linkedin-engagement

name	linkedin-engagement
description	LinkedIn Content-Erstellung, Engagement und Monitoring für B2B/Manufacturing. Regionale Anpassung (US/EU/Asien), Artikel mit Teasern, Bildgenerierung via Gemini, Kommentar-Monitoring.

LinkedIn Engagement Skill

Konfiguration

LinkedIn-Profil: Lara Knuth (echtes Profil) Unternehmen: fabrikIQ / Dresden AI Insights Fokus: MES, OEE, Fertigungsdatenanalyse, KMU-Digitalisierung

Ziel-Regionen:

• Primär: DACH (DE/AT/CH), USA, Kanada
• Sekundär: UK, Nordics, Benelux
• Tertiär: Japan, Südkorea, Südostasien

Fokus-Hashtags:

• DE: #Fertigung #Industrie40 #OEE #MES #Digitalisierung #KMU #Qualitaetssicherung
• EN: #Manufacturing #Industry40 #SmartFactory #MES #OEE #DigitalTransformation #LeanManufacturing

---

Slash-Commands

/linkedin-post [region]

Zweck: Generiert regionsspezifischen LinkedIn-Post

Parameter:

• region: us | eu | asia (default: eu)
• type: text | article-teaser | poll (default: text)
• image: true | false (default: false)

Workflow:

1. Erfasse Thema/Kernaussage
2. Wähle Template basierend auf Region
3. Generiere Post mit Anti-AI-Detection
4. Optional: Generiere Bild via Gemini
5. Füge optimierte Hashtags hinzu
6. Zeige Vorschau zur Freigabe

Ausgabeformat:

## LinkedIn Post [Region: EU]

### Post-Text:
[Generierter Text]

### Hashtags (5):
#Hashtag1 #Hashtag2 ...

### Bild-Prompt (falls angefordert):
[Gemini-Prompt für Bildgenerierung]

### Beste Posting-Zeit:
[Region-spezifische Empfehlung]

### Checkliste:
- [ ] Kein AI-Slop?
- [ ] Erste 2 Zeilen = Hook?
- [ ] CTA vorhanden?

---

/linkedin-article [region]

Zweck: Erstellt LinkedIn-Artikel MIT Teaser-Post

Workflow:

1. Erfasse Artikel-Thema und Kernpunkte
2. Generiere Artikel-Struktur (800-1500 Wörter)
3. Erstelle separaten Teaser-Post (max 300 Zeichen vor "...mehr")
4. Generiere Header-Bild via Gemini
5. Optimiere SEO (Titel, Beschreibung)

Ausgabeformat:

## LinkedIn Artikel: [Titel]

### Teaser-Post (für Feed):
[Hook-Text, max 300 Zeichen]

[Link zum Artikel]

#Hashtags

---

### Artikel-Inhalt:

**Titel:** [SEO-optimiert]

**Intro:** [Hook, 2-3 Sätze]

**Hauptteil:**
[Strukturierter Content mit Zwischenüberschriften]

**Fazit:** [Call-to-Action]

---

### Header-Bild Prompt:
[Gemini-Prompt für 1200x627 Header]

### SEO-Daten:
- Titel: [max 60 Zeichen]
- Beschreibung: [max 160 Zeichen]
- Keywords: [...]

---

/linkedin-comment [url]

Zweck: Generiert Value-First Kommentar für fremden Post

Workflow:

1. Lade Post-Inhalt (via URL oder Beschreibung)
2. Analysiere Autor-Region (Name, Sprache, Unternehmen)
3. Generiere Kommentar angepasst an Region
4. Prüfe Anti-AI-Detection

Regeln:

• Erst Mehrwert, dann (optional) eigene Erfahrung
• Keine direkte Werbung
• Authentische Reaktion auf Inhalt
• Frage stellen fördert Engagement

Ausgabeformat:

## Kommentar für: [Post-Titel/Autor]

**Autor-Region:** [geschätzt: US/EU/Asia]
**Ton-Empfehlung:** [Direct/Sachlich/Respektvoll]

### Vorgeschlagener Kommentar:
[Text, 50-150 Wörter]

### Alternative (kürzer):
[Text, 20-50 Wörter]

---

/linkedin-scan

Zweck: Scannt relevante Hashtags/Influencer nach Engagement-Opportunities

Workflow:

1. Durchsuche Hashtags: #Manufacturing, #MES, #OEE, #Industrie40
2. Identifiziere Posts mit hohem Engagement-Potenzial
3. Priorisiere nach: Relevanz, Autor-Reichweite, Aktualität
4. Zeige Top 10 mit Kommentar-Empfehlung

Ausgabeformat:

## LinkedIn Scan: [Datum]

### Engagement-Opportunities (Top 10)

1. **[Autor]** - [Titel/Hook]
   Reichweite: [geschätzt] | Engagement: [Likes/Comments]
   Region: [US/EU/Asia]
   → Kommentar-Empfehlung: [Kurz-Idee]

2. ...

### Trending Topics diese Woche:
- [Topic 1]: [Warum relevant]
- [Topic 2]: ...

---

/linkedin-monitor

Zweck: Überwacht eigene Posts auf neue Kommentare, schlägt Antworten vor

Workflow:

1. Lade Liste eigener geposteter Inhalte (aus tracking.md)
2. Prüfe jeden Post auf neue Kommentare
3. Analysiere Kommentar-Inhalt und Autor
4. Generiere Antwort-Vorschläge

Ausgabeformat:

## LinkedIn Monitor: [Datum]

### Neue Kommentare (seit letztem Check)

**Post:** [Post-Titel/Hook]
**Gepostet:** [Datum]
**Aktuelle Stats:** ♥ [Likes] | 💬 [Comments] | 🔄 [Shares]

#### Neuer Kommentar von [Name] ([Position]):
> "[Kommentar-Text]"

**Autor-Analyse:**
- Region: [US/EU/Asia]
- Relevanz: [Potentieller Lead/Peer/Troll]
- Ton: [Positiv/Neutral/Kritisch]

**Antwort-Vorschlag:**
[Generierte Antwort, regional angepasst]

**Alternative (kürzer):**
[Kürzere Version]

---

### Antwort-Priorität:
1. 🔴 DRINGEND: [Kritische Fragen, potentielle Leads]
2. 🟡 WICHTIG: [Fachliche Diskussionen]
3. 🟢 OPTIONAL: [Einfache Zustimmungen]

---

/linkedin-image [prompt]

Zweck: Generiert LinkedIn-optimiertes Bild via Gemini

Integration mit gemini-image-gen Skill:

# Verwendet GEMINI_API_KEY aus .env.local
from google import genai
from google.genai import types
from dotenv import load_dotenv
load_dotenv('.env.local')

client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))

# Modelle (funktionieren in DE!):
# - gemini-2.5-flash-image: Schnell, gut für einfache Grafiken
# - gemini-3-pro-image-preview: Höhere Qualität, komplexere Szenen (EMPFOHLEN)
# - imagen-4.0-generate-001: Fotorealistische Bilder

response = client.models.generate_content(
    model='gemini-3-pro-image-preview',  # FUNKTIONIERT IN DEUTSCHLAND
    contents=[prompt],
    config=types.GenerateContentConfig(
        response_modalities=['IMAGE']
    )
)

LinkedIn Bild-Formate:

Typ	Größe	Verwendung
Post-Bild	1200x1200	Quadratisch, Feed-optimiert
Artikel-Header	1200x627	1.91:1 Ratio
Carousel-Slide	1080x1080	PDF-Upload

Optimierte Prompts für Manufacturing:

"Clean, professional infographic showing [TOPIC].
Modern flat design, blue and white color scheme,
minimal text, manufacturing/industrial context.
LinkedIn business style, 1200x1200px"

Ausgabeformat:

## LinkedIn Bild generiert

**Prompt verwendet:**
[Optimierter Prompt]

**Modell:** gemini-2.5-flash-image
**Format:** 1200x1200 (Post) / 1200x627 (Article)

**Datei:** [Pfad zur generierten Datei]

**Verwendung:**
- [ ] Als Post-Bild hochladen
- [ ] Als Artikel-Header
- [ ] Für Carousel (weitere Slides nötig?)

---

/linkedin-analytics

Zweck: Zeigt Performance-Übersicht der geposteten Inhalte

Metriken:

• Impressions
• Engagement Rate (Likes + Comments + Shares / Impressions)
• Click-Through Rate (für Artikel)
• Follower-Wachstum

Ausgabeformat:

## LinkedIn Analytics: [Zeitraum]

### Top Performer

| Post | Datum | 👁 Impressions | ♥ Likes | 💬 Comments | ER% |
|------|-------|---------------|---------|-------------|-----|
| [Titel] | [Datum] | [X] | [Y] | [Z] | [%] |

### Insights:
- Beste Posting-Zeit: [Tag/Uhrzeit]
- Beste Content-Art: [Text/Artikel/Poll]
- Beste Hashtags: [Top 3]

### Empfehlungen:
- [Konkrete Handlungsempfehlung basierend auf Daten]

---

Regionale Templates

US/Kanada Template

Stil: Direct, Story-driven, Personal Brand Sprache: Englisch Hashtags: 3-5, am Ende

Struktur:

[Hook - kontrovers oder überraschend, 1 Zeile]

[Leerzeile - wichtig für Mobile!]

[Personal Story mit konkreten Zahlen, 2-3 Sätze]

[Insight/Lesson, Bullet Points OK aber nicht genau 3]

[Vulnerable Admission - was ging schief]

[Soft CTA - Frage an Community]

#Manufacturing #MES #OEE #DigitalTransformation

Verboten:

• "I'm thrilled to announce"
• "Excited to share"
• "I'm humbled"
• Mehr als 5 Emojis

Funktioniert:

• Konkrete Zahlen: "Reduced downtime by 23%"
• Hot Takes: "Unpopular opinion: MES is overkill for most SMBs"
• Lessons learned mit Vulnerabilität
• "Here's what I learned after..."

---

EU/DACH Template

Stil: Sachlich, Fakten-basiert, Understatement Sprache: Deutsch oder Englisch (je nach Zielgruppe) Hashtags: 3-5, DE-Varianten

Struktur:

[Sachliche Eröffnung - Thema klar benennen]

[Kontext mit Daten/Zahlen aus echten Projekten]

[Pragmatischer Insight - was funktioniert, was nicht]

[Optional: Normen-Referenz (DIN, ISO, VDI)]

[Offene Frage - keine rhetorische]

#Fertigung #OEE #Industrie40 #MES #Digitalisierung

Verboten:

• Übertreibungen ("revolutionär", "game-changer")
• Zu viel Selbst-Promotion
• Amerikanische Hustle-Culture
• "Ich hab alles richtig gemacht"

Funktioniert:

• Case Studies mit Methodik
• Normative Referenzen
• "So haben wir es gemacht" (Team-Fokus)
• Kritische Reflexion

---

Asien Template (Japan, Korea, Südostasien)

Stil: Respektvoll, Beziehungs-first, indirekt Sprache: Englisch (international) Hashtags: 3-4, konservativ

Struktur:

[Höfliche Einleitung - Beobachtung, nicht Belehrung]

[Gemeinsames Lernen - "I noticed...", "I was impressed by..."]

[Eigene Erfahrung als Angebot, nicht als Expertise]

[Respektvolle Frage - Interesse an lokaler Perspektive]

#Manufacturing #Industry40 #QualityManagement

Verboten:

• Direkte Kritik
• "Ich weiß es besser"
• Zu schnelle Geschäftsanbahnung
• Kulturelle Stereotypen

Funktioniert:

• Kaizen/Monozukuri als Anknüpfungspunkt (Japan)
• Respekt für lokale Expertise
• Langfristiger Beziehungsaufbau
• Fragen statt Aussagen

---

Menschliche Authentizität vs KI-Sprache

Wissenschaftlich belegte KI-Marker (2024/2025 Research)

Typische KI-Signale die VERMIEDEN werden müssen:

Merkmal	KI-typisch	Menschlich
Satzlänge	Gleichmäßig 15-20 Wörter	Variiert stark: 3 bis 40+ Wörter
Absätze	Identische Länge	Chaotisch, unterschiedlich
Satzzeichen	Perfekt, viele Em-Dashes (—)	Gelegentlich falsch, Kommafehler
Vokabular	"Furthermore", "Moreover", "Delve"	Umgangssprache, Füllwörter
Struktur	Immer Hook-Body-CTA	Manchmal kein Fazit, abrupt
Emotion	"I'm excited", "I'm thrilled"	Nüchtern oder echt frustriert
Listen	Exakt 3 oder 5 Punkte	2, 4, 7 - ungerade Zahlen OK
Formatierung	Perfekte Markdown-Struktur	Inkonsistent

MENSCHLICHE UNPERFEKTION EINBAUEN

Gezielt menschliche Marker setzen (subtil, nicht übertrieben):

1. Rechtschreibung/Tippfehler (max 1-2 pro Post, natürlich):

   • "Mitarbeier" statt "Mitarbeiter"
   • "das" vs "dass" Verwechslung
   • Doppelte Buchstaben: "Maschiene"
   • Fehlender Buchstabe: "Frtigung"
   • WICHTIG: Nur plausible Tippfehler, keine absichtlich dummen Fehler

2. Zeichensetzung-Varianten:

   • Fehlendes Komma: "Aber naja das ist ein anderes Thema"
   • Punkt statt Fragezeichen: "Was denkt ihr."
   • Kein Punkt am Ende (informell)
   • Doppeltes Leerzeichen (passiert beim Tippen)

3. Grammatik-Abweichungen (natürlich, nicht falsch):

   • Satzabbrüche: "Das Problem war... egal."
   • Nachgeschobene Gedanken: "Achso, hab ich vergessen:"
   • Umgangssprache: "Ist halt so" statt "Es ist so"
   • Gedankensprünge ohne Überleitung

4. Strukturelle Unperfektion:

   • Absätze unterschiedlich lang (2 Zeilen, dann 5, dann 1)
   • Manchmal nur 1 Zeile als Absatz
   • Kein offensichtliches Muster
   • Abruptes Ende OK (kein Zwangs-CTA)
   • Manchmal vergessener Absatz-Umbruch

VERBOTENE FORMATIERUNG

KEINE dieser Elemente in Posts verwenden:

• Emojis als Aufzählungspunkte (Rakete vor Punkt 1 etc)
• Perfekte Emoji-Listen mit gleichen Abständen
• Checkboxen als Listenpunkte
• Icons/Symbole am Zeilenanfang
• Horizontale Trenner (--- oder ===)
• Überschriften in Posts (## Titel)
• Code-Blöcke oder Backticks
• Perfekt ausgerichtete Tabellen
• Fettdruck für jeden wichtigen Begriff

ERLAUBT (sehr sparsam):

• 1-2 Emojis am Ende oder als Akzent (nicht in jedem Post)
• Normale Zahlen für Listen (1. 2. 3.)
• Bullet Points ohne Emojis (- Punkt)
• Gelegentlich ein Pfeil (->)

KI-PHRASEN: TOTALE BLACKLIST

Deutsche KI-Marker:

• "In der heutigen Zeit"
• "Wie wir alle wissen"
• "Es ist allgemein bekannt"
• "Zusammenfassend lässt sich sagen"
• "Es bleibt festzuhalten"
• "Abschließend möchte ich betonen"
• "Dies führt uns zu der Erkenntnis"
• "In diesem Zusammenhang"
• "Darüber hinaus"
• "Des Weiteren"
• "Schlussendlich"
• "Es ist von entscheidender Bedeutung"

Englische KI-Marker:

• "Delve into" / "Delve deeper"
• "Leverage synergies"
• "In today's fast-paced world"
• "It's important to note that"
• "Furthermore" / "Moreover" / "Additionally"
• "This begs the question"
• "Needless to say"
• "At the end of the day"
• "Game-changer" / "Revolutionary"
• "Seamlessly integrate"
• "Navigate the complexities"
• "Unlock the potential"
• "Fostering innovation"

Em-Dash Überverwendung (—):

• KI nutzt exzessiv Em-Dashes zwischen Satzteilen
• Menschen nutzen eher Gedankenstriche (-) oder einfach Kommas
• Oder Klammern (so wie hier)
• Max 1 Em-Dash pro Post wenn überhaupt

AUTHENTISCHE ALTERNATIVEN

KI-Phrase	Menschliche Alternative
"I'm thrilled to announce"	"Endlich fertig:" oder direkt ins Thema
"Here are 5 key takeaways"	"Was hat funktioniert?"
"Let me share my journey"	"Kurze Geschichte dazu:"
"This changed everything"	"Hat geholfen"
"You won't believe"	"Überraschend war:"
"In der heutigen Zeit"	"Momentan" / "Gerade" / weglassen
"Zusammenfassend"	"Also:" / "Heißt:"
"Darüber hinaus"	"Außerdem" / "Und noch:"
"Key learnings"	"Was wir gelernt haben"
"Moving forward"	weglassen oder "als nächstes"
"It's worth noting"	einfach direkt sagen
"I'm excited to"	weglassen, direkt zur Sache

BEISPIELE: KI vs MENSCH

KI-generiert (SCHLECHT):

I'm thrilled to announce that we've successfully implemented a new OEE tracking system!

Here are 5 key takeaways:

Punkt 1 Real-time visibility
Punkt 2 23% efficiency gain
Punkt 3 Data-driven decisions
Punkt 4 Seamless integration
Punkt 5 Team empowerment

This truly changed everything for us. What's your experience with OEE?

#Manufacturing #Industry40 #OEE #DigitalTransformation #SmartFactory

Menschlich geschrieben (GUT):

Letzte Woche endlich unser OEE-Tracking live geschaltet.

Ehrlich gesagt war der Weg dahin holprig - erste Excel-Version hat keiner benutzt, zu kompliziert. Jetzt simpler und die Schichtleiter tragen tatsächlich ein.

23% weniger Stillstand seit dem. Ob das so bleibt weiß ich nicht, Anfangs-Effekt vielleicht

Was mich interessiert: wie kriegt ihr eure Leute dazu, sowas auch wirklich zu nutzen.

#Fertigung #OEE #MES

---

Anti-AI-Detection Regeln (LinkedIn-spezifisch)

VERBOTEN (LinkedIn AI-Slop):

Phrasen:

• "I'm thrilled to announce..."
• "Excited to share that..."
• "I'm humbled and honored..."
• "Here are 5 key takeaways:"
• "Let me tell you a story..."
• "If you found this valuable, like and share"
• "Agree? 👇"
• "DM me 'STRATEGY' for..."
• "I helped 100+ companies achieve..."
• "This changed everything for me"
• "You won't believe what happened next"

Strukturen:

• Exakt 5 Bullet Points
• Perfekte Emoji-Zeilen (🎯 Point 1 / 🚀 Point 2)
• Identische Absatzlängen
• "Hook → Story → Lesson → CTA" zu offensichtlich
• Jeder Satz neue Zeile (Poetry-Style Spam)

Emojis:

• 🚀🔥💡🎯💪 Combo
• Mehr als 3-4 pro Post
• Emoji am Zeilenanfang (Liste)

AUTHENTIZITÄTS-SIGNALE:

Sprachlich:

1. Variierende Satzlängen - kurz. Dann länger, weil der Gedanke es braucht.
2. Unvollständige Gedanken - "Aber naja, das ist ein anderes Thema."
3. Regionale Ausdrücke - DE: "Naja", "halt", "irgendwie" / US: "tbh", "ngl"
4. Nachträgliche Korrekturen - "Edit: Forgot to mention..."
5. Genuine Fragen ohne offensichtliche Antwort

Inhaltlich:

1. Spezifische Kontexte statt generischer Claims
2. Fehler zugeben - "Unser erster Versuch war ein Reinfall"
3. Nuancierte Meinungen - "Kommt drauf an..."
4. Lokale Referenzen (Messen, Verbände, Städte)
5. Zeitliche Einordnung - "Letzte Woche bei einem Kunden in Sachsen..."

Strukturell:

1. Nicht jeder Post braucht CTA
2. Manchmal nur Frage, keine Antwort
3. Absätze unterschiedlich lang
4. Gelegentlich Typos (max 1-2)

---

Hashtag-Strategie

Deutsch (DACH)

Reichweite	Hashtags
Hoch (>100k)	#Industrie40 #Digitalisierung #KMU
Mittel (10-100k)	#Fertigung #OEE #MES #Produktion
Nische (<10k)	#Qualitaetssicherung #Maschinendaten #SmartFactory

Empfehlung: 1 Hoch + 2 Mittel + 2 Nische = 5 Hashtags

Englisch (International)

Reichweite	Hashtags
Hoch (>500k)	#Manufacturing #Industry40 #DigitalTransformation
Mittel (50-500k)	#SmartFactory #LeanManufacturing #OEE
Nische (<50k)	#MES #ManufacturingExcellence #ShopFloor

Hashtag-Regeln:

• Hashtags am Ende des Posts (nicht inline)
• Keine Hashtags im ersten Absatz (stört Hook)
• Max 5 Hashtags (mehr = spammy)
• Mix aus Reichweite-Stufen
• Keine erfundenen Hashtags

---

Posting-Zeiten

Optimal nach Region:

Region	Beste Tage	Beste Zeiten (lokal)
DACH	Di-Do	08:00-09:00, 17:00-18:00
USA East	Di-Do	08:00-10:00, 17:00-18:00
USA West	Di-Do	07:00-09:00, 16:00-17:00
UK	Di-Do	08:00-09:00, 17:00-18:00
Asien	Mi-Fr	09:00-11:00 (lokale Zeit)

Vermeiden:

• Montag Morgen (zu viel Noise)
• Freitag Nachmittag (Wochenend-Modus)
• Wochenende (außer Sonntag Abend für Montag-Sichtbarkeit)

---

Artikel-Teaser Formel

Hook-Struktur (max 300 Zeichen vor "...mehr"):

[Provokante These oder überraschende Zahl]

[1 Satz Kontext]

[Neugier wecken: "Im Artikel zeige ich..." oder "3 Dinge, die wir gelernt haben:"]

Beispiel:

85% der OEE-Implementierungen liefern nicht den erwarteten ROI.

Wir haben 12 Projekte analysiert und die 3 häufigsten Fehler identifiziert.

Im Artikel: Konkrete Zahlen und wie ihr sie vermeidet 👇

[LINK]

#OEE #Manufacturing #Fertigung

---

Tracking-Log

Gepostete Inhalte

Datum	Typ	Titel/Hook	Region	URL	Status
[Datum]	Post/Artikel	[Kurztitel]	EU/US	[URL]	✅ Gepostet

Performance-Historie

Datum	Post	👁 Impressions	♥ Likes	💬 Comments	🔄 Shares	ER%
[Datum]	[Titel]	[X]	[Y]	[Z]	[W]	[%]

Kommentar-Queue (eigene Posts)

Post	Neuer Kommentar von	Inhalt (Kurz)	Beantwortet?
[Titel]	[Name]	[Kurzzitat]	⏳/✅

---

Gemini-Integration für Bilder

Setup

# Environment Variable setzen
export GOOGLE_AI_API_KEY="your-key-here"

# Dependencies
pip install google-genai pillow python-dotenv

LinkedIn-optimierte Prompts

Infografik (OEE/Daten):

Professional infographic showing OEE calculation breakdown.
Clean flat design, blue (#0077B5 LinkedIn blue) and white.
Icons for Availability, Performance, Quality.
Minimal text, data visualization style.
1200x1200px, white background.

Header für Artikel:

Modern manufacturing facility abstract visualization.
Digital data overlay, blue tones, professional look.
No text, suitable for article header.
1200x627px, LinkedIn article format.

Carousel-Slide:

Single slide for LinkedIn carousel about [TOPIC].
Large bold headline area, clean infographic style.
Blue and white, professional B2B manufacturing.
1080x1080px square format.

Generierungs-Workflow:

1. /linkedin-image [Thema]
2. Skill generiert optimierten Prompt
3. Aufruf von Gemini API
4. Speichern mit Timestamp
5. Anzeige Vorschau + Verwendungshinweise

---

Persona: Lara Knuth

LinkedIn-Profil:

• Name: Lara Knuth (echt)
• Position: Gründerin fabrikIQ / Dresden AI Insights
• Standort: Dresden, Sachsen
• Hintergrund: MES-Expertin, COO/CEO Erfahrung in KMU

Authentizitäts-Elemente:

• Zwillinge (Zeitmangel, Multitasking - sparsam erwähnen)
• Praktische Erfahrung aus echten Projekten
• Sachsen/DACH-Perspektive
• Kritisch gegenüber Hype, pragmatisch

Schreibstil LinkedIn:

• Professioneller als Reddit, aber nicht steif
• Deutsch für DACH, Englisch für International
• Zahlen und Fakten, aber mit Storytelling
• Fehler zugeben, Learnings teilen

---

Technische Implementierung (Web-Zugriff)

Erfahrungen aus Reddit-Skill (übertragbar)

Problem: WebFetch wird von vielen Plattformen blockiert Lösung: Browser-Automatisierung oder curl mit User-Agent

LinkedIn-spezifische Herausforderungen

Aspekt	Reddit	LinkedIn
Öffentliche API	✅ /new.json	❌ Keine
Scraping erlaubt	⚠️ Rate-Limited	❌ Streng verboten (ToS)
Auth erforderlich	Nur für Posts	Für fast alles
Bot-Detection	Moderat	Aggressiv

Empfohlene Methoden (Priorität)

1. Claude-in-Chrome MCP (BESTE OPTION)

Vorteile:

• Nutzt echte Browser-Session (eingeloggt)
• Kein Scraping-Verdacht
• Voller Zugriff auf Feed, Kommentare, Analytics

Schritt-für-Schritt Workflows:

/linkedin-scan Workflow

1. tabs_context_mcp (createIfEmpty: true)
   → Prüft ob Tab-Gruppe existiert

2. tabs_create_mcp
   → Neuen Tab erstellen

3. navigate (url: "https://www.linkedin.com/feed/hashtag/manufacturing")
   → Hashtag-Feed öffnen

4. browser_wait_for (time: 3)
   → Warten bis Feed geladen

5. read_page (tabId: X, filter: "all")
   → Accessibility-Tree extrahieren

6. find (query: "post with reactions", tabId: X)
   → Posts mit Engagement finden

7. Analyse und Kommentar-Empfehlungen generieren

/linkedin-comment Workflow

1. navigate (url: "[POST-URL]")
   → Direkt zum Post navigieren

2. read_page (tabId: X)
   → Post-Inhalt und Autor extrahieren

3. get_page_text (tabId: X)
   → Volltext für Kontext

4. Kommentar generieren (siehe Templates)

5. find (query: "comment input field", tabId: X)
   → Kommentarfeld finden (für manuelle Eingabe)

/linkedin-monitor Workflow

1. navigate (url: "https://www.linkedin.com/in/lara-knuth/recent-activity/")
   → Eigene Aktivitäten öffnen

2. read_page → Posts mit Kommentar-Counts finden

3. Für jeden Post mit neuen Kommentaren:
   - navigate → Post öffnen
   - read_page → Kommentare extrahieren
   - Antwort-Vorschläge generieren

/linkedin-analytics Workflow

1. navigate (url: "https://www.linkedin.com/analytics/")
   → Analytics-Dashboard öffnen

2. computer (action: "screenshot", tabId: X)
   → Screenshot für visuelle Analyse

3. read_page → Zahlen extrahieren

4. Performance-Report generieren

2. Manuelles Copy-Paste (FALLBACK)

Wenn Claude-in-Chrome nicht verfügbar:

User: Hier ist der Post-Inhalt: [PASTE]
Claude: Analysiert und generiert Kommentar

3. curl mit User-Agent (LIMITIERT)

Funktioniert NUR für öffentliche Artikel (nicht Feed):

# Öffentlicher LinkedIn-Artikel (ohne Login sichtbar)
curl -s -A "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36" \
  "https://www.linkedin.com/pulse/[article-slug]" | head -1000

Limitierung: Feed-Posts, Kommentare, Analytics = NICHT zugänglich ohne Login

4. LinkedIn API (falls OAuth konfiguriert)

# Prüfen ob LinkedIn-Token vorhanden
echo $LINKEDIN_ACCESS_TOKEN

# API-Aufruf (nur mit gültiger OAuth-App)
curl -H "Authorization: Bearer $LINKEDIN_ACCESS_TOKEN" \
  "https://api.linkedin.com/v2/me"

Status: Aktuell NICHT konfiguriert. LinkedIn API erfordert:

• LinkedIn Developer App
• OAuth 2.0 Flow
• Genehmigung für Marketing API (für Posts)

Implementierung pro Command

Command	Beste Methode	Fallback
/linkedin-scan	Claude-in-Chrome	Manuell (User zeigt Feed)
/linkedin-comment [url]	Claude-in-Chrome → URL öffnen	User pastet Post-Text
/linkedin-monitor	Claude-in-Chrome → eigene Posts	User berichtet Kommentare
/linkedin-analytics	Claude-in-Chrome → Analytics-Tab	User teilt Screenshot

Code-Snippets für Claude-in-Chrome

Post-Inhalt extrahieren:

// Via mcp__claude-in-chrome__javascript_tool
const posts = document.querySelectorAll('[data-urn*="activity"]');
const postData = Array.from(posts).map(p => ({
  author: p.querySelector('.update-components-actor__name')?.innerText,
  text: p.querySelector('.feed-shared-update-v2__description')?.innerText,
  reactions: p.querySelector('.social-details-social-counts__reactions-count')?.innerText
}));
return JSON.stringify(postData, null, 2);

Hashtag-Feed laden:

// mcp__claude-in-chrome__navigate
url: "https://www.linkedin.com/feed/hashtag/manufacturing"

Wichtig: Keine Automatisierung von Posts/Kommentaren!

Der Skill generiert nur Vorschläge. Das tatsächliche Posten/Kommentieren:

• Muss manuell durch User erfolgen
• LinkedIn ToS verbieten Bot-Posts
• Account-Sperrung bei Automatisierung

---

Qualitäts-Checkliste vor Posting

Post/Artikel:

• Keine AI-Slop Phrasen?
• Hook in ersten 2 Zeilen?
• Satzlängen variieren?
• Authentische Stimme (Lara)?
• Regional passend (US/EU/Asia)?
• Hashtags am Ende (max 5)?
• Bild falls sinnvoll?
• Keine übertriebenen Claims?

Kommentar:

• Value-First (nicht Werbung)?
• Passend zur Autor-Region?
• Unter 150 Wörter?
• Genuine Reaktion auf Inhalt?

Antwort auf eigene Posts:

• Zeitnah (< 24h)?
• Persönlich, nicht generisch?
• Diskussion weiterführend?
• Bei Kritik: sachlich bleiben?