Alle Insights

Ein Agent, der 50+ Automations-Szenarien überwacht, und was er mir beigebracht hat

Der Agent hat bisher einen Fix selbst angewendet. Das nützlichere Ergebnis ist, wie selten er Claude überhaupt wecken muss.

Eine Beratung betreibt Newsletter, Webinare, Buchungen und Academy auf einem Make-Account mit mehr als 50 Szenarien. Wenn eines nachts ausfällt, merkt es niemand, bis ein Kunde schreibt. Ich habe einen Agenten gebaut, der es zuerst merkt, die Ursache diagnostiziert und repariert, was sich gefahrlos zurücknehmen lässt.

Das Problem am Anfang

Make parkt von sich aus nichts. Ein fehlerhafter Datensatz deaktivierte sein Szenario, und jeder Webhook-Aufruf dahinter wartete in der Schlange. In einem Fall lagen neun Datensätze fünf Tage dort, bevor es jemand sah. Der Schaden war jedes Mal klein und das Muster jedes Mal gleich: eine schlechte Eingabe, ein gestopptes Szenario, ein stiller Rückstau.

Wie der Agent gebaut ist

Ein kurzes Skript läuft alle 15 Minuten und analysiert nichts. Es zählt über die Make-API fehlgeschlagene Läufe und geparkte Bundles. Ist die Zahl null, schreibt es eine Zeile ins Run-Log und hört auf. Es gibt keinen Claude-Aufruf, eine ruhige Viertelstunde kostet also keine Tokens.

Erst wenn das Skript etwas findet, startet es Claude mit einer schriftlichen Routine. Claude liest den Fehler, findet das fehlgeschlagene Modul, ordnet den Fix ein und leitet ihn weiter. Eine Änderung, die sich zurücknehmen lässt, etwa ein korrigiertes Feld-Mapping oder eine Endpunkt-URL, wendet der Agent selbst an, aktiviert das Szenario wieder und prüft, ob Make es noch akzeptiert. Eine Änderung an Daten wartet auf meine Freigabe. Was die Routine nicht kennt, lehnt der Agent standardmäßig ab.

  • Jeder Vorfall geht mit Diagnose in den Team-Chat.
  • Ein einziger Schalter stellt den Agenten auf reines Lesen. Die ersten Wochen liefen in diesem Schattenmodus.
  • Der Agent hält seinen Zustand in zwei Make-Data-Stores und läuft nie doppelt.

Was das Run-Log zeigt

Zwischen dem 31. August und dem 24. Oktober lief die Prüfung 4.792 Mal auf meinem Mac. In 4.710 dieser Läufe fand sie nichts und schrieb ihre Zeile ohne Claude-Aufruf. Die übrigen 82 brachen ab: 64 beim Scan, 18 beim Claude-Aufruf. Das gesamte Log vom 20. Juli bis zum 24. Oktober verzeichnet 101 Incidents und einen Fix, den der Agent am 1. August selbst angewendet hat. Das ist wenig, und ich nenne es so, wie es ist. Die meisten Fehler waren vorübergehend, und die wiederholt Make von selbst. Die eigentliche Arbeit des Agenten ist die kleinere Menge an Fehlern, bei denen Make aufgibt.

Die beste Leistung des Agenten ist in den meisten Nächten, nichts zu tun, und das kostet nichts.

Drei Dinge, die schiefgingen

Erstens lief der Agent drei Wochen gar nicht. Ich hatte ihn als geplanten Claude-Task gebaut, und der Make-Connector, den ich beim Bauen nutzte, existiert in Läufen ohne Oberfläche nicht. Jeder Tick scheiterte. Die Lösung war ein kleiner Helfer, der die Make-REST-API direkt anspricht, mit dem Token im Schlüsselbund. Danach brauchte es den Connector nicht mehr.

Zweitens deaktiviert ein Update über die API das Szenario. Ein Fix, der auf einem abgeschalteten Szenario landet, ist schlimmer als der Fehler. Der Ausführer aktiviert das Szenario jetzt wieder und prüft es, und ein Probelauf an einem Wegwerf-Szenario hat das aufgedeckt, bevor etwas Echtes betroffen war.

Drittens ist mein eigenes Bulk-Skript beim ersten Rate-Limit-Fehler gestorben. Die Make-API erlaubt für die ganze Organisation etwa 60 Anfragen pro Minute, und ein voller Scan von 58 Webhook-Szenarien verbraucht das in Sekunden. Bulk-Läufe takten sich jetzt selbst und warten bei Fehlern ab.

Geparkte Bundles und ein blinder Fleck

Damit ein fehlerhafter Datensatz keine Schlange mehr einfriert, läuft jedes Webhook-Szenario mit einer Dead-Letter-Queue. Das schlechte Bundle wird geparkt, der Rest fließt weiter. Die Nebenwirkung: Ein geparkter Fehler zählt als Warnung und nicht als Fehler, ein reiner Log-Scan sieht ihn also nicht mehr. Der Scan liest deshalb die Zahl geparkter Bundles als zweite Quelle. Das Auflösen geparkter Datensätze bleibt bewusst manuell, weil ein erneuter Versuch dieselben Daten abspielt.

Wo er läuft

Seit dem 25. Oktober läuft die Prüfung als systemd-Timer auf meinem eigenen Server in Wien. Der Mac-Job ist gestoppt, weil zwei Instanzen in dieselben Stores schreiben würden.

Was sich übertragen lässt

Gib einem Agenten eine Prüfung, die nichts kostet, weck den teuren Teil nur bei Beleg und schreib auf, welche Fixes er allein anwenden darf. Der Rest des Designs folgt aus diesen drei Regeln. Die Details der überwachten Plattform stehen in der Case Study zur Automation-Plattform-Architektur.

Hung Mai

Hung Mai ist selbstständiger Berater in Weilmünster (Hessen) und arbeitet meist remote. Er plant, baut und überwacht KI-Automatisierung für Marketing und Vertrieb, für Firmen ohne Digitalteam. Mehr über Hung Mai

Lass uns etwas Echtes aufbauen.

KontaktAntwort innerhalb von 24h.