Content Scout (v2, generisch)

Zweck

Aus Marktsignalen (RSS, Web, Trends) tägliche oder wöchentliche Post-Drafts produzieren, die zur Positionierung des Users passen und SEO-relevant sind. Themen, Quellen, Output, Brand-Voice und Frequenz kommen aus config.md neben diesem Skill. Der Skill bleibt portabel.

Phase 0: Setup laden

config.md aus demselben Ordner laden.
- Wenn nicht vorhanden ODER User-Argument ist setup: lade SETUP_WIZARD.md aus demselben Ordner und folge dem Wizard-Ablauf. Wizard schreibt am Ende config.md. Danach mit Schritt 2 weitermachen.
- Wenn vorhanden: lesen und parsen.
Master-Rules laden, sofern im Vault vorhanden (05_System/_about/master-rules.md). Wenn nicht vorhanden: weiter.
Brand-Referenz aus Config laden (z.B. brand.md).

Aus Config lesen:

themes: Liste der Kernthemen mit Keywords
sources: RSS-Feeds, Websites, optionale Crawl-Targets
output_path: Wohin geschrieben wird
frequency: daily | weekly
drafts_per_run: Anzahl Post-Drafts pro Lauf
channels: Liste von Kanälen (linkedin, x, blog, newsletter)
brand_voice_ref: Pfad zur Brand-Datei
language: de | en
min_signal_score: Schwelle 0 bis 4
keyword_sources: welche Tools für Keyword-Recherche aktiviert sind (ahrefs, similarweb, pytrends, perplexity)
competitor_domains: optionale Domain-Liste für SimilarWeb-Benchmarking

Phase 1: Quellen scannen

Für jede Quelle in sources:

RSS-Feeds (Priorität 1)
- Tool: firecrawl_scrape mit URL des Feeds, formats: ["markdown"]
- Fallback: web_fetch
- Items der letzten N Stunden (daily = 24h, weekly = 168h)
- Extrahiere: Titel, URL, Veröffentlichungsdatum, Snippet
Web-Quellen (Priorität 2)
- Tool: firecrawl_scrape einzelne Seiten, oder firecrawl_crawl für Sektionen
- Nur wenn in Config explizit gelistet
Optional: Perplexity Reasoning
- Tool: perplexity-mcp mit Fokus-Thema, wenn User Argument übergeben hat
- Liefert kuratierte aktuelle Quellen

Cap: max 50 Roh-Items pro Lauf. Mehr wird gestaucht, nicht erweitert.

Phase 2: Themen-Match (Relevanz-Filter)

Pro Item:

Match gegen themes[].keywords (case-insensitive, Whole-Word + Stemming light)
Score 0 bis 4 nach Kriterien:
1. Themen-Match in Titel oder Snippet
2. Aktualität (innerhalb der Frequenz-Fenster)
3. Substanz (Daten, Studie, Case, konkrete Zahl, namhafte Quelle, nicht reine Meinung)
4. Actionability (kann daraus ein Post werden mit eigenem Take)

Nur Items mit Score >= min_signal_score (default 3) weiter.

Phase 3: SEO und Keyword-Check (Cascade)

Für die Top N Items (N = drafts_per_run x 2, für Auswahl). Skill nutzt die beste verfügbare Datenquelle aus der Cascade. Bei jeder Stufe wird geprüft ob das Tool authentifiziert ist (sonst skip).

Cascade-Reihenfolge (beste Daten zuerst)

Stufe 1: Ahrefs (wenn keyword_sources.ahrefs: true und MCP authentifiziert)

Tool: mcp__plugin_marketing_ahrefs__*
Pro Themen-Cluster: Keyword Volume, Difficulty, Related Keywords mit Volumen
Output: harte Suchvolumen-Zahlen, SEO-Difficulty pro Keyword
Ergebnis: priorisierte Keyword-Liste mit Volume und Difficulty Score

Stufe 2: SimilarWeb (wenn keyword_sources.similarweb: true und MCP authentifiziert)

Tool: mcp__plugin_marketing_similarweb__*
Pro Domain in competitor_domains (oder Branchen-Auto-Discovery): Top Keywords der Konkurrenz, Traffic-Trends, Branchen-Benchmarks
Output: Themen die in der Branche aktuell Traffic ziehen
Ergebnis: Themen-Discovery + Konkurrenz-Keywords

Stufe 3: pytrends (Google Trends) (wenn keyword_sources.pytrends: true)

Bash: pip install pytrends --break-system-packages (einmalig)
Für jeden Themen-Cluster: interest_over_time der letzten 30 Tage, related_queries, trending_searches im Zielmarkt (geo aus Config)
Output: Rising-Queries, Top-Queries pro Cluster, Trend-Richtung

Stufe 4: Perplexity (wenn keyword_sources.perplexity: true oder als Fallback)

Tool: mcp__perplexity-mcp__search mit Query "what are people searching about [topic] right now [Jahr] in [geo]"
Output: qualitative Trending-Signale, kuratierte Quellen
Auch nützlich für Reasoning warum ein Thema gerade hochkommt

Stufe 5: Config-Backup-Keywords

Aus jedem Theme die backup_keywords als Floor
Wird immer als Sicherheit hinzugefügt, auch wenn andere Stufen Daten liefern

Datenfusion

Pro Themen-Cluster:

Sammle alle Keywords aus aktiven Stufen
Dedupliziere (case-insensitive)
Wenn Ahrefs Daten hat: sortiere nach volume / max(difficulty, 1) (Sweet Spot)
Wenn nur Trends/Perplexity: sortiere nach "Rising"-Flag, dann Trend-Slope
Cap: max 20 Keywords pro Cluster für weitere Verarbeitung

Keyword-Set pro Draft zusammenbauen

1 Primary Keyword (höchstes Volume bei akzeptabler Difficulty, oder stärkstes Rising-Signal)
2 bis 3 Secondary Keywords (Related Queries oder mittleres Volumen)
3 bis 5 Hashtags (für LinkedIn/X), wenn Config Hashtags zulässt
Nur Keywords aufnehmen die echtes Suchvolumen, Rising-Signal oder qualitative Bestätigung haben
Im Output markieren welche Quelle das Keyword geliefert hat (Ahrefs/SimilarWeb/Trends/Perplexity/Config)

Fehlerbehandlung Cascade

Tool nicht auth oder Error: Stufe skip, weiter mit nächster
Alle Stufen 1 bis 4 fehlgeschlagen: Stufe 5 (Config-Backup) als alleinige Quelle, im Output prominent markieren
Log welche Stufen genutzt wurden in scout-runs.jsonl

Phase 4: Draft-Erstellung

Aus Top-Items die besten drafts_per_run auswählen. Für jeden Draft:

Lade Brand-Voice (brand_voice_ref).
Pro Channel in channels einen Draft erzeugen.
Struktur Draft:
- Hook (1 Satz, scharf, ohne Smalltalk)
- Substanz (2 bis 4 Sätze: was, warum, was bedeutet das)
- Take (1 Satz, eigene Sicht, kein Hedging)
- CTA oder Frage (1 Satz, optional)
- Keywords organisch eingebaut, nicht angeklebt
- Hashtags am Ende (nur wenn Channel und Config das wollen)
Channel-spezifische Constraints:
- X: max 280 Zeichen, kein Hashtag-Spam, max 2 Hashtags
- LinkedIn: 800 bis 1300 Zeichen optimal, Zeilenumbrüche für Lesbarkeit, max 5 Hashtags, erste Zeile = Hook (Above-the-Fold)
- Blog: 500 bis 1500 Wörter, H2-Struktur, Keyword in Title und ersten 100 Wörtern
- Newsletter: persönlicher Ton, kein Hashtag
Brand-Voice-Regeln einhalten (aus brand_voice_ref): keine Em-Dashes, keine Verbots-Wörter, Sprache aus Config.

Phase 5: Output schreiben

Datei: {output_path}/[YYYY-MM-DD] Content Drafts.md

Struktur:

# Content Drafts [Datum]

## Quelle-Übersicht
- Gescannte Quellen: [N]
- Roh-Items: [N]
- Nach Filter: [N]
- Draft-Kandidaten: [N]
- Keyword-Quellen genutzt: [Ahrefs|SimilarWeb|Trends|Perplexity|Config]

## Trend-Snapshot
- Rising Keywords [Markt]: [Liste]
- Top Themen heute: [Liste]
- Branchen-Keywords (SimilarWeb, optional): [Liste]
- Hartes Volumen (Ahrefs, optional): [Top 5 Keywords mit Volume und Difficulty]

---

## Draft 1: [Working Title]

**Quelle:** [URL]
**Veröffentlicht:** [Datum]
**Themen-Match:** [Theme-Name]
**Signal-Score:** [X/4]
**Primary Keyword:** [Wort] (Source: [Ahrefs|SimilarWeb|Trends|Perplexity|Config], Volume: [N], Difficulty: [N])
**Secondary Keywords:** [Liste mit Source-Tags]

### LinkedIn Draft
[Volltext]

Hashtags: [Liste]

### X Draft
[Volltext, max 280]

---

## Draft 2: [...]
[...]

---

## Archiv (nicht gedraftet, evtl. später)
- [Item Titel] -> [URL] (Score X/4)

Phase 6: Chat-Zusammenfassung

Kurz im Chat:

Anzahl gefundener Signale
Top 1 Draft als Vorschau (LinkedIn-Version)
Link zur vollständigen Datei
Hinweis auf Trend-Snapshot

Keine vollständige Wiederholung. Detail in der Datei.

Phase 7: Logging

Run-Log schreiben nach Pfad in dieser Reihenfolge:
- Wenn scout_log_path in Config gesetzt: dort
- Sonst wenn 05_System/memory/ existiert (Obsidian-Vault-Setup): `05_System/memory/scout-runs.j

content-scout