So fügen Sie AI-Skills & Automatisierungen hinzu

Gehen Sie zu chat.openai.com und klicken Sie auf Ihr Profil → My GPTs → Create a GPT

Beschreiben Sie im 'Create'-Tab in natürlicher Sprache, was Ihr GPT tun soll

Konfigurieren Sie Name, Beschreibung, Anweisungen und Gesprächsstarter

Laden Sie Wissensdateien (PDFs, Dokumente) hoch, auf die Ihr GPT zugreifen kann

Fügen Sie Actions hinzu, um externe APIs zu verbinden (optional)

Legen Sie die Sichtbarkeit fest: Nur ich, Jeder mit einem Link oder Öffentlich

Klicken Sie auf 'Create' und teilen Sie den Link

Klicken Sie auf Ihr Profilsymbol → Settings → Personalization → Custom Instructions

Füllen Sie 'Was soll ChatGPT über Sie wissen?' mit Kontext zu Ihrer Rolle und Ihren Bedürfnissen aus

Füllen Sie 'Wie soll ChatGPT antworten?' mit Ausgabeformat-Präferenzen, Ton und Einschränkungen aus

Diese Anweisungen gelten automatisch für alle neuen Konversationen

Gehen Sie im GPT Builder zum 'Configure'-Tab → Actions

Klicken Sie auf 'Create new action' und fügen Sie Ihr OpenAPI-Schema ein

Legen Sie die Authentifizierungsmethode fest (Keine, API Key oder OAuth)

Testen Sie die Action mit Beispielanfragen

Der GPT kann jetzt während Konversationen Ihre API aufrufen

Gehen Sie zu claude.ai und klicken Sie in der Seitenleiste auf 'Projects'

Klicken Sie auf 'Create Project' und geben Sie einen Namen und eine Beschreibung ein

Fügen Sie benutzerdefinierte Anweisungen hinzu, die definieren, wie Claude sich in diesem Projekt verhalten soll

Laden Sie Dateien (PDFs, Code, Dokumente) in die Projekt-Wissensdatenbank hoch — Claude kann bis zu 200K Token referenzieren

Starten Sie Konversationen innerhalb des Projekts — Claude verwendet Ihre Anweisungen und Dateien automatisch

Fügen Sie bei Verwendung der Claude API eine 'system'-Nachricht am Anfang Ihrer Konversation ein

Definieren Sie im System-Prompt Claudes Rolle, Verhalten, Ausgabeformat und Einschränkungen

Fügen Sie Few-Shot-Beispiele der gewünschten Ein- und Ausgaben hinzu

Verwenden Sie XML-Tags wie <instructions>, <context>, <output_format> für eine klare Struktur

Installieren Sie Claude Code: npm install -g @anthropic-ai/claude-code

Erstellen Sie eine CLAUDE.md-Datei im Stammverzeichnis Ihres Projekts mit Anweisungen und Kontext

Fügen Sie benutzerdefinierte Slash-Befehle im Verzeichnis .claude/commands/ als Markdown-Dateien hinzu

Jede .md-Datei wird zu einem /Befehl — der Dateiinhalt ist die Prompt-Vorlage

Verwenden Sie den $ARGUMENTS-Platzhalter für dynamische Eingaben

Claude Desktop und Claude Code unterstützen Model Context Protocol (MCP)-Tools

Installieren Sie MCP-Server: npx @anthropic-ai/create-mcp-server oder verwenden Sie vorhandene von npm

Konfigurieren Sie in claude_desktop_config.json oder .claude/settings.json

Claude kann jetzt während Konversationen MCP-Tools verwenden, um auf Datenbanken, APIs, Dateien usw. zuzugreifen

Gehen Sie zu aistudio.google.com und klicken Sie auf 'Create new prompt'

Wählen Sie 'Structured Prompt' für konsistente, vorlagenbasierte Ausgaben

Definieren Sie Eingabespalten (Variablen) und Ausgabespalten (erwartete Ergebnisse)

Fügen Sie Beispielzeilen mit Ein-/Ausgabepaaren für Few-Shot-Lernen hinzu

Testen Sie mit neuen Eingaben und iterieren Sie Ihre Beispiele

Speichern und teilen Sie über die 'Get Code'-Schaltfläche (Python, JavaScript, REST)

Klicken Sie auf 'Create new prompt' → 'Chat Prompt'

Schreiben Sie Systemanweisungen, die die Rolle und das Verhalten der AI definieren

Fügen Sie Tools (Function Declarations) hinzu, wenn Ihr Prompt externe APIs aufrufen muss

Konfigurieren Sie Modelleinstellungen: Temperature, Top-P, maximale Ausgabe-Token

Testen Sie im Playground und exportieren Sie den Code, wenn er bereit ist

Holen Sie sich Ihren API-Schlüssel unter aistudio.google.com → 'Get API Key'

Installieren Sie das SDK: pip install google-genai (Python) oder npm install @google/genai

Initialisieren Sie den Client mit Ihrem API-Schlüssel

Verwenden Sie generateContent() für Text-, Bild-, Audio- und Videoeingaben

Fügen Sie Tool-Deklarationen für Function-Calling-Fähigkeiten hinzu

Verwenden Sie für die Produktion Vertex AI in der Google Cloud Console

Erstellen Sie einen Endpunkt und stellen Sie Ihr optimiertes Modell bereit oder verwenden Sie Gemini direkt

Richten Sie die Authentifizierung mit Dienstkonten ein

Konfigurieren Sie automatische Skalierung, Überwachung und Protokollierung

Verwenden Sie Vertex AI Pipelines für automatisierte ML-Workflows

Öffnen Sie das Antigravity-Dashboard und klicken Sie auf 'New Workflow'

Wählen Sie einen Trigger: Zeitplan, Webhook, Formularübermittlung oder Ereignis

Ziehen Sie Aktionsblöcke aus der Seitenleiste per Drag & Drop: E-Mail senden, API-Aufruf, Datenbankabfrage usw.

Verbinden Sie Blöcke mit Pfeilen, um den Ablauf zu definieren

Fügen Sie bedingte Verzweigungen (If/Else) für Entscheidungslogik hinzu

Konfigurieren Sie die Einstellungen jedes Blocks (API-Endpunkte, E-Mail-Vorlagen usw.)

Testen Sie den Workflow mit Beispieldaten, bevor Sie ihn aktivieren

Schalten Sie den Workflow auf 'Active', um die Ausführung zu starten

Durchsuchen Sie die Vorlagengalerie nach vorgefertigten Workflows

Klicken Sie auf 'Use Template', um eine Kopie in Ihrem Arbeitsbereich zu erstellen

Passen Sie die Vorlage an: Ändern Sie Trigger-Einstellungen, aktualisieren Sie API-Schlüssel, modifizieren Sie Bedingungen

Verbinden Sie Ihre Konten (Slack, Gmail, CRM usw.), wenn Sie dazu aufgefordert werden

Testen und aktivieren Sie

Gehen Sie zu Settings → Integrations → Add New

Wählen Sie 'Custom API' für Dienste, die nicht in der integrierten Liste enthalten sind

Geben Sie die API-Basis-URL und Authentifizierungsdetails ein

Definieren Sie die verfügbaren Aktionen (Endpunkte) mit Anfrage-/Antwortschemata

Ihre benutzerdefinierte Integration erscheint jetzt in der Seitenleiste des Workflow-Builders

Finden Sie MCP-Server auf npm, GitHub oder in diesem Verzeichnis

Installieren: npm install -g @modelcontextprotocol/server-name

Konfigurieren Sie in der Einstellungsdatei Ihres AI-Clients (z.B. claude_desktop_config.json)

Fügen Sie den Server-Befehl und alle erforderlichen Umgebungsvariablen hinzu

Starten Sie Ihren AI-Client neu — die Tools werden automatisch verfügbar

Die AI kann jetzt während Konversationen die MCP-Tools verwenden

Initialisieren: npx @anthropic-ai/create-mcp-server my-server

Definieren Sie Tools in src/index.ts mit dem MCP SDK

Jedes Tool benötigt: Name, Beschreibung, Eingabeschema (JSON Schema) und eine Handler-Funktion

Fügen Sie Ressourcen für Daten hinzu, die die AI lesen kann (Dateien, Datenbankeinträge usw.)

Fügen Sie Prompts für wiederverwendbare Prompt-Vorlagen hinzu

Lokal testen: npx tsx src/index.ts

Auf npm veröffentlichen, damit andere es nutzen können: npm publish

Für Claude Desktop: Bearbeiten Sie ~/Library/Application Support/Claude/claude_desktop_config.json (Mac) oder %APPDATA%/Claude/claude_desktop_config.json (Windows)

Für Claude Code: Bearbeiten Sie .claude/settings.json in Ihrem Projekt oder ~/.claude/settings.json global

Fügen Sie Ihren Server zum 'mcpServers'-Objekt mit Befehl und Argumenten hinzu

Setzen Sie Umgebungsvariablen mit dem 'env'-Feld für API-Schlüssel

Verwenden Sie 'stdio'-Transport für lokale Server, 'sse' für entfernte

MCP ist ein offener Standard — er funktioniert mit jedem kompatiblen AI-Client

Für benutzerdefinierte Integrationen verwenden Sie das MCP-Client-SDK (@modelcontextprotocol/sdk)

Verbinden Sie sich programmatisch mit MCP-Servern in Ihren eigenen Anwendungen

Überbrücken Sie MCP zu OpenAI/Gemini, indem Sie MCP-Tool-Schemas in deren Function-Calling-Format übersetzen

Verwenden Sie MCP-Proxy-Server, um MCP-Tools über REST APIs bereitzustellen