Long-Running Agents: Von der Idee zur deployed Landing Page in einem Prompt

Kurzfassung: Long-Running Agents sind KI-Agenten, die 10+ Minuten (oder Stunden) laufen und komplette End-to-End-Workflows autonom abwickeln. Anders als "Quick Agents" mit 1-2 Tool-Calls orchestrieren sie dutzende Schritte: Recherche, Content-Erstellung, Design, Code, Deployment. Dieser Artikel zeigt ein konkretes Beispiel – eine Landing Page für ein Schweizer Dental-Tech-Startup, komplett erstellt von einem Prompt bis zur Live-URL in 16 Minuten für $0.60. Die technische Architektur dahinter: Daytona Sandboxes, MCP Server, Claude Sonnet und Composio. Das Resultat: 80% direkt nutzbar, 20% brauchen manuelle Optimierung.

Was sind Long-Running Agents?

Long-Running Agents sind autonome KI-Systeme, die komplexe, mehrstufige Workflows über längere Zeiträume ausführen – typischerweise 10+ Minuten, manchmal Stunden oder Tage.

Definition: Agents, die 10+ Minuten (oder Stunden) laufen

Im Gegensatz zu klassischen Chatbots oder einfachen Tool-Calls arbeiten Long-Running Agents wie digitale Mitarbeiter:

✅ Sie orchestrieren dutzende Tools

• Nicht nur ein API-Call, sondern 10-50 nacheinander
• Jedes Tool-Resultat informiert den nächsten Schritt
• Adaptive Planung basierend auf Zwischenergebnissen

✅ Sie behalten Kontext über lange Zeit

• 16-Minuten-Workflow = Kontext über hunderte LLM-Calls
• Memory-Management: Was wurde schon gemacht?
• State-Tracking: Wo sind wir im Workflow?

✅ Sie handeln autonom

• Keine User-Interaktion während der Ausführung
• Selbstständige Fehlerkorrektur
• Entscheidungen treffen ohne Rückfragen

Unterschied zu "Quick Agents" (1-2 Tool Calls)

Quick Agents:

• Use Case: "Wie ist das Wetter heute?"
• Workflow: 1 Tool-Call → Weather API → Antwort
• Dauer: 2-5 Sekunden
• Komplexität: Niedrig

Long-Running Agents:

• Use Case: "Erstelle mir eine Landing Page für mein Startup"
• Workflow: 50+ Tool-Calls → Research, Write, Design, Code, Deploy
• Dauer: 10-60 Minuten
• Komplexität: Hoch

Der fundamentale Unterschied:

Warum sie die Zukunft sind

Long-Running Agents sind der nächste evolutionäre Schritt in der AI-Entwicklung:

✅ 1. Sie ersetzen ganze Workflows, nicht nur Tasks

Früher: Mensch orchestriert Tools
Heute: Agent orchestriert Tools autonom

Beispiel Webdesign:

• Ohne Agent: Designer recherchiert → schreibt Copy → erstellt Mockups → coded → deployt (8-40 Stunden)
• Mit Long-Running Agent: Ein Prompt → Agent macht alles (16 Minuten)

✅ 2. Sie skalieren Expertise

Problem: Gute Freelancer sind teuer und ausgebucht
Lösung: Long-Running Agent mit gleichem Wissen

Beispiel:

• Freelancer Landing Page: CHF 2.000-5.000, 1-2 Wochen
• Long-Running Agent: $0.60, 16 Minuten
• Skalierung: 1.000x schneller, 5.000x günstiger

✅ 3. Sie sind verfügbar 24/7

Mensch: 8h/Tag, Wochenenden frei, Urlaub, krank
Agent: 24/7, keine Downtime, instant start

Business-Impact:

• Idee um 23:00 Uhr → Landing Page um 23:16 Uhr live
• 100 Landing Pages parallel erstellen (unmöglich für Menschen)

---

Die Herausforderungen

Long-Running Agents sind technisch anspruchsvoll. Die größten Herausforderungen:

1. Kontext-Management über lange Zeit

Problem: LLMs haben limitierte Context Windows

Beispiel:

• Claude Sonnet: 200K Tokens Context Window
• 16-Minuten-Workflow: Generiert 500K+ Tokens Output (Research, Copy, Code)
• Konflikt: 500K > 200K = Kontext geht verloren

Lösung: Hierarchical Memory

Nicht alles im Context halten, sondern selektiv erinnern:

Agent Memory Structure:
├─ Working Memory (aktueller Step)
├─ Short-Term Memory (letzte 5 Steps)
├─ Long-Term Memory (wichtige Fakten)
└─ Archive (alles andere, abrufbar bei Bedarf)

Anewera's Ansatz:

• Working Memory: Nur aktueller Task (z.B. "Code schreiben")
• Short-Term: Relevante Infos aus vorherigen Steps
• Long-Term: User-Ziele, Design-Entscheidungen, Brand Guidelines
• Archive: Volle Research-Rohdaten (nur bei Bedarf laden)

2. Error-Handling bei multi-step Workflows

Problem: Ein Fehler in Step 5 killt den ganzen 16-Minuten-Workflow

Fehler-Szenarien:

• API Rate Limit reached
• Invalid Tool-Call Syntax
• Image-Generation schlägt fehl
• Deployment-Error

Lösung: Resilient Execution

Strategie 1: Retry mit Backoff

Step fehlgeschlagen → Warte 5s → Retry
Fehler wieder → Warte 15s → Retry
Fehler wieder → Warte 45s → Alternative Route

Strategie 2: Fallback-Optionen

Hero-Image generieren mit DALL-E → Fehler
→ Fallback: Unsplash Stock-Image suchen
→ Workflow läuft weiter

Strategie 3: Partial Success

Step 1-5 erfolgreich → Step 6 fehlgeschlagen
→ Speichere Fortschritt
→ User kann ab Step 6 neu starten
→ Keine Verschwendung von Steps 1-5

3. Kosten-Kontrolle (viele LLM-Calls)

Problem: 16-Minuten-Workflow = 50+ LLM-Calls = hohe Kosten

Kosten-Breakdown:

• Research: 10 Exa Searches à $0.01 = $0.10
• LLM Reasoning: 30 Claude Calls à $0.01 = $0.30
• Image-Gen: 1 DALL-E Call = $0.04
• Code-Execution: Daytona Sandbox = $0.05
• Deployment: Vercel API = $0.01
• Total: $0.50

Aber: Was wenn Agent in Loops gerät?

Horror-Szenario:

Agent versucht Code zu fixen → Fehler
→ Neuer Code-Versuch → Fehler
→ 100 Iterationen später → $50 verbrannt

Lösung: Cost Guardrails

Max Budget per Agent:

• User setzt Budget (z.B. $2.00)
• Agent stoppt automatisch bei Überschreitung
• Warnung bei 80% Budget erreicht

Smart Routing:

• Einfache Tasks → Haiku ($0.0008/K)
• Komplexe Tasks → Sonnet ($0.003/K)
• → 60% Kostenersparnis ohne Qualitätsverlust

4. User-Experience (Warten vs. Fortschritts-Updates)

Problem: User wartet 16 Minuten – was passiert da?

Schlechte UX:

User: "Erstelle Landing Page"
System: [16 Minuten Stille]
System: "Fertig! Hier deine Page."

Gute UX:

User: "Erstelle Landing Page"
System: ✅ Marktforschung läuft... (5%)
System: ✅ Marktforschung abgeschlossen (30%)
System: ✅ Copywriting läuft... (35%)
System: ✅ Copy fertig (60%)
System: ✅ Hero-Image generiert (75%)
System: ✅ Code geschrieben (90%)
System: ✅ Deployment läuft... (95%)
System: ✅ Live! Hier deine URL: example.com (100%)

Anewera's Progress-System:

• Real-Time Streaming: User sieht jeden Step
• Estimated Time: "Noch ca. 8 Minuten"
• Pause/Resume: User kann Workflow pausieren
• Notification: E-Mail/Slack wenn fertig

---

Der Use Case: Landing Page in einem Prompt

Der Prompt:

Erstelle eine Landing Page für ein Schweizer Startup, das KI-Agenten 
für Zahnärzte verkauft. Recherchiere die Zielgruppe, erstelle Copy, 
generiere ein Hero-Image, code die Page, und deploye sie live.

Ein einziger Satz. 16 Minuten später: Fertige, live Landing Page.

So funktioniert's Step-by-Step:

---

Step 1: Marktforschung (5 Min)

Was der Agent macht:

✅ Exa Search: Schweizer Zahnärzte analysieren

• Query: "Zahnärzte Schweiz Herausforderungen Praxis-Management"
• Findet: Terminverwaltung, Patientenkommunikation, Abrechnung

✅ Competitor-Analyse: Andere Dental-Tech-Startups

• Query: "Dental Tech SaaS Schweiz"
• Findet: Denteo, Adresso, etc.
• Analysiert: Was bieten sie? Was fehlt?

✅ Pain-Points identifizieren

• Aus Research synthetisiert:
  • ❌ "Zu viele No-Shows bei Terminen"
  • ❌ "Manuelle Recall-E-Mails zeitaufwändig"
  • ❌ "Patientenanfragen am Wochenende unbeantwortet"

Output:

Target Audience: Schweizer Zahnärzte (Praxen mit 1-5 Ärzte)
Pain Points: No-Shows, manuelle Kommunikation, Wochenend-Anfragen
Unique Value Prop: KI-Agent übernimmt Patientenkommunikation 24/7

---

Step 2: Copywriting (3 Min)

Was der Agent macht:

✅ Headline schreiben (A/B-Varianten)

Variante A:
"24/7 Patientenkommunikation – Ihr KI-Assistent für die Zahnarztpraxis"

Variante B:
"Nie wieder verpasste Patientenanfragen. Ihr KI-Agent arbeitet rund um die Uhr."

Entscheidung: Agent wählt Variante B (direkter Nutzen)

✅ Value Proposition formulieren

"Unser KI-Agent beantwortet Patientenanfragen, bestätigt Termine und sendet automatische Recall-E-Mails – auch am Wochenende. So reduzieren Sie No-Shows um 40% und gewinnen 5 Stunden pro Woche zurück."

✅ CTA-Texte erstellen

• Primary CTA: "Kostenlos testen"
• Secondary CTA: "Demo anfordern"

✅ SEO-Keywords integrieren

Keywords: "Zahnarzt KI", "Praxis-Management", "Patientenkommunikation", "Schweiz"

Output:

Headline: "Nie wieder verpasste Patientenanfragen..."
Value Prop: "Unser KI-Agent beantwortet..."
CTA: "Kostenlos testen"
SEO: Keywords integriert

---

Step 3: Design-Konzept (2 Min)

Was der Agent macht:

✅ Farbschema wählen (basierend auf Dental-Branche)

Research: Dental = Trust, Cleanliness, Professionalism

Farben:

• Primary: Hellblau (#4A90E2) – Trust
• Secondary: Weiß (#FFFFFF) – Cleanliness
• Accent: Grün (#2ECC71) – Health

✅ Layout definieren

Sections:

1. Hero (Headline + CTA + Image)
2. Features (3 Hauptfunktionen)
3. Social Proof (Testimonials)
4. Pricing (Simple 1-Tier)
5. Final CTA

✅ Font-Pairings auswählen

• Headline: Montserrat (modern, professional)
• Body: Open Sans (lesbar, freundlich)

Output:

Farben: Blau/Weiß/Grün
Layout: Hero → Features → Social Proof → Pricing → CTA
Fonts: Montserrat + Open Sans

---

Step 4: Hero-Image generieren (2 Min)

Was der Agent macht:

✅ Prompt für Image-Generator erstellen

Image-Prompt:

"Modern dental office with friendly female dentist smiling at camera, 
bright natural light, minimalist design, blue and white color scheme, 
professional photography, high quality, 16:9 aspect ratio"

✅ Image generieren (via DALL-E API)

API-Call → 30 Sekunden → Image-URL zurück

✅ Image optimieren

• Original: 2MB PNG
• Optimiert: 200KB WebP (via Cloudinary)
• Dimensions: 1920x1080 → responsiv skaliert

Output:

Hero-Image: https://cdn.example.com/dental-hero.webp
Optimiert: 200KB, WebP, responsive

---

Step 5: Code schreiben (3 Min)

Was der Agent macht:

✅ HTML/CSS/JS generieren

HTML:

<!DOCTYPE html>
<html lang="de-CH">
<head>
  <meta charset="UTF-8">
  <title>DentalAI - KI-Agent für Zahnarztpraxen</title>
  <meta name="description" content="24/7 Patientenkommunikation...">
  <!-- ... -->
</head>
<body>
  <section id="hero">
    <h1>Nie wieder verpasste Patientenanfragen</h1>
    <p>Unser KI-Agent arbeitet rund um die Uhr...</p>
    <button>Kostenlos testen</button>
  </section>
  <!-- Features, Social Proof, Pricing, CTA -->
</body>
</html>

✅ Responsive Design sicherstellen

• Mobile-first CSS
• Breakpoints: 768px, 1024px, 1440px
• Touch-friendly Buttons (min 44x44px)

✅ SEO-Meta-Tags hinzufügen

<meta name="description" content="...">
<meta property="og:title" content="...">
<meta property="og:image" content="...">
<link rel="canonical" href="...">

✅ Analytics-Code integrieren

<!-- Plausible Analytics -->
<script defer data-domain="dentalai-demo.ch" 
  src="https://plausible.io/js/script.js"></script>

Output:

Code: HTML/CSS/JS komplett
Responsive: Ja (Mobile-first)
SEO: Meta-Tags gesetzt
Analytics: Plausible integriert

---

Step 6: Deployment (1 Min)

Was der Agent macht:

✅ Code auf anewera.ch Hosting pushen

• Code in Git Repo pushen
• Vercel Deployment triggern

✅ Domain konfigurieren

• Subdomain dentalai-demo.anewera.ch erstellen
• DNS-Records automatisch setzen

✅ SSL-Zertifikat aktivieren

• Let's Encrypt Zertifikat automatisch anfordern
• HTTPS nach 30 Sekunden aktiv

✅ Live-URL zurückgeben

Output:

✅ Deployment erfolgreich!
🌐 Live URL: https://dentalai-demo.anewera.ch
🔒 SSL aktiv
📊 Analytics läuft

---

Total: 16 Minuten

Zusammenfassung:

Von einem Prompt zur Live-Page: 16 Minuten. Kein menschliches Eingreifen.

---

Die technische Architektur

Wie orchestriert Anewera 6 komplexe Steps in 16 Minuten?

1. Daytona Sandbox für Code-Execution

Warum wichtig:
Agent muss Code ausführen (nicht nur generieren)

Daytona liefert:

• Isolierte Linux-Container
• Root-Zugriff für npm install, git push
• Snapshot-Funktion (Code-Versionen speichern)

Konkret:

Agent generiert Code → Daytona Sandbox startet
→ Code wird ausgeführt → Build erfolgreich
→ Output an Agent zurück

2. MCP Server für Tool-Orchestration

Warum wichtig:
Agent braucht Zugriff auf 10+ Tools

MCP liefert:

• Standardisierte Tool-Schnittstelle
• Exa Search, DALL-E, Vercel API, Git, etc.
• Error-Handling pro Tool

Konkret:

Agent: "Brauche Competitor-Analyse"
→ MCP: Exa Search Tool ausführen
→ Resultat zurück an Agent

3. Claude Sonnet für Reasoning

Warum wichtig:
Agent muss planen und entscheiden

Claude Sonnet liefert:

• 200K Context Window (für 16-Min-Workflow)
• XML Tool-Use (bessere Orchestration)
• Self-Correction (Error-Recovery)

Konkret:

Claude plant: "Step 1 → Research, Step 2 → Copy, ..."
→ Führt Tools aus
→ Bewertet Resultate
→ Entscheidet nächsten Step

4. Composio für externe APIs

Warum wichtig:
Agent braucht Zugriff auf externe Services

Composio liefert:

• Pre-built Integrationen: Vercel, GitHub, Slack
• OAuth-Handling
• Rate-Limiting

Konkret:

Agent: "Deploye Code auf Vercel"
→ Composio: Vercel API-Call mit User-OAuth
→ Deployment erfolgreich

5. Streaming für Progress-Updates

Warum wichtig:
User wartet 16 Minuten – braucht Feedback

Streaming liefert:

• Real-Time Updates an Frontend
• Server-Sent Events (SSE)
• Progress-Prozent

Konkret:

Backend: "Step 1 startet..."
→ SSE Stream an Frontend
→ Frontend zeigt: "✅ Marktforschung läuft... (5%)"

---

Die Kosten-Rechnung

Transparenz: Was kostet eine Landing Page via Long-Running Agent?

LLM-Kosten: ~$0.50 pro Landing Page

Breakdown:

Infrastructure: ~$0.10 pro Landing Page

Breakdown:

Total: $0.60 pro Landing Page

Vergleich:

ROI-Rechnung:

Freelancer: CHF 3.000 / Agent: CHF 0.55 = 5.454x günstiger
Freelancer: 1 Woche / Agent: 16 Min = 630x schneller

Aber: Qualität ist nicht 1:1 gleich (siehe "Real-World-Limitationen")

---

Real-World-Limitationen

Ehrlichkeit: Long-Running Agents sind nicht perfekt.

1. Qualität: 80% gut, 20% brauchen manuelles Tweaking

Was gut funktioniert:

• ✅ Struktur (HTML, Layout, Sections)
• ✅ SEO-Meta-Tags
• ✅ Responsive Design
• ✅ Copy (Basis-Qualität)

Was oft Tweaking braucht:

• ⚠️ Design-Feinheiten (Spacing, Farb-Nuancen)
• ⚠️ Copy-Tonalität (zu generisch)
• ⚠️ Image-Auswahl (manchmal Off-Brand)
• ⚠️ CTA-Platzierung (nicht optimal)

Beispiel:

Agent-Output:

Headline: "Nie wieder verpasste Patientenanfragen"

Human-optimiert:

Headline: "Ihre Praxis antwortet auch am Sonntag – automatisch"

→ 10% punchier, emotionaler

2. Kreativität: Agents sind (noch) nicht so kreativ wie Menschen

Problem: LLMs generieren wahrscheinliche Outputs, nicht überraschende

Beispiel Design:

Agent wählt:

• Blau/Weiß (Standard für Medical)
• Montserrat Font (beliebt)
• Hero-Section oben (klassisch)

Human Designer würde vielleicht:

• Überraschendes Grün/Orange-Schema wählen
• Custom-Illustrationen statt Stock-Fotos
• Asymmetrisches Layout mit Wow-Effekt

→ Agent = solide, aber nicht "award-winning"

3. Edge Cases: Komplexe Anforderungen überfordern Agents

Beispiel:

Simple Anfrage (funktioniert):

"Erstelle Landing Page für Dental Tech Startup"
→ Agent macht's problemlos

Komplexe Anfrage (überfordert):

"Erstelle Landing Page mit interaktiver 3D-Zahnmodell-Rotation, 
integriertem Termin-Booking mit Kalender-Sync, Multi-Language-Support 
(DE/FR/IT), und Custom-Animations on Scroll"
→ Agent scheitert bei 3D-Integration

Faustregel:

• Simple bis Medium: Agent schafft's autonom
• High Complexity: Agent braucht menschliche Ko-Piloten

---

Die Zukunft: Noch längere Agents

Long-Running Agents heute: 10-60 Minuten
Long-Running Agents morgen: Stunden bis Tage

Mit größeren Context Windows (1M+ Tokens)

Heute: Claude Sonnet = 200K Tokens
Bald: Gemini 1.5 Pro = 1M Tokens, GPT-5 = 1M+ Tokens?

Was das ermöglicht:

• Agents behalten vollständigen Kontext über Stunden
• Keine Memory-Compression nötig
• Komplexere Workflows ohne Informationsverlust

Beispiel:

Heute: "Erstelle Landing Page" (200K Tokens = 16 Min)
Zukunft: "Erstelle komplettes Marketing-Funnel mit 10 Pages, 
         E-Mail-Sequenz, und Social-Ads" (1M Tokens = 2 Stunden)

Multi-Day-Agents (z.B. "Baue mir ein SaaS-Produkt")

Vision:

Prompt:

"Baue mir ein SaaS-Produkt für Schweizer Zahnärzte: 
Patienten-CRM mit KI-Chat, Termin-Booking, Abrechnung. 
Frontend in React, Backend in Python, Deploy auf AWS."

Agent arbeitet 48 Stunden:

• Day 1 Morning: Research, Design, Architektur
• Day 1 Afternoon: Frontend-Code schreiben
• Day 1 Evening: Backend-API entwickeln
• Day 2 Morning: Database-Schema erstellen
• Day 2 Afternoon: Integration testen
• Day 2 Evening: Deployment, Security-Audit

Resultat: Funktionierender MVP in 2 Tagen

Kosten: ~$50-100 (vs. CHF 50.000 Agentur)

Fully-Autonomous-Agents (ohne menschliches Eingreifen)

Heute: Agents brauchen menschliches Approval bei kritischen Steps

Zukunft: Agents arbeiten komplett autonom

Szenario:

Startup-Gründer:

"Agent, baue mir ein Produkt, launche es, und acquire erste Kunden."

Agent (48h später):

✅ MVP gebaut (www.product.com)
✅ Landing Page live
✅ Google Ads Kampagne gestartet ($500 Budget)
✅ Erste 10 Signups generiert
✅ Stripe Zahlungen integriert
📊 Dashboard: 2 Paid Conversions ($200 Revenue)

→ Von Idee zu ersten Kunden: 48h, autonom

Herausforderungen:

• Trust: Lässt User Agent $500 ausgeben?
• Legal: Wer haftet bei Fehlern?
• Safety: Wie verhindern wir schädliche Aktionen?

---

Fazit: Long-Running Agents sind die Zukunft der Arbeit

Zusammenfassung:

✅ Long-Running Agents orchestrieren komplexe, mehrstufige Workflows über 10+ Minuten (oder Stunden)

✅ Sie ersetzen ganze Workflows, nicht nur einzelne Tasks – von Research über Design bis Deployment

✅ Konkret: Landing Page in 16 Minuten für $0.60 statt CHF 5.000 in 2 Wochen

✅ Technisch: Daytona Sandboxes + MCP + Claude Sonnet + Composio + Streaming

✅ Limitationen: 80% direkt nutzbar, 20% brauchen Human-Tweaking; weniger kreativ als Top-Designer; Edge Cases überfordern

✅ Zukunft: Multi-Day-Agents (SaaS-Produkte in 48h), Fully-Autonomous (von Idee zu Kunden ohne Mensch)

Die Implikation: Wissen und Execution werden demokratisiert. Jeder kann mit einem Prompt in 16 Minuten eine Landing Page, in 48h ein SaaS, in einer Woche ein Unternehmen starten.

Die Frage ist nicht ob, sondern wann.

Möchten Sie Long-Running Agents in Ihrem Unternehmen einsetzen? Kontaktieren Sie Anewera für eine kostenlose Beratung.

---

Verwandte Artikel

• Daytona Sandboxes: Sichere Infrastruktur für KI-Agenten
• MCP Server erklärt: Die Zukunft der KI-Integrationen
• Claude Haiku vs. Sonnet: Der ultimative Tool-Use-Vergleich

---

Häufig gestellte Fragen (FAQ)

Wie lange dauert ein typischer Long-Running Agent?
10-60 Minuten für Standard-Workflows (Landing Page, Report-Erstellung). Multi-Day-Agents für komplexe Projekte (SaaS-MVP) sind in Entwicklung.

Was kostet ein Long-Running Agent-Run?
$0.10-2.00 je nach Komplexität. Eine Landing Page kostet ~$0.60 (LLM + Infrastructure).

Kann ich den Agent während der Ausführung stoppen?
Ja, bei Anewera können Sie Workflows pausieren, Zwischenstände speichern und später fortsetzen.

Wie gut ist die Qualität vs. menschliche Arbeit?
80% der Agent-Outputs sind direkt nutzbar. 20% brauchen manuelles Tweaking für Feinschliff. Design und Copy sind "gut" aber nicht "exzellent".

Was passiert bei Fehlern im Workflow?
Agent versucht Self-Correction (3 Retries mit Backoff). Bei persistenten Fehlern: Fallback-Optionen oder Human-Handoff. Fortschritt wird immer gespeichert.

Wann werden Multi-Day-Agents verfügbar sein?
Erste Piloten Q2 2025. Public Launch abhängig von Context-Window-Upgrades (1M+ Tokens) bei LLM-Providern.