Conversion · Tag 1
Sponsoring-Scout
Pipeline filtern, Fit-Score 0–100, Top-5 mit Pitch-Hook. B2B-Sie-Ansprache.
/sponsoring-scoutDetails →Fiktive Modellfirma im AI-PA Bildungskontext — keine echte Marke
// HERMES SKILLS · 6 WORKFLOWS
Das Agenten-Team
Sechs vorkonfigurierte KI-Workflows für Yellow Bee — vom Sponsoring-Scout bis zum Weekly Report. Tag 1: Cockpit (bedienen). Tag 2: Werkstatt (bauen). Zahlen nur aus Stub-Daten.
// SETUP
Diese Agenten sind Hermes-Skills und müssen einmal installiert/registriert werden — per ./scripts/install-workshop-skills.sh (13 Skills + 3 Bundles nach ~/.hermes/).
Sechs Agenten
Content · Layer 1
Content-Researcher
Fakten aus athletes.json, Research Brief mit Hook + 3 Key Facts.
content-researcherDetails →
Content · Layer 2
Content-Writer
Draft für LinkedIn, Instagram, TikTok, Twitter — kanalspezifische Länge.
content-writerDetails →
Content · Layer 3
Content-Editor
Brand Voice, Tabu-Check, Final Post + Änderungslog.
content-editorDetails →
Analyse · Tag 2
Reporting-Agent
Weekly KPI-Report aus marketing-weekly.json — Zahlen nur aus Stub-Daten.
/reporting-agentDetails →
Bundle · Tag 1 · Lab 2
Content-Pipeline
Orchestriert Researcher → Writer → Editor in einem Aufruf.
/content-pipelineDetails →Sponsoring-Scout
Findet und bewertet Sponsoring-Partner für Racing, Events und Lifestyle — aus 40 Stub-Leads mit Fit-Score und Pitch-Hook.
Tag 1 · Lab 1Layer: ConversionHermes Skill
When to Use
- Sponsoren finden für Formel-E, Extremsport, Urban Sports
- Pipeline filtern (Tier A / B / C)
- Fit-Score und Pitch-Hooks generieren
Datenquellen
data/sponsors-pipeline.json— 40 Leadsdata/sponsor-criteria.md— Fit-Score
Procedure
- Lead-Daten laden — fertig, wenn alle 40 Leads eingelesen sind.
- Filtern: stage ≠ disqualified, Budget-Schwelle, DACH bevorzugt — fertig, wenn jede verbleibende Zeile die Kriterien erfüllt.
- Fit-Score 0–100 je Lead berechnen — fertig, wenn jeder Lead genau einen Score hat.
- Top 5 als Tabelle mit Pitch-Hook — fertig, wenn 5 Zeilen mit Score, Budget und je einem Pitch-Satz stehen.
Test-Prompt
/sponsoring-scout Für unsere Formel-E-Saison in DACH: finde die 5 stärksten Sponsoren. Budget ≥ 80k, keine Wettanbieter. Als Tabelle mit Fit-Score und Pitch-Hook.
Modelliert die 4 Bausteine — Kontext · Aufgabe · Grenzen · Format.
Verification
Mindestens 3 qualifizierte Leads mit Score ≥ 60. FlashBet und Campus Energy Drinks nie empfehlen.
SKILL.md — kopierbar
---
name: sponsoring-scout
description: Findet und bewertet Sponsoring-Partner aus der Pipeline. Nutzen, wenn Sponsoren für Racing/Events/Lifestyle gesucht, gefiltert oder mit Fit-Score bewertet werden sollen.
---
# Sponsoring-Scout
## When to Use
- Sponsoren finden für Formel-E, Extremsport, Urban Sports
- Pipeline nach Tier A/B/C filtern
- Fit-Score und Pitch-Hooks erzeugen
## Data
- data/sponsors-pipeline.json # 40 Leads
- data/sponsor-criteria.md # Fit-Score-Kriterien
## Procedure
1. Lead-Daten laden. Fertig, wenn alle 40 Leads eingelesen sind.
2. Filtern: stage != disqualified, Budget-Schwelle, DACH bevorzugt. Fertig, wenn jede Zeile die Kriterien erfüllt.
3. Fit-Score 0-100 je Lead berechnen. Fertig, wenn jeder Lead genau einen Score hat.
4. Top 5 als Tabelle mit Pitch-Hook. Fertig, wenn 5 Zeilen mit Score, Budget und Pitch-Satz stehen.
## Verification
- Mindestens 3 Leads mit Score >= 60.
- FlashBet und Campus Energy Drinks nie empfehlen.Content-Pipeline
Orchestriert drei Layer-Skills sequenziell — ein Aufruf, ein publish-ready Post.
Tag 1 · Lab 2Skill Bundle
researcher→writer→editor
Bundle-Inhalt
content-researchercontent-writercontent-editor
Installiert nach ~/.hermes/skill-bundles/content-pipeline.yaml
Test-Prompts
/content-pipeline Schreibe einen LinkedIn-Post für Mia Kowalski nach ihrem P3 in Monaco
/content-pipeline TikTok-Script für Jonas Meier nach Berlin Urban Series
Subagents (Hands)
Trainer-Demo mit delegate_task: drei leaf-Subagents parallel für Research, Draft, Edit.
Verification
Ergebnis ist publish-ready: Hook in den ersten 2 Zeilen, Länge passend zum Kanal, max 5 Hashtags, kein Tabu-Verstoß — sonst geht der Editor-Schritt zurück.
Bundle-Definition — kopierbar
# content-pipeline.yaml — Skill-Bundle
name: content-pipeline
description: Researcher -> Writer -> Editor in einem Aufruf. Nutzen, wenn aus einem Anlass ein publish-ready Social-Post entstehen soll.
steps:
- content-researcher # Fakten & Angle
- content-writer # kanalspezifischer Draft
- content-editor # Brand Voice, Politur, Final
# Verification
# Publish-ready: Hook in den ersten 2 Zeilen, Laenge passend zum Kanal,
# max 5 Hashtags, kein Tabu-Verstoss — sonst zurueck an den Editor.Content-Researcher
Layer 1 der Content-Pipeline — sammelt Fakten, Kontext und Angle für Athleten-Posts.
Tag 1 · Lab 2Pipeline Layer 1
When to Use
Erster Schritt vor Writer / Editor. Research Brief mit Hook, 3 Facts und Kanal-Empfehlung.
Datenquellen
data/athletes.json— 12 Athletendata/content-calendar.json
Output: Research Brief
- Hook-Fakt (1 Satz)
- 3 Key Facts
- Zielgruppe + Kanal-Empfehlung
- Tabu-Check (brand_voice)
Procedure
- Athlet + Anlass aus
athletes.json/content-calendar.jsonladen — fertig, wenn beide Quellen gelesen sind. - Einen Hook-Fakt und 3 Key Facts wählen — fertig, wenn jeder Fakt durch die Quelle gedeckt ist.
- Zielgruppe + Kanal empfehlen, Tabu-Check — fertig, wenn ein Kanal genannt und die brand_voice geprüft ist.
Verification
Jeder Fakt stammt aus athletes.json — keine erfundenen Ergebnisse. Der Brief enthält Hook + genau 3 Facts + Kanal-Empfehlung.
Im Bundle
Wird von /content-pipeline automatisch als Schritt 1 aufgerufen.
/content-pipeline LinkedIn-Post für Mia Kowalski nach Monaco P3
SKILL.md — kopierbar
---
name: content-researcher
description: Sammelt Fakten und Angle für Athleten-Posts (Layer 1 der Content-Pipeline).
---
# Content-Researcher
## When to Use
Erster Schritt vor Writer/Editor: Research Brief mit Hook, 3 Facts und Kanal-Empfehlung.
## Data
- data/athletes.json # 12 Athleten
- data/content-calendar.json
## Procedure
1. Athlet + Anlass laden. Fertig, wenn beide Quellen gelesen sind.
2. Hook-Fakt + 3 Key Facts waehlen. Fertig, wenn jeder Fakt durch die Quelle gedeckt ist.
3. Zielgruppe + Kanal empfehlen, Tabu-Check. Fertig, wenn Kanal genannt und brand_voice geprueft ist.
## Output: Research Brief
Hook-Fakt (1 Satz) - 3 Key Facts - Zielgruppe + Kanal - Tabu-Check.
## Verification
Jeder Fakt aus athletes.json, keine erfundenen Ergebnisse. Genau Hook + 3 Facts + Kanal.Content-Writer
Layer 2 — schreibt kanalspezifische Drafts aus dem Research Brief. Du-Ansprache in Social.
Pipeline Layer 2
Kanal-Regeln
- LinkedIn: 150–250 Wörter, professionell-energetisch
- Instagram: 80–120 Wörter
- TikTok: Hook in 3 Sekunden, 40–60 Wörter
- Twitter: Thread 3–5 oder Single 280 Zeichen
Tabu
Keine Gesundheitsversprechen. Keine erfundenen Wettkampfergebnisse. Hashtags aus brand_voice.
Verification
Länge im Kanal-Limit, Hook zuerst, kein Gesundheitsversprechen, Hashtags aus brand_voice — sonst zurück an den Writer.
Test-Prompt (einzeln)
content-writer Schreibe aus dem Research Brief einen LinkedIn-Draft für Mia Kowalski (P3 Monaco). 150–200 Wörter, du-Ansprache, ein klarer CTA.
SKILL.md — kopierbar
---
name: content-writer
description: Schreibt kanalspezifische Post-Drafts aus dem Research Brief (Layer 2).
---
# Content-Writer
## Kanal-Regeln
- LinkedIn: 150-250 Woerter, professionell-energetisch
- Instagram: 80-120 Woerter
- TikTok: Hook in 3 Sekunden, 40-60 Woerter
- Twitter: Thread 3-5 oder Single 280 Zeichen
## Verification
Laenge im Kanal-Limit, Hook zuerst, keine Gesundheitsversprechen,
Hashtags aus brand_voice.Content-Editor
Layer 3 — poliert den Writer-Draft: Brand Voice, Länge, CTA — publish-ready Final Post.
Pipeline Layer 3
Checkliste
- Hook in den ersten 2 Zeilen?
- Länge passend zum Kanal?
- Hashtags max 5?
- CTA klar (Follow, Event-Link)?
- Tabu-Liste grün?
Output
Final Post + Änderungslog (3 Bullets, was geändert wurde).
Test-Prompt (einzeln)
content-editor Poliere diesen LinkedIn-Draft: [Draft einfügen]. Hook in Zeile 1, max 5 Hashtags, klarer CTA.
SKILL.md — kopierbar
---
name: content-editor
description: Poliert den Draft zum publish-ready Final Post (Layer 3).
---
# Content-Editor
## Checkliste (Verification)
- Hook in den ersten 2 Zeilen?
- Laenge passend zum Kanal?
- Hashtags max 5?
- CTA klar (Follow, Event-Link)?
- Tabu-Liste gruen?
## Output
Final Post + Aenderungslog (3 Bullets: was geaendert wurde).Reporting-Agent
Wöchentlicher Marketing-Report aus Stub-KPIs — Zahlen nur aus JSON, keine Schätzungen.
Tag 2 · Live-BuildLayer: Analyse
Datenquellen
data/generated-analytics/marketing-weekly.json- Optional:
data/sponsors-pipeline.json
Report-Sektionen
- Executive Summary
- KPI-Tabelle
- Channel Highlights
- Top 3 Posts
- Sponsoring Pipeline
- Alerts & Empfehlungen
Stichprobe W26
social_reach = 2.840.000 · new_leads_b2b = 34 · content_pieces = 18
Verification
Keine Zahl ohne Quelle in marketing-weekly.json. Fehlt ein Wert, wird er als „—“ markiert statt geschätzt.
Test-Prompt
/reporting-agent Erstelle den Marketing-Weekly-Report für W26
Tag 2 Lernziel
Live-Build: Skill verstehen, testen, erweitern — oder eigenen Report-Skill bauen.
SKILL.md — kopierbar
---
name: reporting-agent
description: Erstellt den woechentlichen Marketing-KPI-Report aus Stub-Daten.
---
# Reporting-Agent
## Data
- data/generated-analytics/marketing-weekly.json
- optional: data/sponsors-pipeline.json
## Report-Sektionen
Executive Summary, KPI-Tabelle, Channel Highlights,
Top 3 Posts, Sponsoring Pipeline, Alerts + Empfehlungen.
## Verification
Keine Zahl ohne Quelle in marketing-weekly.json.
Fehlt ein Wert, wird er als "-" markiert statt geschaetzt.
// PIPELINE-ARCHITEKTUR
Researcher → Writer → Editor
content-researcher
→
content-writer
→
content-editor
Als Bundle: /content-pipeline · Subagents (Hands): delegate_task
// WORKSHOP · 2 TAGE · 8 ÜBUNGEN
Übungen zum Mitmachen
Alle Übungen mit kopierbaren Prompts — direkt in Hermes Agent einfügen. Aufgeteilt auf zwei Tage: Cockpit (bedienen) und Werkstatt (bauen).
Steuere die Marke. Mit KI.
Sechs vorkonfigurierte Agenten und acht Übungen — Sponsoring, Content und Reporting auf den Yellow-Bee-Stub-Daten. Tag 1 bedienen, Tag 2 bauen.