BlogPost Writer Teil 2 – Woche 13

TL;DR

Ich habe meinen BlogPost Writer von einer reinen Blog-Generator-Idee zu einer kleinen, aber nützlichen Content-Pipeline weiterentwickelt: Der Generator hält nun konsistenter die gewünschte Struktur und den Stil ein und erzeugt zusätzlich zum Blogpost auch einen passenden LinkedIn-Post sowie einen kurzen Projektsteckbrief für LinkedIn. Grundlage ist eine lokale Knowledge Base mit Beispiel-Texten aus vergangenen Wochen. Die größten Hürden waren die saubere Kontextführung zwischen Blog und LinkedIn, promptseitige Strukturtreue ohne Copy-Paste aus Beispielen und (überraschend) der Umgang mit Copyright-Schranken beim Befüllen der Knowledge Base. Für das Coding bin ich von ChatGPT auf Claude gewechselt; das Titelbild kam wie gewohnt aus ChatGPT. Den Blogpost, den LinkedIn-Post und den Projekttext für diese Woche habe ich mit dem Tool selbst erstellt.

Vom Bloggenerator zur kleinen Content-Pipeline

Letzte Woche gab es einen ersten funktionsfähigen Stand: Der Generator konnte Blogposts erstellen, allerdings war die Promptstruktur noch nicht stabil genug, um Stil und Gliederung konsistent zu treffen. Außerdem endete der Prozess nach dem Blogpost.

Ziel dieser Woche:

– Prompts so schärfen, dass Struktur, Ton und Format reproduzierbar sind.

– Den Generator erweitern, sodass nach dem Blogpost auch ein LinkedIn-Post (eine oder mehrere Varianten) und ein passender LinkedIn-Projektsteckbrief erzeugt werden.

– Eine kleine, lokal gepflegte Knowledge Base mit Beispieltexten anlegen, um Stil und Erwartungen zu kalibrieren, ohne Inhalte zu kopieren.

– Den Gesamtfluss so gestalten, dass ich ihn für die kommenden Wochen wiederverwenden kann.

Nicht im Scope:

– Kein UI und kein Deployment; das Tool bleibt bewusst ein lokales CLI.

– Keine komplexe Automatisierung über mehrere Dienste; Fokus liegt auf einem robusten, nachvollziehbaren Autor:innen-Workflow.

Meine Anforderungen

Blogposts mit klarer, vorgegebener Struktur und ohne Code-Beispiele erstellen.
Aus einem erzeugten Blogpost 1–3 LinkedIn-Varianten sowie einen kurzen, faktenbasierten Projektsteckbrief generieren.
Strikte Quellenbeschränkung: Nur Projektdateien und die definierte Knowledge Base als Kontext.
Stiltreue an historische Posts, ohne Inhalte zu übernehmen.
Interaktiver Review-Loop: Entwürfe anzeigen, Feedback geben, erneut generieren.
Saubere Dateiorganisation und einfache Wiederauffindbarkeit der Ergebnisse.
Möglichst wenig manuelle Nacharbeit pro Woche.

Mein AI-Workflow

Ich habe mit ChatGPT begonnen, weil das Tool in einer OpenAI-nahen Umgebung läuft, bin dann jedoch fürs Coding zu Claude gewechselt. Claude ist für mich beim strukturierenden Refactoring und bei der Prompt-Feinarbeit der verlässlichere Pairing-Partner. Für das Bildmaterial (z. B. Headerbild) nutze ich weiterhin ChatGPT.

Die zwei kniffligsten Workflow-Punkte diese Woche:

Knowledge Base befüllen: Um frühere Blog- und LinkedIn-Texte als Beispielmaterial lokal zu hinterlegen, musste ich ChatGPT sehr klar vermitteln, dass es sich um meine eigenen Texte handelt. Andernfalls gab es nur Zusammenfassungen aufgrund urheberrechtlicher Vorsicht. Mit dem expliziten Autor:innenhinweis hat die Konvertierung in Markdown dann funktioniert.
Kontextfluss Blog → LinkedIn: Der LinkedIn-Generator bezieht sich auf den zuvor erstellten Blogpost. Das sauber in der CLI zu verankern, sodass immer der richtige, aktuellste Post als Quelle dient, war nicht trivial und brauchte ein paar Anläufe.

Parallel habe ich einige Zeit in die Prompt-Feinabstimmung investiert: Ziel war, dass die Modelle die vorgegebene Struktur strikt einhalten, stilistisch an die historischen Posts anschließen, aber keine Inhalte daraus übernehmen.

Was das Tool kann

👉 Erzeugt einen technischen Markdown-Blogpost auf Basis von Projektkontext und vordefinierter Struktur
👉 Nutzt eine lokale Knowledge Base mit Kontext- und Stilhinweisen
👉Hält sich bewusst an die Regel: keine Code-Snippets im Blogpost; technische Details werden narrativ beschrieben
👉 Startet nach dem Blogpost einen zweiten Schritt, der 1–3 LinkedIn-Varianten erstellt
👉 Erzeugt zusätzlich einen kurzen, faktenbasierten Projektsteckbrief für LinkedIn
👉 Bietet einen interaktiven Review-Loop: Nach jedem Entwurf kann ich Feedback geben und automatisch eine überarbeitete Version generieren lassen
👉 Organisiert Ausgaben in eine klare Ordnerstruktur, jeweils pro Projekt-„Slug“ und mit Zeitstempel

Stack & Tools

CLI-Tooling in Python
LLM-Interaktion über die lokale Umgebung; für die Generierung der Texte nutze ich Modelle aus dem OpenAI-Ökosystem, fürs Coding war Claude mein Hauptpartner.
Knowledge Base als Markdown-Dateien: frühere Blogposts, LinkedIn-Posts und Projekttexte dienen als Stilgrundlage
Arbeitsumgebung lokal auf Windows

Herausforderungen & Learnings

Copyright-Filter: ChatGPT liefert ohne klare Autor:innenbestätigung nur Zusammenfassungen von Websites. Das hat Zeit gekostet, bis ich die richtige Vorgehensweise gefunden hatte, um die Volltexte der alten Blogposts als Markdown zu erhalten.
Kontextkette Blog → LinkedIn: Der LinkedIn-Generator darf inhaltlich ausschließlich aus dem aktuellen Blogpost schöpfen. Das verlangt strikte Promptvorgaben.
Prompttreue und Review-Loops: Ich habe einige Zeit in die Aufforderungen investiert, damit die Modelle die Struktur durchgängig respektieren und den Output sauber in definierte Tags kapseln. Der interaktive Review-Loop macht die Ergebnisse reproduzierbarer und reduziert das Risiko, sich beim ersten Wurf zu verrennen.
Toolwahl im Verlauf: Obwohl ich anfangs bei ChatGPT blieb, war der Wechsel zu Claude für das eigentliche Coding ein Plus. Für Bildmaterial bleibe ich bei ChatGPT.

Keine Live-Demo

Keine Live-Demo. Das Tool ist ein lokales CLI, das ich bewusst ohne Weboberfläche betreibe. Für mich zählt die schnelle, wöchentliche Nutzbarkeit über die Konsole.

Fazit

Woche 13: ✅

Aus einem „ersten Generator“ ist eine kleine, handfeste Content-Pipeline geworden, die Blogpost, LinkedIn-Post und Projektsteckbrief in einem Fluss erzeugt und die Ergebnisse sauber versioniert. Der größte Mehrwert liegt in der Kombination aus klaren Quellenregeln, Stilkalibrierung über eine lokale Knowledge Base und einem Review-Loop, der Iterationen planbar macht.

Ich bin gespannt, was die nächste Woche so mit sich bringt!