--- title: "Marketing-Research-Agent in Cursor mit Minds MCP bauen" description: "Worked Walkthrough: einen Custom-Marketing-Research-Agenten in Cursor bauen, der PostHog ausliest, Minds-Panels fährt und nach Slack postet." canonical_url: "https://getminds.ai/blog/de/build-marketing-research-agent-cursor-minds-mcp" last_updated: "2026-06-22T02:06:06.758Z" --- # Marketing-Research-Agent in Cursor bauen Dieser Leitfaden ist für jemanden, der einen eigenen Marketing-Research-Agenten bauen will, statt einen von der Stange zu nutzen. Das Endergebnis ist ein Agent in Cursor, der ein Forschungs-Briefing in natürlicher Sprache nimmt, Produkt-Analytics aus PostHog zieht, ein synthetisches Panel mit Minds fährt, beides querverweist und eine Zusammenfassung in Slack postet. Etwa 90 Minuten Arbeit Ende-zu-Ende, wenn du bereits Konten bei den drei Diensten hast. Es geht nicht darum, ein poliertes Produkt zu shippen. Es geht darum, den agentischen Loop konkret zu machen: Agent erhält Briefing, Agent ruft mehrere MCP-Server in Sequenz auf, Agent reasoniert über das gemeinsame Ergebnis, Agent berichtet zurück. Sobald du einen gebaut hast, komponiert das Muster auf alles andere, was du bauen willst. ## Voraussetzungen Drei Konten und drei API-Schlüssel: - Ein Minds-Konto mit einem API-Schlüssel (`minds_…`). Bei getminds.ai anmelden, falls noch nicht vorhanden. - Ein PostHog-Konto mit einem persönlichen API-Schlüssel. - Ein Slack-Workspace, in dem du über einen Webhook oder App-Token in einen Channel posten kannst. Eine Cursor-Installation (oder einen beliebigen Editor mit MCP-Support: VS Code mit Copilot funktioniert genauso). Etwa 30 Minuten konzentrierte Setup-Zeit, dann 60 Minuten Iteration am Briefing und Prompt des Agenten. ## Schritt 1: Die drei MCP-Server verbinden Jeder der drei Dienste exponiert einen MCP-Server. Wir verbinden alle drei mit Cursor. In Cursor öffne Settings → MCP und füge drei Server hinzu. *Minds.* Füge einen neuen Server mit URL `https://getminds.ai/mcp` hinzu und autorisiere via OAuth. Die 12 Minds-Tools (`create_panel`, `ask_panel`, `export_panel` etc.) erscheinen in deinem Tool-Picker. Die Produktdokumentation startet in der [Minds MCP Server Übersicht](/mcp/overview); für client-spezifische Schritte nutze den [Minds MCP Setup Guide](/mcp/setup). *PostHog.* PostHog shippt seinen eigenen MCP-Server. Das empfohlene Setup ist der Remote-Endpoint unter `https://app.posthog.com/mcp`, ebenfalls mit OAuth. Du bekommst 55 Tools, die Events, Funnels, Cohorts und Dashboards abdecken. *Slack.* Der Slack-MCP-Server ist über npm verfügbar. Füge ihn als stdio-Server mit `npx -y @modelcontextprotocol/server-slack` und deinem Slack-Bot-Token in der env hinzu. Zwei Tools reichen: `slack_post_message` und `slack_list_channels`. Cursor neu starten. Alle drei Server sollten in der Tool-Liste des Agenten erscheinen. Teste jeden, indem du den Agenten bittest, Panels (Minds), Cohorts (PostHog) und Channels (Slack) aufzulisten. ## Schritt 2: Einen automatisierungswürdigen Forschungs-Workflow wählen Der Agent ist nur so nützlich wie der Workflow, den du ihm gibst. Wähle etwas Spezifisches. Das Beispiel, das wir bauen werden: > Nimm einen Feature-Namen, finde Nutzer, die das Feature in den letzten 30 Tagen in PostHog verwendet haben, charakterisiere sie über Minds als synthetische Persona, frage diese Persona, warum sie das Feature empfehlen oder nicht empfehlen würde, und poste eine Zusammenfassung in #product-research in Slack. Dieses Muster (Real-Data-Grounding plus synthetische Anreicherung plus Team-Distribution) ist über viele Entscheidungen wiederverwendbar. Ersetze durch dein eigenes. ## Schritt 3: Den Agent-Prompt schreiben Lege den Agent-Prompt in eine Cursor `.cursorrules`-Datei oder als System-Nachricht deiner Agent-Sitzung. Die Struktur, die funktioniert: ```text You are a marketing research agent. Your job is to take a feature name as input and return a recommendation summary, posted to Slack. For each request, do the following in order: 1. Use PostHog tools to find users who triggered the feature event in the last 30 days. Get a count and basic properties (plan tier, account age, region). 2. Build a Minds persona that matches the dominant cohort from step 1. Use `create_mind` with a description that captures the cohort's plan tier, tenure, and likely role. 3. Create a panel of three personas matching that profile, using `create_panel` then `ask_panel`. Ask: "Would you recommend this feature to a colleague? Why or why not? What would have to change for it to be a yes?" 4. Cross-reference the panel response against the PostHog data. Look for alignment (do the panel's stated reasons match the actual usage patterns?) and gaps (does the panel surface concerns the metrics don't show?). 5. Post a summary to #product-research in Slack with three sections: - Cohort profile (who used it) - Panel verdict (recommend or not, top stated reasons) - Recommended action (what to do next) Keep the Slack summary under 500 words. Link back to the full panel export. ``` Dieser Prompt macht drei Dinge bewusst: - Er gibt die Schritte hart vor, damit der Agent nicht abkürzt. - Er sagt dem Agenten, wie er Ergebnisse über Tools komponieren soll, nicht nur wie er sie aufruft. - Er begrenzt die Ausgabe so, dass die Slack-Nachricht tatsächlich lesbar ist. ## Schritt 4: Gegen ein echtes Feature testen Wähle ein Feature, das dein Produkt tatsächlich gelauncht hat. Lass den Agenten laufen. Die erwartete Sequenz: 1. Agent ruft PostHog `events`-Query für `feature_used` gefiltert auf den Feature-Namen und die letzten 30 Tage. Gibt Count und Sample zurück. 2. Agent ruft PostHog `cohorts` auf, um die Nutzer zu charakterisieren. Identifiziert die dominante Plan-Tier und das durchschnittliche Konto-Alter. 3. Agent ruft Minds `create_mind` mit einer Persona-Beschreibung wie "Mid-Tier zahlender Kunde, 6 bis 18 Monate auf der Plattform, Hauptnutzer von Feature-Kategorie " auf. 4. Agent ruft Minds `create_panel` mit drei dieser Personas auf. 5. Agent ruft Minds `ask_panel` mit der Empfehlungsfrage auf. 6. Agent liest die Antworten. Ruft Minds `export_panel` auf, um die volle Sitzung für den Slack-Link zu speichern. 7. Agent ruft Slack `slack_post_message` mit der strukturierten Zusammenfassung und dem Export-Link auf. Ende-zu-Ende-Zeit: 60 bis 120 Sekunden, je nach Cohort-Größe und Panel-Antwort-Länge. Ende-zu-Ende-Kosten: ungefähr 0,15 Dollar an MCP-Aufruf-Kosten plus 0,05 Dollar an Agent-Inferenz. Wenn ein Schritt fehlschlägt, wird der Agent meist einmal wiederholen oder pivotieren. Wenn er stecken bleibt, ist die häufigste Ursache ein brüchiger Prompt in Schritt 4 (die Persona-Beschreibung passt nicht sauber zur Cohort). Die Persona-Beschreibung flexibler umschreiben und neu laufen lassen. ## Schritt 5: Planen Der Agent generiert nur Wert, wenn er ohne dich läuft. Zwei Pfade: *Manueller Trigger über Slack.* Füge einen `/research [feature-name]`-Slash-Command hinzu, der den Cursor-Agenten triggert. Das ist der einfachste Pfad und funktioniert für Ad-hoc-Forschung. *Cron-Trigger.* Verwende einen CI-Workflow (GitHub Actions, Linear-Automation, alles, was nach Zeitplan laufen kann), um eine Liste von Feature-Namen jeden Montag an den Agent-Endpoint zu senden. Der Agent fährt den Workflow einmal pro Feature und postet jede Zusammenfassung. Das Team bekommt einen Montagmorgen-Forschungs-Digest ohne Human-Overhead. Der Cron-Pfad ist dort, wo der Wert compoundet. Ein Team, das ein Quartal lang Feature-Level-Forschung auf jedem ausgelieferten Feature fährt, lernt mehr über sein Produkt als ein Team, das eine große Studie pro Jahr fährt, und zu weniger als 5 Prozent der Kosten. ## Wo Custom-Agenten Off-the-Shelf schlagen Das Argument, das selbst zu bauen, statt ein verpacktes Forschungstool zu nutzen: *Workflow-Spezifität.* Off-the-Shelf-Tools optimieren für den häufigsten Fall. Der Forschungs-Workflow deines Teams ist selten der häufigste Fall. Ein Custom-Agent passt genau zum Entscheidungsrhythmus. *Tool-Komposition.* Die interessanten Bewegungen passieren, wenn synthetische Forschung gegen echte Produktdaten geerdet wird, dann im Team-Channel verteilt wird. Kein Off-the-Shelf-Tool macht die ganze Kette. Ein Custom-Agent, der drei MCPs zusammennäht, schon. *Kostenkontrolle.* Du zahlst pro Aufruf, pro Service. Keine Seat-Lizenzen, keine Plattformgebühren obendrauf. Heavy Usage rechnet sich auf Team-Skala günstiger als verpackte Tools; Light Usage ist im Wesentlichen kostenlos. *Iterations-Geschwindigkeit.* Den Workflow zu ändern heißt, den Prompt zu ändern. Keine Vendor-Roadmap, keine Feature-Requests. Die Beschränkung ist deine eigene Aufmerksamkeit, nicht der Release-Zyklus von jemand anderem. ## Häufige Stolperfallen Ein paar scharfe Kanten aus dem Produktivbetrieb: - *Persona-Drift über Aufrufe.* Wenn du für jeden Lauf einen neuen Mind erstellst, verschiebt sich das Persona-Profil jedes Mal subtil. Persistiere den Mind einmal (cache die ID) und verwende ihn wieder. Das Minds MCP exponiert `list_minds` genau dafür. - *PostHog-Query-Timeouts.* Große Cohorts lassen den Agenten timeouten. Die Cohort-Größe im Prompt deckeln oder auf eine repräsentative Stichprobe vorfilttern. - *Slack-Nachrichten-Größenlimits.* Slack kürzt Nachrichten über 4000 Zeichen. Die 500-Wörter-Cap im Prompt liegt deutlich darunter, aber wenn der Agent es ignoriert, als Thread statt als einzelne Nachricht posten. - *OAuth-Token-Rotation.* Alle drei Dienste rotieren Tokens periodisch. Wenn der Agent plötzlich aufhört zu arbeiten, jeden Connector neu autorisieren, bevor du den Prompt debugst. ## Wohin das geht Der Single-Feature-Empfehlungs-Workflow ist der Startpunkt. Sobald er funktioniert, generalisiert derselbe Agent auf: - Wöchentliche Kampagnen-Effektivitäts-Loops (synthetische Ad-Reaktionen vor dem Live-Gehen der Kampagne fahren, gegen tatsächliche Click-Through danach validieren) - Monatliche Wettbewerbspositionierung (synthetische Panels gegen Wettbewerber-Messaging fahren, gegen die eigenen Konversionsdaten querverweisen) - Quartalsweise Persona-Refresh (synthetische Personas basierend auf beobachteten Produktverhalten-Verschiebungen aktualisieren) Jede ist dieselbe Form: Real-Data-Grounding, synthetische Anreicherung, Team-Distribution. Bau den ersten. Der Rest sind Variationen. Für mehr dazu, was sich daneben zu verbinden lohnt, siehe [die besten MCP-Server für Marketing- und Research-Agenten 2026](/blog/best-mcp-servers-marketing-research-agents-2026). Für die zugrunde liegende Kategorie siehe [agentische Marktforschung, definiert](/blog/agentic-market-research-definition). Für die Vertrauensfrage zu synthetischer Ausgabe siehe [agentische Forschungsausgabe validieren](/blog/validating-agentic-research-output-eval-frameworks).