damit fallen reine OpenAI- oder Google-Lösungen raus. Microsoft ist zwar offener, aber mir noch nicht universell genug. Ich brauche die Freiheit, das Modell zu wechseln, wenn es bessere Alternativen gibt. Das habe ich aktuell mit Notion AI für mich in ausreichender Form gefunden, aktuelle LLMs werden recht schnell integriert und stehen mir zur Auswahl.

Das bringt mich direkt auch zum nächsten Punkt:

2. Notion als das universelle Gehirn und Schaltzentrale

Informationen und Kontext sind alles - beziehungsweise mittlerweile viel wichtiger als die Wahl des LLMs. Deshalb habe ich mich entschieden: Alles landet in Notion.

Recherchen aus dem Web, LinkedIn, Studien > Der Webclipper von Notion macht die Ablage einfach.

Ressourcen, Notizen und Wissen.

Aktuelle Projektdaten.

Blogposts, LinkedIn-Posts, Vorträge.

Informationen zu mir, meinen Zielen, meiner Tonalität, meinen Bedürfnissen zur Zusammenarbeit.

Die neue Disziplin Context Engineering bedeutet: Einer KI gezielt die richtigen Informationen, Anweisungen und Beispiele zur Verfügung zu stellen, damit sie eine Aufgabe optimal lösen kann.

In Notion erhalten meine KI-Agenten genau den Kontext, den sie brauchen und lernen immer besser auf meine Bedürfnisse einzugehen.

Was andere jetzt über Markdown-Files im Dateisystem lösen, bilde ich komplett in Notion-Datenbanken ab.

Notion ist mein einziger, universeller "Source of Truth". Bei jeder Information überlege ich zuerst: Sollte ich das nicht in Notion ablegen oder aufschreiben?

Deswegen habe ich auch konsequent mein Blog über Notion mithilfe von NotionNext aufgebaut und kann ohne Tool-Wechsel pflegen. Das Gleiche gilt für LinkedIn-Posts, die direkt aus Notion kommen – mithilfe von NotionSocial.

Auch die Prompts, Agenten-Anweisungen, Skills für die KI verwalte ich ausschließlich in Notion. Und habe dafür den Skill-Ansatz von Claude Code adaptiert.

3. Minimale Plattform-Vielfalt

Mein Leitsatz: So wenige Tools wie möglich. Bevor ich auf den nächsten "heißen Scheiß" aufspringe, prüfe ich: Kann ich das mit meinen bestehenden Mitteln lösen? Ich nehme lieber kleine Haken in Kauf, als ständig neue Software in mein Ökosystem zu lassen. Neue Tools müssen sich diesen Platz erst hart verdienen.

4. Mobile First – oder sogar Mobile Only

Das ist für mich einer der wichtigsten Filter. Ich bin viel beruflich unterwegs, sitze mal am Küchentisch oder gehe – wie gerade jetzt beim Diktieren dieses Textes – mit dem Hund spazieren.

Ein End-to-End-Workflow muss auf dem Handy funktionieren.

Die "Tool-Time" (Klicken, Kopieren, App-Wechseln) muss minimal sein.

Spracheingabe schlägt Tippen.

Deshalb fallen viele Tools und Ansätze für mich weg. Ich brauche Interfaces, die ich mobil am besten von Ende zu Ende bedienen kann.

5. Zugriff von überall

Viele schwören auf lokale LLMs und lokale Filesysteme. Das ist cool für den Datenschutz und für Leute, die immer am selben leistungsstarken Rechner sitzen. Für mich ist das nicht praktikabel - obwohl ich einen solchen leistungsfähigen Rechner habe.

Ich bin unterwegs und arbeite oft auch mit unterschiedlichen Rechnern und Betriebssystemen. Ich muss von jedem Rechner oder Handy, ohne Software-Installation, einfach via Browser auf mein komplettes System zugreifen können.

6. Wiederverwendbarkeit und Modularität

Alles, was ich baue, soll wie ein Legostein wiederverwendbar sein ("Composable"). Ich will Verbesserungen iterativ in das System zurückspielen können, ohne jedes Mal das Rad neu zu erfinden. Ich will keine Bastellösungen, die nur genau für einen Anwendungsfall funktionieren.

Mein aktueller Tech-Stack in der Praxis

Ganz ohne andere Tools und Systeme neben Notion komme ich aber leider doch nicht aus. Basierend auf den Prinzipien sieht meine Arbeitsumgebung heute so aus:

Der Kern: Notion & Notion AI. Hiermit decke ich den Großteil meiner Anforderungen ab. Es ist Speicher, Interface und Arbeitsfläche in einem.

Erweiterungen: NotionSocial für die Anbindung an Social Media und ein angepasstes NotionNext, dass auf einem virtuellen Server läuft und auf Notion zugreift.

Der Spezialist: ~~Manus~~. Für bestimmte Funktionen, die Notion noch nicht kann, greife ich noch auf Manus zurück. Seit der Ankündigung, dass Manus von Meta übernommen wird, suche ich aktiv nach Alternativen. Dabei baue ich mir gerade selber einen Manus-artigen DeepWork-Agenten mit Notion AI und meinem Skill-Ansatz. Dazu aber in einem weiteren Artikel später mehr.

Der Handlanger: n8n. Ja, ich nutze zusätzliche Automatisierung, aber sehr gezielt. n8n kommt ins Spiel, wenn Notion an Grenzen stößt, zum Beispiel bei der Bildgenerierung zusammen mit OpenRouter oder fal.ai. Wichtig dabei: Ich steuere n8n komplett aus Notion heraus. Ich fülle eine Datenbankzeile, n8n arbeitet im Hintergrund und spielt das Ergebnis (z. B. das Bild) direkt zurück in Notion. Ich sehe n8n gar nicht. Dabei halte ich mich soweit es geht an folgendes Prinzip: Trenne Business-Logik und -Informationen vom Code. Ich speichere keinerlei Prompts oder Kontext in n8n-Knoten. Alles liegt in Notion. Die Automatisierung holt sich den System-Prompt, den Use-Case und den Kontext frisch aus Notion und führt nur noch den Befehl aus. So bleibe ich flexibel und muss nicht in komplexen Workflows "herumdoktern", wenn ich nur einen Text ändern will.

Weniger ist mehr

Ich reize mein aktuelles Setup lieber bis zum Anschlag aus, bevor ich es unnötig kompliziere. Natürlich teste ich neue Tools zu Recherchezwecken, aber mein Produktivsystem bleibt stabil.

Und es bleibt spannend: Notion hat bereits eigene Agents angekündigt, die bald viele meiner n8n-Workflows ablösen könnten. Auch Bildgenerierung und -bearbeitung stehen dort auf der Roadmap. Mein Ziel ist es, den Stack immer weiter zu vereinfachen, bis (fast) alles an einem Ort passiert.

Wie sieht dein Setup aus? Wenn du tiefer in diese Architektur eintauchen möchtest oder Fragen hast, melde dich gerne bei mir. Lass uns darüber sprechen, wie du dein System vereinfachen kannst.

Custom Instructions in Notion AI – ein mächtiges Werkzeug mit Grenzen

Mit den Custom Instructions hat Notion ein bemerkenswertes Feature geschaffen. Die Idee: Eine zentrale Seite definiert, wie Notion AI sich verhalten soll – Tonalität, Fachwissen, Verhaltensregeln. Wer regelmäßig mit KI arbeitet, erkennt das Potenzial sofort: verschiedene Personas für unterschiedliche Aufgaben, spezialisierte Modes für Content-Erstellung, Recherche oder Analyse.

Das funktioniert gut – bis zu einem gewissen Punkt.

Wer intensiv mit Notion AI arbeitet, baut mit der Zeit immer mehr auf: Eine Persona für LinkedIn-Posts, eine für Blogartikel, eine für Infografiken, eine für kritisches Feedback. Dazu kommen Stilregeln, Hintergrundwissen zur eigenen Person, Projektkontext. Bei zehn oder mehr Personas wird die Custom-Instructions-Seite schnell zum Monster-Dokument. Zwei Probleme entstehen:

Wartbarkeit: Eine Änderung an der LinkedIn-Persona erfordert Scrollen durch tausende Wörter. Versehentlich etwas anderes zu überschreiben ist leicht möglich.

Token-Effizienz: Notion AI liest bei jeder Konversation die gesamte Instructions-Seite. Je länger sie ist, desto mehr Kontext wird verbraucht – Kapazität, die dann für die eigentliche Aufgabe fehlt.

Die Inspiration: Wie Claude Code Skills organisiert

Ein Blick in die Developer-Welt zeigt einen eleganten Lösungsansatz. Claude Code – Anthropics Coding-Agent – steht vor demselben Problem: Wie gibt man einer KI viele spezialisierte Fähigkeiten, ohne sie bei jeder Anfrage mit allem zu überladen?

Die Lösung dort: Skills als separate Dateien. Jeder Skill liegt in einer eigenen Markdown-Datei mit klarem Namen und kurzer Beschreibung. Die KI kennt nur den Index: welche Skills existieren und was sie tun. Erst wenn ein Skill wirklich gebraucht wird, lädt Claude Code die entsprechende Datei nach.

Das Prinzip ist einfach: Wissen auf Abruf statt Wissen auf Vorrat.

Die Übertragung auf Notion

Genau dieses Konzept lässt sich mit Notions eigenen Funktionalitäten umsetzen:

1. Skills als Notion-Seiten

Jede spezialisierte Anweisung bekommt eine eigene Seite in einer Skills-Datenbank.

2. Der Skills-Index als Verzeichnis

In der Custom Instructions Seite steht nur ein kompakter Index – eine Liste aller verfügbaren Skills mit Namen und Auslöser.

3. Laden bei Bedarf

Wenn die KI einen passenden Skill identifiziert, lädt sie die entsprechende Notion-Seite nach.

Die Architektur in der Praxis

Konkret sieht das Setup so aus:

Eine Instruktionsseite mit den unveränderlichen Grundregeln

Eine Skills-Datenbank mit einzelnen Seiten für jeden spezialisierten Anwendungsfall

Ein Skills-Index als Property der Instruktionsseite

Ein “Update-Skill-Index”-Skill, der die Property aktualisiert, wenn neue Skills hinzukommen.

Der messbare Unterschied

Die ursprüngliche Instructions-Seite umfasste rund 10.000 Tokens.

Nach der Umstrukturierung:

Hauptinstruktion mit Index: ~1.700 Tokens

Einzelner Skill (bei Bedarf): ~300–500 Tokens

Eine Reduktion um fast 80 Prozent.

Was das praktisch bedeutet

Mehr Raum für die eigentliche Aufgabe: Die KI kann längere Dokumente analysieren.

Fokussiertere Antworten: Wenn nur der LinkedIn-Skill geladen ist, konzentriert sich die KI auf genau eine Sache.

Einfachere Wartung: Änderungen an einem Skill betreffen nur eine einzige Seite.

Skalierbarkeit: Ob 10 oder 50 Skills – die Hauptinstruktion bleibt schlank.

Die Erkenntnis

Multi-Agenten-Szenarien in Notion erfordern kein technisches Framework. Sie erfordern eine andere Denkweise: weg vom alles in ein Dokument, hin zu das Richtige zur richtigen Zeit.

Hier gibt es noch viel auszuprobieren und zu entdecken.

Das schönste bei Notion AI ist: Man kann sich beim Aufbau des gesamten Konstrukts wunderbar durch Notion AI selbst helfen lassen. Probier es selbst mal aus, wenn du Notion-Nutzer bist.

Notion AI Beratung

Ordnung im KI-Tool-Zoo: Warum ich (fast) alles mit Notion AI mache