# Die 5-Phasen-Pipeline: Von der Idee zur Veröffentlichung > Lerne die 5-Phasen-Pipeline für qualitativ hochwertigen Content — Questions, Research, Draft, Deaify, Deploy. - URL: https://thevibe-coding.de/kurs/fuenf-phasen-pipeline - Typ: kurs | Veroeffentlicht: 2026-02-24 | Aktualisiert: 2026-02-24 - Autor: VIBE CODING | Site: VIBE CODING — thevibe-coding.de --- # Die 5-Phasen-Pipeline: Von der Idee zur Veröffentlichung "Schreib mir einen Post über Vibe Coding" — und heraus kommt generischer KI-Müll, den man auf den ersten Blick erkennt. Das ist kein Content-Problem. Das ist ein **Prozess-Problem**. In dieser Lektion lernst du die 5-Phasen-Pipeline, die aus jeder Idee hochwertigen, menschlich klingenden Content macht. ## Das Problem mit dem einfachen Ansatz Die meisten Leute nutzen KI so: ``` Input: "Schreib einen Blogpost über Prompt Engineering" → Output: Generischer, austauschbarer Text ``` Warum ist der Output schlecht? 1. **Kein Kontext:** Die KI weiß nicht, was deine Zielgruppe schon weiß 2. **Keine Recherche:** Die KI greift auf Trainingsdaten zurück statt auf aktuelle Quellen 3. **Kein Stil:** Die KI schreibt im Standard-KI-Deutsch ("Es ist wichtig zu betonen...") 4. **Keine Qualitätskontrolle:** Der erste Draft wird zum finalen Text 5. **Keine Struktur:** Alles passiert in einem einzigen Prompt Die 5-Phasen-Pipeline löst jedes dieser Probleme. ## Übersicht: Die 5 Phasen ``` ┌─────────┐ ┌──────────┐ ┌─────────┐ ┌──────────┐ ┌──────────┐ │ QUESTIONS│ → │ RESEARCH │ → │ DRAFT │ → │ DEAIFY │ → │ DEPLOY │ │ Phase 1 │ │ Phase 2 │ │ Phase 3 │ │ Phase 4 │ │ Phase 5 │ │ │ │ │ │ │ │ │ │ │ │ Was will │ │ Was sagt │ │ Schreib │ │ Mach es │ │ Veröffent│ │ ich │ │ die Welt │ │ den │ │ mensch- │ │ liche es │ │ wissen? │ │ dazu? │ │ Text │ │ lich │ │ │ └─────────┘ └──────────┘ └─────────┘ └──────────┘ └──────────┘ ``` Jede Phase hat einen klaren Input, einen klaren Output und eine klare Verantwortung. Keine Phase kann übersprungen werden, ohne die Qualität zu opfern. ## Phase 1: Questions (Kontext-Engineering) **Ziel:** Verstehen, was wir wirklich sagen wollen — bevor wir anfangen zu schreiben. **Das Problem:** Die meisten springen direkt zum Schreiben. Aber ohne klare Fragen schreibst du im Kreis. ### Der Prozess Bevor ein einziges Wort geschrieben wird, beantworte diese Fragen: ```markdown ## Thema Was genau will ich behandeln? ## Zielgruppe Wer liest das? Was weiß diese Person bereits? Was weiß sie noch nicht? ## Kernaussage Wenn der Leser nur EINEN Satz mitnimmt — welcher ist es? ## Einzigartiger Blickwinkel Was unterscheidet meinen Beitrag von den 100 anderen zu diesem Thema? ## Gewünschte Reaktion Was soll der Leser nach dem Lesen TUN? (Nicht fühlen — tun.) ## Anti-Ziele Was will ich NICHT in diesem Text? Welche Klischees vermeide ich? ``` ### Warum das funktioniert Diese Fragen sind **Context Engineering** — du gibst der KI (und dir selbst) den Rahmen vor, innerhalb dessen der Text entstehen soll. Ohne diesen Rahmen produziert die KI beliebigen Text. Mit diesem Rahmen produziert sie **deinen** Text. ### Praktisches Beispiel ``` Thema: "Warum 90% aller AI-Prompts Zeitverschwendung sind" Zielgruppe: Vibe-Coder mit 1-3 Monaten Erfahrung Kernaussage: "Der Prompt ist nicht das Problem — der Kontext ist das Problem" Einzigartiger Blickwinkel: Gegenthese zur "bessere Prompts = bessere Ergebnisse" Narrative Gewünschte Reaktion: Leser öffnet Claude Code und überarbeitet seine CLAUDE.md Anti-Ziele: Keine "Top 10 Prompting Tipps"-Liste, kein allgemeines KI-Blabla ``` Das ist der Input für Phase 2. Siehst du den Unterschied zu "Schreib einen Post über Prompting"? ## Phase 2: Research (Exa-Recherche) **Ziel:** Aktuelle, echte Daten und Perspektiven sammeln — nicht auf Trainingsdaten verlassen. **Das Problem:** KI-generierter Content ohne Recherche ist Recycling von Trainingsdaten. Das erkennt jeder Leser. ### Der Prozess Nutze [Exa MCP](/kurs/content-plan) für gezielte semantische Recherche: ``` 1. Suche nach dem Kernthema → Aktuelle Diskussionen finden 2. Suche nach der Gegenthese → Was sagen Kritiker? 3. Suche nach Daten → Zahlen, Studien, Statistiken 4. Suche nach Beispielen → Konkrete Fälle und Case Studies 5. Suche nach Lücken → Was hat noch niemand gesagt? ``` ### Output von Phase 2 Ein Recherche-Dokument mit: - 5-10 relevante Quellen mit Zusammenfassungen - 3-5 konkrete Datenpunkte oder Zitate - 2-3 Perspektiven, die du noch nicht kanntest - 1 überraschende Erkenntnis, die den Text einzigartig macht ### Warum das funktioniert Recherche verankert deinen Text in der Realität. Statt "Viele Experten sagen..." schreibst du "Laut einer Analyse von 10.000 Claude-Code-Sessions...". Das ist der Unterschied zwischen Content und **wertvollem** Content. ## Phase 3: Draft (Mit Stil schreiben) **Ziel:** Den ersten Entwurf erstellen — basierend auf den Fragen und der Recherche. **Das Problem:** Ohne Stilvorlage schreibt die KI im generischen "Hilfreich-Stil". Das ist das Gegenteil von Persönlichkeit. ### Der Prozess Jetzt — und erst jetzt — wird geschrieben. Der Prompt für den Draft: ```markdown ## Kontext [Antworten aus Phase 1 einfügen] ## Recherche [Ergebnisse aus Phase 2 einfügen] ## Stilvorlage [Inhalt von STYLE.md einfügen] ## Aufgabe Schreibe den Text. Folge dem Stil. Integriere die Recherche. Beantworte die Kernfrage. ## Regeln - JEDER Absatz muss einen konkreten Mehrwert bieten - Mindestens 3 Beispiele oder Datenpunkte aus der Recherche verwenden - Hook in den ersten 2 Sätzen - Call-to-Action am Ende ``` ### Der Unterschied Vergleiche die Ergebnisse: **Ohne Pipeline:** > Prompt Engineering ist eine wichtige Fähigkeit in der heutigen KI-Welt. Es ermöglicht uns, bessere Ergebnisse von KI-Systemen zu erhalten. In diesem Artikel zeigen wir Ihnen die wichtigsten Techniken. **Mit Pipeline:** > Dein letzter Prompt war 12 Wörter lang. Du hast 3 Sekunden investiert. Und dann wunderst du dich, warum die KI generischen Müll ausspuckt? Das Problem ist nicht der Prompt. Das Problem ist alles, was VOR dem Prompt passiert — oder eben nicht passiert. Gleiche KI. Gleiche Aufgabe. Komplett anderes Ergebnis. ## Phase 4: Deaify (Die 4 Kritiker) **Ziel:** Alle typischen KI-Muster entfernen und den Text menschlich machen. **Das Problem:** Selbst mit gutem Input und Recherche produziert KI erkennbare Muster. Phase 4 eliminiert sie. ### Die 4 Kritiker Jeder Kritiker prüft den Text aus einer anderen Perspektive: **Kritiker 1 — Rhythmus:** - Sind die Sätze monoton gleich lang? - Gibt es genug Variation (kurz, lang, Fragment, Frage)? - Klingt der Text beim Vorlesen natürlich? **Kritiker 2 — KI-Stempel:** - Enthält der Text typische KI-Phrasen? - "Es ist wichtig zu betonen", "In der heutigen Welt", "Darüber hinaus" - Diese müssen ersetzt werden — jede einzelne **Kritiker 3 — Spezifität:** - Sind die Aussagen konkret genug? - "Viele Unternehmen" → "37% der Fortune-500-Unternehmen" - "Schnellere Ergebnisse" → "In 3 Minuten statt 45 Minuten" **Kritiker 4 — Faktencheck:** - Stimmen die Zahlen? - Sind die Quellen echt? - Gibt es logische Widersprüche? Mehr über die 4 Kritiker erfährst du in der spezialisierten Lektion: [KI-Slop bekämpfen](/kurs/ki-slop-bekaempfen). ### Iterativer Prozess Der Text durchläuft **mindestens 2 Runden** durch alle 4 Kritiker. Jede Runde verbessert den Text messbar. ``` Runde 1: Grobe KI-Muster entfernen Runde 2: Feinschliff und letzte Korrekturen Optional Runde 3: Nur bei komplexen Texten ``` ## Phase 5: Deploy (Queue und Veröffentlichung) **Ziel:** Den fertigen Text in die [Queue](/kurs/automatisierung) legen und veröffentlichen. ### Der Prozess ```markdown 1. Fertigen Text in queue.json ablegen (Status: "review") 2. Metadaten ergänzen (Titel, Tags, Veröffentlichungsdatum) 3. Human-in-the-Loop: Finale Prüfung und Genehmigung 4. Automatische Veröffentlichung zum geplanten Zeitpunkt 5. Performance-Tracking (optional) ``` ### Telegram-Anpassung Für Telegram-Channels musst du den Text anpassen: ```markdown ## Telegram-Regeln - Maximale Länge: 4096 Zeichen - Formatierung: HTML oder Markdown (kein Rich-Text) - Bilder: Optional, aber empfohlen für Engagement - Links: Inline, nicht als separate Zeile - Hashtags: Am Ende, max. 5 ``` ## Die gesamte Pipeline als Skill Hier der fertige Skill, der alle 5 Phasen automatisiert: ```markdown # Content Pipeline ## Beschreibung Erstellt hochwertigen Content durch 5 Phasen: Questions, Research, Draft, Deaify, Deploy. ## Eingabe - Thema oder Kernaussage - Zielplattform (Telegram, Blog, LinkedIn) ## Prozess ### Phase 1: Questions 1. Beantworte die 6 Kontextfragen für das Thema 2. Definiere Zielgruppe, Kernaussage, einzigartigen Blickwinkel 3. Lege Anti-Ziele fest ### Phase 2: Research 4. Führe 3-5 Exa-Suchen durch 5. Sammle relevante Quellen, Daten und Zitate 6. Identifiziere eine überraschende Erkenntnis ### Phase 3: Draft 7. Lies STYLE.md und merke dir den Tonfall 8. Schreibe den Text basierend auf Questions + Research 9. Integriere mindestens 3 Recherche-Ergebnisse ### Phase 4: Deaify 10. Prüfe mit Kritiker 1 (Rhythmus) und korrigiere 11. Prüfe mit Kritiker 2 (KI-Stempel) und korrigiere 12. Prüfe mit Kritiker 3 (Spezifität) und korrigiere 13. Prüfe mit Kritiker 4 (Faktencheck) und korrigiere 14. Zweite Runde durch alle 4 Kritiker ### Phase 5: Deploy 15. Formatiere für die Zielplattform 16. Lege den Text in queue.json ab (Status: "review") 17. Sende Review-Benachrichtigung ## Regeln - KEIN Schritt darf übersprungen werden - Phase 3 darf ERST beginnen, wenn Phase 1 und 2 abgeschlossen sind - Phase 4 MUSS mindestens 2 Runden durchlaufen - Gesamtdauer: 10-15 Minuten ``` ## Subagenten für Parallelisierung Für maximale Geschwindigkeit kannst du die Pipeline parallelisieren: ``` Phase 1 (Questions) → Sequenziell (braucht menschlichen Input) Phase 2 (Research) → PARALLEL (5 Exa-Suchen gleichzeitig) Phase 3 (Draft) → Sequenziell (braucht Ergebnisse von 1+2) Phase 4 (Deaify) → PARALLEL (4 Kritiker gleichzeitig) Phase 5 (Deploy) → Sequenziell (braucht finalen Text) ``` Claude Code kann in Phase 2 und Phase 4 mehrere Subagenten gleichzeitig arbeiten lassen. Das reduziert die Gesamtdauer von 15 auf unter 8 Minuten. ### Subagenten in Aktion ``` Hauptagent: "Starte Phase 2 — Research" ├── Subagent A: Exa-Suche "Kernthema" ├── Subagent B: Exa-Suche "Gegenthese" ├── Subagent C: Exa-Suche "Daten und Studien" ├── Subagent D: Exa-Suche "Beispiele" └── Subagent E: Exa-Suche "Lücken" [Alle gleichzeitig → Ergebnisse zusammenführen] Hauptagent: "Starte Phase 4 — Deaify" ├── Subagent F: Kritiker 1 (Rhythmus) ├── Subagent G: Kritiker 2 (KI-Stempel) ├── Subagent H: Kritiker 3 (Spezifität) └── Subagent I: Kritiker 4 (Faktencheck) [Alle gleichzeitig → Korrekturen zusammenführen] ``` ## Anpassung für verschiedene Plattformen Die Pipeline ist plattformunabhängig. Die Anpassung erfolgt in Phase 5: ### Telegram - Kürze auf 4096 Zeichen - Starker Hook (erste Zeile = Entscheidung über Weiterlesen) - Inline-Links - Emojis sparsam ### Blog/Website - Längere Formate (800-2000 Wörter) - SEO-Optimierung (Keywords, Meta-Description) - Interne Verlinkung zu [Glossar](/glossar) und [Guides](/guides) - Strukturierte Überschriften (H2, H3) ### LinkedIn - Persönliche Perspektive - "Ich habe..."-Format - 150-300 Wörter - Call-to-Action für Engagement ## Zusammenfassung - **Phase 1 (Questions):** Verstehe, was du sagen willst — Context Engineering - **Phase 2 (Research):** Sammle echte Daten mit Exa MCP - **Phase 3 (Draft):** Schreibe mit Stil und Substanz - **Phase 4 (Deaify):** Eliminiere KI-Muster mit 4 Kritikern - **Phase 5 (Deploy):** Queue und veröffentliche - Die Pipeline als **Skill** automatisiert den gesamten Prozess - **Parallelisierung** mit Subagenten halbiert die Dauer Der Schlüssel ist Disziplin: Überspringe keine Phase. Die Qualität des Outputs ist direkt proportional zur Qualität des Prozesses. Als Nächstes tauchen wir tief in Phase 4 ein: [KI-Slop bekämpfen — Der 4-Kritiker-Zyklus](/kurs/ki-slop-bekaempfen).