> ## Content Index
> Fetch the complete content index at: https://www.herrhochhaus.de/llms.txt
> Use this file to discover other available public pages before exploring further.

# Mein Wissens-Workflow Teil 3: Tools, Context und Playbooks
- URL: https://www.herrhochhaus.de/mein-wissens-workflow-teil-3-tools-context-und-playbooks/
- Published: 2026-09-06T12:48:15.000Z
- Updated: 2026-09-06T12:48:15.000Z
- Description: Tools, Harness, Context und Playbooks machen aus einem lokalen LLM erst ein brauchbares Agentensystem. Im dritten Teil zeige ich, wie meine Agenten mit Werkzeugen auf die reale Welt zugreifen, durch klare Regeln fokussiert bleiben und mit Playbooks wiederkehrende Aufgaben strukturiert bearbeiten.
- Author: Stephan Hochhaus
- Tags: digital, arbeiten, computer, ai

In [Teil 1](https://www.herrhochhaus.de/mein-wissens-workflow-teil-1-obsidian/) haben wir meinen Obsidian-Vault angeschaut und in [Teil 2](https://www.herrhochhaus.de/mein-wissens-workflow-teil-2-agentic-power/) meine treuen KI-Agenten, die mir bei der Arbeit helfen. Wie wir zusammenarbeiten ist nunmehr Inhalt dieses dritten Teils.

## Agenten brauchen Tools

KI-Agenten haben als LLM jeden Menge Weltwissen antrainiert bekommen und können als [stochastischer Papagei](https://de.wikipedia.org/wiki/Stochastischer%5FPapagei), der viel scheinbar schlaues Zeug vor sich hinplappern kann, aber zu der realen Welt keinen Zugang hat, hilfreich wirken, aber auch faktenfrei völlig erfundene Geschichten erzählen. Das ändert sich durch die Nutzung von Werkzeugen, zum Beispiel zur Web-Recherche, wenn das vorhandene Weltwissen abgeglichen werden kann und belastbare Quellen für Aussagen gefunden werden.

Nicht jedes (lokale) LLM ist in der Lage, Tools zu verwenden. Die in meinem Setup genutzten (unter anderem [Qwen3.8:27B](https://ollama.com/library/qwen3.8)) sind dazu jedoch problemlos (manche Modelle können tools besser nutzen als andere, Qwen3.8 ist vergleichsweise weit vorne in der Tool-Kompetenz) in der Lage, also will ich ihnen ermöglichen, mit der Welt besser zu interagieren.

Meine Tools umfassen unter anderem eine klassische Websuche: `search_web.py`( mit einer lokalen [SearXNG](https://github.com/searxng/searxng)\-Instanz), die Verarbeitung von Suchergebnissen zu Markdown: `ingest_web.py`, die Suche im Handelsregister für spezielle Recherchen (`search_unternehmensregister.py`) und noch ein paar mehr. Das schöne ist, Agenten können sich ihre Werkzeuge auch selbst schreiben.

## Fähigkeiten richtig einsetzen - Harness

Durch Tools erweitern sich die Fähigkeiten eines Agenten. Dadurch werden sie nützlicher, aber auch deutlicher gefährlicher. Denn ohne die richtige Anleitung, welche Spielregeln für ihre Tätigkeiten gelten, könnten Justus, Peter und Bob auch auf die Idee kommen, einfach den gesamten Vault zu löschen.

Im AI-Umfeld gibt es daher das Konzept eines [Harness](https://github.com/RyanAlberts/best-of-Agent-Harnesses), eines Korsetts, das Agenten klar fokussiert und ähnlich zu [Asimovs drei Gesetzen der Robotik](https://xkcd.com/1613/) versucht, nützlich und vorhersagbar zu halten.

In meinem Umfeld stellt Opencode das klassische Harness. Ergänzt wird es mit klaren System-Prompts, also Anweisungen für jeweils Justus, Peter, Bob und Jelena sowie Konventionen für den Vault-Kontext.

## Context is king

Man muss wissen, dass alle Informationen aus der `AGENTS.md` bei jedem einzelnen Aufruf des LLM mitgeschickt werden. Würde ich jetzt die Beschreibung für alle vier Agenten dort unterbringen, hätte zum Beispiel Bob für eine Recherche-Anfrage schon Unmengen an unsinnigen Inhalt dabei (wie Peter etwas reviewen soll ist für ihn nicht relevant), den er nicht ignorieren kann und der Tokens kostet. Gerade im lokalen Umfeld und wenn Kontext nicht eine Millionen Token umfasst (zwischen 32k und 64k Tokens sind bei meinen Agenten der Umfang des Kurzzeit-Gedächtnisses), dann muss optimiert werden.

Die Architektur und Instruktion der Agenten ist etwas komplexer, daher hilft ein Schaubild:

![](https://www.herrhochhaus.de/content/images/2026/09/mermaid-diagram.png)

Zusammenspiel der einzelnen Elemente für das Agent-Setup mit Opencode in Obsidian

## Playbooks

Nicht nur für Agenten, auch für mich selbst ist es wichtig und notwendig, Klarheit über die Bestandteile einer Aufgabe zu haben. Zum Beispiel gehört für mich zur täglichen Arbeit, Informationen zu einem Kunden zusammenzutragen. Welche Themen treiben ihn gerade an, was für Strategien verfolgt er, wo wird investiert, wo gespart und wie könnte ich ihm helfen, mit meinem Portfolio noch besser zu werden. Um eine solche Recherche zu machen, folge ich immer ähnlichen Schritten. Typisch menschlich aber immer irgendwie mit Abweichungen. Mal lese ich einfach Nachrichten, mal suche ich gezielt bei LinkedIn und Co. In Summe kann ich aber zusammenfassen, wo ich überall schauen und sammeln würde. Ein Agent ist viel fleißiger und gründlicher als ich, also fasse ich sämtliche Schritte, die ich tun *könnte* zusammen. In Form einer Textdatei beschreibe ich einfach, was zu tun ist und welche Ergebnisse dabei herauskommen. Das nenne ich *Playbook*. 

Ich kann meinen Agenten nun klare Anweisung geben, einem bestimmten Playbook zu folgen. Anhand der Namen wird schnell klar, was das so ist:

- **Distill Meeting Notes** \- Aus einem Teams-Transkript die Kernergebnisse herausarbeiten und checken, ob sich daraus Änderungen an Portfolio, People oder Account Notizen ergeben
- **Research Account** \- Basisrecherche zu einem Kunden (Branche, Positionierung, Wettbewerb, IT-Strategie, Nachrichtenmeldungen, Personalwechsel)
- **Identify Account Opportunities** \- Wo passt unser Portfolio? Welche Offerings sollte ich dem Kunden vorschlagen, welche nicht?
- **Perform Self Diagnostics** \- Meine Agenten sind derart komplex, dass sie nach Konfigurationsänderungen nachvollziehbar checken sollen, ob noch alles funktioniert.

## Fazit

Ohne zu sehr auf Details einzugehen, haben wir damit alle Kernbestandteile meines Wissens-Workflows gestreift. Obsidian bildet den Mittelpunkt, die Agenten kommen optional dazu und sorgen für einen gehörigen Produktivitätsboost. Playbooks und Kontext erlauben ein ähnliches Bild von Umwelt und Aufgaben und hiermit lässt sich schon ganz gut arbeiten.