Die Leistung
KI-Agenten & Multi-Agenten-Systeme
Für Aufgaben, die mehrere Datenquellen, Rechenschritte und Werkzeuge brauchen. Mit klaren Grenzen und menschlicher Freigabe.
Standortanalyse für einen Self-Storage-Anbieter.
Adresse und Radius rein, Standortreport raus: Wettbewerber, Preise, Fahrzeiten, Demografie und eine KI-Markteinschätzung mit Quellen. Was vorher Tage dauerte, dauert heute Minuten.
- Kontext
- Self-Storage-Anbieter, bundesweit
- Leistung
- KI-Agenten & KI-Automatisierung
- Rolle
- AI Engineer & Fullstack
- Zeitraum
- 2026
- Setup
- Solo, über eine KI-Agentur
01 — Ausgangslage
Jeder neue Standort kostete Tage.
Die Frage dahinter
„Lohnt sich dieser Standort – und wer ist schon da?“
Das Unternehmen wächst und eröffnet regelmäßig neue Standorte. Vor jeder Entscheidung musste das Team recherchieren: Welche Anbieter gibt es im Umkreis, zu welchen Preisen? Wie viele Menschen leben im Einzugsgebiet, mit welcher Kaufkraft? Das lief von Hand, mit teuren Spezial-Tools und tagelanger Arbeit pro Standort.
02 — Lösung
Adresse rein, Report raus.
Eine maßgeschneiderte Anwendung, die alles bündelt, was für eine Standortentscheidung zählt – in einem Report, der sich exportieren lässt.
- 01
Wettbewerber automatisch erfasst
Ein Sprachmodell liest die Websites der Wettbewerber aus und macht daraus strukturierte Standort- und Preisdaten – egal, wie unterschiedlich die Seiten aufgebaut sind.
- 02
Preise, die man vergleichen kann
Wochen-, Vier-Wochen- und Bruttopreise werden umgerechnet: Euro pro Quadratmeter und Monat, netto.
- 03
Fahrzeit und Demografie
Echte Pkw-Fahrzeiten zu jedem Wettbewerber, dazu Einwohner, Haushalte, Kaufkraft und Altersstruktur für sechs Einzugsgebiete.
- 04
Ein Agent, der weiterrecherchiert
Im Hintergrund sucht ein Deep-Research-Agent nach weiteren Wettbewerbern, Preistrends und Markt-Insights – jeweils mit Quellen.
03 — Architektur
Von der Adresse zum Report.
Vereinfacht. Eigene Wettbewerbsdaten, externe Geo-Dienste und ein KI-Agent fließen in einen Report.
A · Wettbewerb
Scraping
Liest Wettbewerber-Websites, ein LLM extrahiert Standorte und Preise.
LiteLLM · je Anbieter
Aktualisierung
Hält die Wettbewerbsdaten automatisch aktuell.
APScheduler
B · Basis
Datenbank
Wettbewerber, Preise in €/m² netto, Umkreissuche.
PostgreSQL
Backend
Geocoding, Report-Logik, Export.
Python · FastAPI
C · Anreicherung
Research-Agent
Sucht weitere Wettbewerber, Preistrends und Markt-Insights, mit Quellen.
Gemini Deep Research
Fahrzeiten
HEREDemografie
ArcGISD · Report
Report-Ansicht
Adresse und Radius rein, Karten und Tabellen raus.
React · Leaflet
Excel-Export
Mehrseitig, für die interne Weiterarbeit.
XLSX
E · Hintergrund
Der Report steht sofort. Die Tiefenrecherche des Agenten läuft asynchron und ergänzt ihn danach.
04 — Meine Rolle
Vom Workshop bis zum Betrieb.
Dazugeholt von einer KI-Agentur, die den Auftrag hielt. Konzeption, Entwicklung und Betrieb lagen bei mir.
- 01
Workshop
Anforderungen und Produktvision gemeinsam mit dem Kunden erarbeitet.
- 02
Kern zuerst
Wettbewerbsanalyse als erste Ausbaustufe: Scraping, Extraktion, Preisvergleich.
- 03
Schritt für Schritt
Dann Fahrzeiten, Demografie und der Research-Agent. Jede Stufe sofort nutzbar.
- 04
Betrieb
Automatische Datenaktualisierung, containerisiert ausgerollt.
05 — Ergebnis
Was sich verändert hat.
Der Kunde ist anonymisiert, die Wirkung nicht.
- Von Tagen auf Minuten
- Eine Standortanalyse, die vorher tagelange Handarbeit war, entsteht in Sekunden bis wenigen Minuten.
- Tool-Abos abgelöst
- Externe Datentools im Wert mehrerer Tausend Euro pro Jahr werden nicht mehr gebraucht.
- Mehr als vorher
- Wettbewerb, Preise, Erreichbarkeit, Demografie und Marktanalyse in einem Report. Standorte lassen sich vergleichen – und in Serie prüfen.
06 — Technik
Der Stack.
Für technische Leser, Teams und Agenturen.
- KI & Agenten
- LiteLLM (modellunabhängig), Google Gemini Deep Research
- Backend
- Python, FastAPI, SQLAlchemy 2.0, APScheduler
- Daten & Geo
- PostgreSQL, HERE Matrix Routing, ArcGIS GeoEnrichment
- Oberfläche
- React 19, Vite, Tailwind CSS 4, Leaflet
- Betrieb
- Docker, Alembic-Migrationen, Excel-Export
Technische Details
Wie Scraping, Geo-Analyse und Research-Agent im Detail gebaut sind.
Scraping mit Strategy-Pattern
Je Anbieter eine Scraping-Strategie, ein Link-Filter und ein Scraper. Als universeller Extraktor dient ein LLM über LiteLLM, also modellunabhängig. Bereinigter HTML-Text wird zu strukturiertem JSON, typische LLM-Fehler werden automatisch korrigiert, fehlgeschlagene Extraktionen wiederholt.
Umkreis in der Datenbank, Fahrzeit über HERE
Nahe Wettbewerber findet eine Haversine-Berechnung direkt in der Datenbank. Die echten Pkw-Fahrzeiten kommen über die HERE Matrix-Routing-API und stehen im Report, etwa „25 Min“.
Sechs Einzugsgebiete parallel
ArcGIS GeoEnrichment reichert jeden Standort parallel für 10, 20 und 30 Minuten Fahrzeit sowie 5, 25 und 50 Kilometer Radius an. Kaufkraft gibt es gesamt, pro Kopf und als Index zum Bundesdurchschnitt, die Bevölkerung nach Altersgruppen.
Tiefenrecherche mit Status-Tracking
Der Research-Agent auf Basis von Google Gemini Deep Research läuft asynchron, mit Status-Tracking. Neben bislang unbekannten Wettbewerbern, geschätzten Preisen und Preistrends liefert er ein Management-Summary, jeweils mit Quellen.
Scheduler getrennt von der API
Ein eigener APScheduler-Dienst hält die Wettbewerbsdaten aktuell, ohne die Performance der API zu beeinträchtigen. Der Excel-Export hat eigene Blätter für Wettbewerber, Marktanalyse, Demografie und Karten.
07 — Weiter
Mehr davon.
So baue ich KI-Agenten
Ähnliches Projekt
KI-Assistent für das Wissen einer Schule
Internes Wiki und ein juristisches Nachschlagewerk mit rund 1.400 Seiten als Chat mit Quellenangaben. Allein umgesetzt, bis in den Betrieb.
Projekt anfragen
Welche Recherche frisst bei dir Tage?
Schreib mir in zwei, drei Sätzen, worum es geht. Du bekommst innerhalb eines Werktags eine ehrliche Einschätzung – auch wenn sie lautet, dass du gar keine KI brauchst.