Commercial · Google-Ads-SEM-Kampagnensteuerung

sem-agentic

Google-Ads-Budget läuft nur dann effizient, wenn Kampagnensteuerung und Wirkungsmessung zusammenspielen. Augur ist der gebaute Beleg für die Steuerungsseite.

Google SEM · Workflow in 5 Schritten

1. Keyword-Recherche

2. Kampagnenstruktur

3. Anzeigentexte

4. Gebotsstrategie

5. Optimierung & Analyse

Ein agentisches System, das in diesem Workflow analysiert und Optimierungen vorschlägt.

Scale Maintain Investigate Pause

Zielsetzung

Google-Ads-Budget wirkt nur, wenn Kampagnensteuerung und Wirkungsmessung zusammenspielen.

Augur ist der gebaute Beleg für die Steuerungsseite: ein Multi-Agent-System, das Keyword-Strategie, Performance-Analyse und budgetrelevante Empfehlungen für eine Google-SEM-Kampagne durchgängig abbildet — mit derselben Mess-Disziplin, die signal-steering auf der Auswertungsseite zeigt.

Vorgehen

Fünf validierte Agenten, ein Coordinator mit Selbstprüfung, gestufter Rollout.

Jeder Agent erzeugt begründete Vorschläge und wird passend zu seinem Ergebnis geprüft: Shadow-Log und Human Review, LLM-as-a-Judge oder Hypothesentests. Ein Strategy-Coordinator verdichtet die Ergebnisse zu einer nachvollziehbaren Empfehlung. Deterministische Logik, wo die Regeln klar sind; ein LLM nur dort, wo es Mehrwert bringt. Die Ausführung läuft stufenweise: Shadow → Sandbox → Limited Live → Autonomous.

Build vs. Buy

Risiko vor Autonomie einführen, statt eine fertige Lösung blind zu kaufen oder ungeprüft selbst zu bauen.

Der Simulation/Production-Mode-Switch und das 5-Stufen-Rollout-Modell (Shadow-Analyse → Shadow-Implementation → Sandbox → begrenzte Live-Schaltung → autonome Operation) sind die Architektur-Antwort auf genau diese Frage. Stufen 1–2 sind umgesetzt, 3–5 sind dokumentierte Erweiterungspunkte, kein Live-Betrieb. Welche Vorschläge übernommen werden und ab welcher Stufe ein Agent autonom handeln darf, bleibt eine bewusst gesetzte, menschliche Entscheidung.

Belegt

Agentisches SEM-System als laufender Pilot
Validierung je Agent und koordinierte Verdichtung
Dokumentierte Evaluation (ADRs, Eval-Framework, Audit)

Nicht belegt · ausgeklammert

Autonomer Live-Betrieb
Wirkung im Maßstab
Performance-Grundlage teils synthetisch
Ausführung in frühen Rollout-Stufen, unter menschlicher Kontrolle

Augur Operator-Dashboard, die Streamlit-Oberfläche eines vollständigen Coordinator-Runs: KPI-Cards, Pipeline-Status, Recall-Verlauf, Critique-Ergebnisse und die priorisierten Cluster-Actions.

Augur Operator-Dashboard mit KPI-Cards, Pipeline-Status, Recall-Verlauf, Critique-Ergebnissen und priorisierten Cluster-Actions

Augur · Architektur

Multi-Agent-System mit gestufter Validierung

Fünf spezialisierte Agenten produzieren Vorschläge mit Begründung. Jeder Agent durchläuft eine Validierungs-Schicht, die zu seiner Ergebnisart passt. Der Strategy-Coordinator verdichtet die Ergebnisse mit Selbstprüfung zu einer auditfähigen Empfehlung.

Brief NordicGlow Skincare D2C, DACH-Markteintritt

Research-Agent

Keyword-Discovery aus Markt-Daten

ToolDataForSEO API

PatternReAct mit Tool-Loop

CheckShadow Log + Human

Cluster-Agent

Semantisches Keyword-Clustering

ToolEmbedding + pgvector

PatternVector-Similarity

CheckLLM-as-a-Judge

Performance-Analyst

Daten-Analyse, Hypothesen-Tests

ToolSQL + Statistik-Libs

PatternHypothesis-Testing

CheckHistorisches Backtest

Copy-Agent

Ad-Copy mit Brand-Voice

ToolLLM + Brand-Prompt

PatternConstrained Generation

CheckJudge + Human-Review

Strategy-Coordinator

Verdichtet die vier Agent-Outputs zu einer kohärenten Strategie-Empfehlung. Führt eine Selbstprüfung durch, identifiziert Widersprüche, fordert Nachbesserung an, dokumentiert Confidence und offene Risiken.

Self-Reflection-Pattern Python + LangGraph Confidence-Scoring Audit-Trail

Proposal Cluster + Budget + Copy + Risiken, strukturiert & auditfähig

Architektur-Prinzip: Proposal Generation, nicht Action Execution. Execution ist eine separate Schicht mit Stufen-Rollout (Shadow → Sandbox → Limited Live → Autonomous).

Daten-Fundament

PostgreSQL + pgvector

DataForSEO Live-Daten

Synthetic Performance-Daten (90 Tage)

n8n Workflow-Orchestrierung

Tool Was der Agent aufruft

Pattern Reasoning-Strategie

Check Validierungs-Methode

Build vs. Buy als Architekturentscheidung

Der Simulation/Production-Mode-Switch und das 5-Stufen-Rollout-Modell (Shadow-Analyse → Shadow-Implementation → Sandbox-Test → begrenzte Live-Schaltung → autonome Operation) sind keine Nebensache, sondern die eigentliche Architektur-Antwort auf eine Führungsfrage: Wann kauft man eine fertige Lösung, wann baut man selbst, und wie viel Autonomie verdient sich ein System, bevor es echtes Budget bewegt? Stufen 1–2 sind umgesetzt (Agent analysiert, Mensch reviewt), Stufen 3–5 sind dokumentierte Erweiterungspunkte, kein Live-Betrieb. Genau dieses Risiko-vor-Autonomie-Denken ist übertragbar, unabhängig davon, ob am Ende Augur selbst oder eine Drittanbieter-Lösung im Einsatz steht.

Product Besonderheiten: was es differenziert

Zwei-Schichten-Architektur (ADR-015)

Deterministische Action-Schicht (Pre-flight Rules) + optionale LLM-Analyst-Schicht. Schicht 2 unter Beweisvorbehalt, nicht umgesetzt bis Mehrwert belegt.

Two-Track Eval (ADR-013)

F1 vs Domain-Ground-Truth + Rule-Compliance orthogonal. Belegt: LLM hält 6% der Constraints von selbst, Deterministik rettet 94%.

Cluster-Aggregation gegen Prompt-Kollaps (ADR-014)

626 Keyword-Forced-Recs → 17 Cluster-Forderungen, Prompt 33k→3-4k Tokens. 0 Determinismus-Violations über N Läufe.

LLM-Backend pro Step wählbar

Sonnet für Reasoning, Ollama für günstige Calls, über llm_overrides konfigurierbar.

Mode-Switch Simulation / Production

Mock-DB für Demo & Dev, DataForSEO live für Produktion, kein Code-Change nötig.

Variante-B: n8n-Wrapper → Python-Endpoint (ADR-012)

Single-Source-of-Truth Python-Coord, n8n als HTTP-Proxy, 3× repliziert (cluster-full, strategy, reflect).

Hybrid-Keyword-Generierung

Anchor-Cluster als Skelett + parallele LLM-Variation pro Anker, 401 Keywords mit realistischer Long-Tail-Verteilung.

Best-Practices als YAML-Bibliothek

Deklarative Rules (z.B. v2026_05.yaml), versioniert, custom-Override möglich.

Quellen: 15 ADRs · Reflections · status.md · Code-Patterns · audit.md · Maturity-v3

sem-agentic · architektur-beweis

Augur

Ein Multi-Agent-System für SEM-Performance. Deterministisch, wo die Regeln klar sind. LLM nur, wo es Mehrwert bringt.

Brand-Briefing + Keyword-Set

Eingang eines vollständigen Coordinator-Runs

Beschaffung & Clustering n8n · Ollama · pgvector

Research

Keywords via DataForSEO

Embed

Vektoren, nomic-embed

Cluster

Assign + LLM-Judge

Analyse & Strategie LangGraph-Coordinator · Python

Performance

Hypothesis-Testing + Rules

Copy

Ad-Copy je Cluster

Synthese

Empfehlungs-Erzeugung

Reflect

Selbstprüfung

↺ Refine-Loop bei ungelösten Issues · max. 2 Iterationen

Das Herzstück: die Empfehlungs-Erzeugung

Hier verläuft die Architektur-Grenze, nicht zwischen Komponenten, sondern innerhalb der Entscheidung.

Schicht 1 · deterministisch

Pre-flight-Rules → forcierte Actions

Versioniertes Best-Practice-Regelwerk wertet den Daten-Snapshot aus und erzwingt die Cluster-Action. Auditierbar, reproduzierbar, kein Modell beteiligt.

entwickelt · aktiv

94 %

der System-Regeln
deterministisch gesichert

— vs —

6 %

hält das 7B-Modell
von sich aus ein

Schicht 2 · LLM-reasoning

Priorisierung & Cross-Cluster-Narrative

Soll Urteilsvermögen beitragen, wo keine Regel greift. Heute nur Rationale-Beitrag, eigenständiges Reasoning steht unter Beweisvorbehalt.

Richtung entschieden · nicht umgesetzt

Priorisierte Cluster-Actions

Scale · Maintain · Investigate · Pause, mit Rationale, Confidence, Impact & voller Lineage

Was die Architektur differenziert

Deterministisch wo regelbar

Die Action kommt aus dem Regelwerk, nicht aus dem LLM. Das Modell ist Rationale-Schreiber, nicht Entscheider.

Mode-Switch Simulation ↔ Production

Mock-DB für 0-€-Demos via Replay-Cache, DataForSEO live für Produktion. Umschaltung ohne Code-Change, Default ist Simulation.

Faktencheck als Korrektheits-Anker

Ein Evidence-Validator prüft jede LLM-Zahl gegen die DB. Er deckte auf, wo das Modell Kausalität halluzinierte, und setzte den Reasoning-Proof auf ein ehrliches FAIL statt einen geschönten Pass.

Stack

LangGraphn8nFastAPIPydantic v2PostgreSQL + pgvectorStreamlitDocker

Modelle

qwen2.5:7b · Default nomic-embed Sonnet · opt-in reasoning

Verifizierter Architektur-Stand · 9 Workflows · 7 Coordinator-Stages · 17 Cluster

Was das für eine Marketing-Organisation heißt

Der Performance-Analyst-Agent arbeitet mit Hypothesis-Testing gegen Backtesting-Daten — dieselbe Denkweise wie inkrementalitätsorientierte Budgetsteuerung, nur auf Kampagnenebene statt Kanalebene. Für eine Marketing-Organisation heißt das: Google-Ads-Kampagnen lassen sich strukturiert und auditierbar steuern, bevor ein Agent überhaupt autonom entscheiden darf. Das System kann Vorschläge erzeugen. Welcher Vorschlag übernommen wird und wie viel Autonomie er sich verdient, bleibt eine geführte, menschliche Entscheidung.

Wie ich als Führungskraft selbst mit AI-Tools arbeite: AI-Engineering-Praxis →