Ein CMS, gemacht für KI-Agenten

Hier ist ein Test, den man 2026 mit jedem CMS machen sollte: Man gibt einem KI-Agenten eine Aufgabe wie „Aktualisiere die Pricing-Seite in allen zehn Sprachen“ und zählt, wie viele benutzerdefinierte Integrationen er braucht, um überhaupt anfangen zu können. Bei den meisten gehosteten Systemen lautet die Antwort: einen API-Client, Zugangsdaten, ein Schema, das er nicht sehen kann, und eine Sandbox, von der man hofft, dass er sie respektiert. Bei einem Repo voller MDX-Dateien lautet die Antwort: null. Der Agent hat bereits alles, was er braucht: read, grep, edit, diff. Scribe macht sich genau das zunutze. Es ist ein CMS, dessen gesamte Oberfläche aus Dingen besteht, die Agenten ohnehin schon gut können. ## Lesen: Alles ist eine Datei Ein Agent, der ein Scribe-Projekt durchsucht, braucht keine Dokumentation zur Orientierung. Inhaltstypen sind Zod-Schemas in einer einzigen Konfigurationsdatei. Die Struktur jedes Dokuments ist also als Code lesbar. Dokumente sind MDX-Dateien, deren Dateiname gleichzeitig der Slug ist. Übersetzungen liegen direkt daneben in einem SQLite-Speicher. Es gibt nichts, das sich hinter einem Admin-Panel versteckt. Das Repo ist das komplette System, und ein Grep über content/ durchsucht auch wirklich alles. ## Schreiben: Leitplanken statt blindes Vertrauen Das Risiko bei Agenten ist nicht, dass sie nicht schreiben können. Das Problem ist, dass sie manchmal subtile Fehler einbauen. Die Antwort von Scribe ist dieselbe wie für Menschen, nur konsequenter umgesetzt: - Schemas kontrollieren jedes Dokument. Das Frontmatter muss zum Zod-Schema des Inhaltstyps passen. Ein halluziniertes oder ein fehlendes Pflichtfeld bringt scribe validate zum Scheitern und nicht erst die Produktion. - Bodys müssen kompilieren. Jeder MDX-Body wird während der Validierung kompiliert. Fehlerhafte Komponenten oder eine kaputte Syntax werden also noch vor dem Build abgefangen. - Links können nicht unbemerkt verrotten. Inline-Relation-Tokens referenzieren Dokumente nach Typ und Slug. Die Validierung schlägt bei jedem Token fehl, das auf ein nicht existierendes Dokument zeigt. Ein Agent kann schlichtweg keine kaputten internen Links am Validator vorbeischleusen. - Löschen wird geplant, nicht improvisiert. scribe delete berechnet zuerst die komplette Referenzkaskade. Gibt es Blocker, wird der Vorgang gestoppt. Wenn ein Agent eine Seite entfernt, sieht er ganz genau, was sonst noch davon betroffen ist. Das Ergebnis: Den Agenten Inhalte bearbeiten zu lassen, verliert seinen Schrecken. Ein fehlerhafter Edit führt einfach zu einer roten CLI-Zeile, genau wie bei einem fehlgeschlagenen Test. ## Review: Das Diff ist das Interface Weil jede Änderung ein Commit ist, kommt die Arbeit des Agenten genau in der Form an, in der das Team ohnehin schon arbeitet: als Pull Request. Man muss kein separates Audit-Log prüfen und keine CMS-Historie mit Git abgleichen. Englische Snapshots protokollieren, auf welcher Basis jede Übersetzung erstellt wurde. So hat selbst KI-übersetzter Content eine nachvollziehbare Herkunft: Dieser französische Text entstand aus jenem englischen Text, mit diesem Modell, an diesem Datum. Das lokale Studio schließt den Kreis für die menschlichen Bearbeiter. Man kann durchsehen, was der Agent angefasst hat, über alle Dokumente hinweg suchen, Bodys mit aufgelösten Links und Bildern in der Vorschau prüfen und die Übersetzungsabdeckung auf einen Blick checken. Agenten bearbeiten Dateien, und Menschen verifizieren sie im Studio. ## Inhalte für KI bereitstellen, nicht nur durch KI Die gleichen Eigenschaften, die Scribe für schreibende Agenten so einfach machen, sorgen auch dafür, dass KI-Systeme die Website leicht lesen können. scribe export-static schreibt reine MDX-Versionen jeder Seite pro Sprache in ein statisches Verzeichnis. Dieser saubere, kaum mit Markup überladene Text wird von LLM-Crawlern und Answer-Engines viel besser verarbeitet als gerendertes HTML. Die Inhalte sind somit an beiden Enden der Pipeline für KI optimal lesbar. ## Das ist nicht hypothetisch Diese Website ist der beste Beweis. Die Konsolidierung des Changelogs, die Umstrukturierung der Docs und ein Großteil der Inhaltspflege, die hier zu sehen ist, wurden von KI-Agenten direkt im Repo erledigt, von scribe validate geprüft und von Menschen als Diffs gereviewt. Das Git-basierte Modell wurde eigentlich für Teams entwickelt. Es stellte sich jedoch heraus, dass es genau das ist, was auch Agenten brauchen. Wer eine Website baut, die von Agenten gepflegt werden soll, beginnt am besten mit dem Getting Started Guide und gibt einem Agenten direkt eine erste Aufgabe. Der Workflow wird ihm sofort vertraut vorkommen.