KI-Agenten auf dem Peec AI MCP für AEO und GEO bauen (2026)

TL;DR

• Ende 2025 hat Peec AI einen offiziellen MCP-Server veröffentlicht — damit ist die gesamte Mess-Ebene für KI-Suche (Projekte, Prompts, Markensichtbarkeit pro Engine, vollständige KI-Antwort-Transkripte, der Quellen-/Zitationsgraph und die bewerteten Actions) direkt von einem LLM-Agenten aufrufbar.
• Das heißt: Sie können einen Claude- oder GPT-Agenten direkt an die Grundwahrheit anschließen, wie ChatGPT, Perplexity, Gemini und AI Overviews Ihre Kategorie tatsächlich beantworten — und ihn über die Daten schließen lassen, um dann die Arbeit zum Schließen der Lücken zu entwerfen.
• Das Build-Muster ist ein fünfstufiger Read-only-Loop: Baseline → Lücke finden → Antworten lesen → Empfehlungen ziehen → Arbeitspaket entwerfen, mit einem menschlichen Ship-Gate, bevor irgendetwas veröffentlicht wird.
• Der ehrliche Teil: Der Agent triagiert und entwirft; ein Mensch prüft und veröffentlicht. Dashboards messen; der Agent + Mensch bewegen die Zahl.

Geschrieben von AI Heroes — wir bauen produktive Agenten auf dem Peec MCP. Zuletzt aktualisiert: Juni 2026.

Was ist der Peec AI MCP, und warum ist er für GEO/AEO wichtig?

Das Model Context Protocol (MCP) ist ein offener Standard, um KI-Anwendungen mit externen Tools und Daten zu verbinden — „ein USB-C-Anschluss für KI-Anwendungen". Peec AI — eine KI-Such-Analyseplattform, die verfolgt, wie Marken in ChatGPT, Perplexity, Gemini, Google AI Overviews und mehr auftauchen — bietet jetzt einen offiziellen MCP-Server. Verbinden Sie ihn mit einem MCP-fähigen Host (Claude, Cursor, Ihr eigener Agent), und das Modell kann Peecs Daten direkt aufrufen.

Warum das zählt: Jedes GEO/AEO-Tool ist heute ein Dashboard. Es misst, wie Sie in KI-Antworten erscheinen. Aber Messung ist nicht die Arbeit — der Wert liegt im Loop von Tool-Daten → Agenten-Reasoning → ausgelieferter Arbeit (Content, Schema, Off-Site-Platzierungen). Peecs eigene Actions-Funktion endet bei „hier ist die priorisierte Lücke und ein Beispiel zum Nachahmen"; den Content müssen Sie noch erstellen. Der MCP ist das, was einen Agenten genau an diesem Übergabepunkt ansetzen lässt.

Welche Daten stellt der Peec AI MCP tatsächlich bereit?

Weit mehr als „Sichtbarkeit ist gestiegen oder gefallen". Der Server stellt ein abfragbares Datenmodell bereit: Projects (eine getrackte Marke + ihre Wettbewerber + eine Prompt-Bibliothek), Prompts (täglich über Engines getrackte Fragen), Brands (Ihre + Wettbewerber), Chats (die wortwörtliche Antwort einer Engine auf einen Prompt an einem Datum — die atomare Einheit der KI-Such-Realität) und den Quellen-/Zitationsgraphen (welche URLs eine Engine abgerufen versus inline zitiert hat — diese sind unabhängig, und genau diese Unterscheidung ist das ganze Spiel).

Die Metrik-Semantik — bringen Sie diese in Ordnung (die meisten tun es nicht):

Der häufigste Fehler in der GEO-Tool-Lesekompetenz ist, retrieval_rate und citation_rate als Prozentwerte zu behandeln. Es sind Durchschnitte und können größer als 1,0 sein. Nur visibility, share_of_voice und retrieved_percentage sind die 0–1-Verhältnisse, die Sie mit 100 multiplizieren.

Die wichtigsten Read-Tools:

Es gibt auch Write-Tools (create_prompt, update_brand usw.), die ein Projekt konfigurieren. Ein Analyse-Agent sollte standardmäßig read-only sein — Writes mutieren ein laufendes Tracking-Projekt und gehören hinter eine ausdrückliche menschliche Freigabe.

Wie verbindet MCP einen Agenten mit Peec?

MCP hat drei Rollen: einen Host (die KI-App), einen Client (einer pro Server, vom Host gestartet) und den Server (Peec). Lokale Server kommunizieren über stdio; Remote-Server wie Peec nutzen Streamable HTTP. Die Datenebene ist JSON-RPC 2.0: Der Client führt einen initialize-Handshake aus, ruft tools/list auf, um das Schema jedes Tools zu entdecken, und setzt tools/call mit {name, arguments} ab, wenn das Modell eines wählt — und speist das Ergebnis zurück in die Konversation.

Auth ist der Teil, den man richtig machen muss. Die MCP-Spezifikation schreibt OAuth 2.1 für geschützte Server vor, mit immer erforderlichem PKCE, Protected Resource Metadata (RFC 9728) für die Discovery und Audience-Validierung (RFC 8707), damit ein Token für einen Server nicht bei einem anderen wiederverwendet werden kann. In der Praxis fügen Sie den Peec-Connector in Ihrem MCP-Host hinzu, durchlaufen einmal einen OAuth-Flow, und der Agent ruft Tools auf, ohne je Ihr Peec-Passwort zu sehen.

Das ist heute aufwandsarm, weil MCP zur Infrastruktur wurde: Im Dezember 2025 hat Anthropic MCP an die Agentic AI Foundation übergeben, einen Fonds der Linux Foundation — mitgegründet mit Block und OpenAI und unterstützt von Google, Microsoft und AWS. Einen Agenten an Peec zu verdrahten ist ein Konfigurationsschritt, kein Integrationsprojekt.

Wie baut man einen GEO-Agenten auf dem Peec MCP?

Das vertretbare Design ist ein read-only Analyse- und Entwurfs-Agent plus ein menschliches Ship-Gate. Der Agent veröffentlicht nie; er produziert eine gerankte, evidenzgestützte Arbeitswarteschlange und Erst-Entwürfe. Ein Mensch prüft und veröffentlicht.

        ┌──────────────────────────────────────────────┐
        │            PEEC AI MCP  (read-only)           │
        │  get_brand_report · get_domain_report ·       │
        │  get_url_report · get_chat · get_url_content · │
        │  get_actions · get_agent_visits               │
        └───────────────▲───────────────┬──────────────┘
                        │ tool calls     │ JSON
        ┌───────────────┴───────────────▼──────────────┐
        │             GEO AGENT (LLM + MCP client)      │
        │  1 BASELINE → 2 GAP → 3 READ →                │
        │  4 RECOMMEND → 5 DRAFT WORK PACKAGE           │
        └───────────────┬───────────────────────────────┘
                        │ ranked queue + drafted assets
                        ▼
              ┌───────────────────┐     ┌────────────────────┐
              │  HUMAN SHIP GATE  │ ───▶│  EXECUTION SURFACES │
              │ verify·edit·sign  │     │ content · JSON-LD · │
              └─────────┬─────────┘     │ Reddit/PR/off-site  │
                        │               └─────────┬──────────┘
                        │  after publish          │
                        └──── re-baseline ◀───────┘
                          (get_agent_visits + next brand_report = did it move?)

Stufe 1 — Baseline. get_brand_report, aufgebrochen nach model_channel_id (pro Engine) und erneut nach topic_id (pro Cluster). Output: Ihre visibility/SoV/position pro Engine, das Wettbewerber-Leaderboard und wo Sie bei 0 % stehen.

Stufe 2 — Die Lücke finden. Der wichtigste Aufruf im ganzen Loop:

get_domain_report(
  project_id, start_date, end_date,
  filters=[{ field: "gap", operator: "gte", value: 1 }],
  order_by="citation_count", limit=200
)

Das gibt die Domains zurück, die Ihre Wettbewerber zitieren, aber Sie nicht, getaggt nach classification (Competitor / Editorial / Reference / UGC / You), damit Sie den Typ der Lücke kennen. Führen Sie denselben gap-Filter auf get_url_report aus, um die genauen Seiten zu erhalten.

Stufe 3 — Die Antworten lesen. Für die schwächsten hochwertigen Prompts list_chats → get_chat, um wortwörtlich zu lesen, was jede Engine sagte, welche Quellen sie abrief vs zitierte und an welcher Position. Dann get_url_content auf die wichtigsten Gap-URLs, um zu lesen, warum diese Seiten gewinnen (Struktur, antwort-first-Intros, Tabellen, Aktualität). Das macht aus „wir verlieren" ein „hier ist genau das Format und die Quelle, gegen die wir verlieren".

Stufe 4 — Die Empfehlungen ziehen. get_actions(scope="overview") für die Chancen-Scores, dann drillen (scope="owned" + eine url_classification, oder scope="ugc" + eine domain). Führen Sie Peecs text-Actions mit der eigenen Gap-Analyse des Agenten in einer priorisierten Liste zusammen.

Stufe 5 — Das Arbeitspaket entwerfen. Pro Action liefert der Agent ein antwort-first-Content-Briefing oder einen Entwurf (H2s = die tatsächlich getrackten Prompts), das hinzuzufügende JSON-LD-Schema und eine Off-Site-Zielliste mit einem maßgeschneiderten Pitch/Kommentar für jede Gap-Quelle.

Was ist der Gap-Report, und warum ist er der wichtigste Aufruf?

Weil das meiste, was über KI-Zitationen entscheidet, außerhalb Ihrer eigenen Domain passiert. AirOps' Off-Site-Signal-Analyse fand, dass Marken bei kommerziellen Top-of-Funnel-Anfragen rund 6,5× häufiger über Drittquellen genannt werden als über ihre eigene Domain, und Otterlys Citations-Report 2026 — über 1 Mio.+ Zitationen — fand, dass Community-Plattformen wie Reddit und Quora allein mehr als die Hälfte (52,5 %) der KI-Zitationen auf sich vereinen, mehr als markeneigene Domains. Der gap-Report ist der eine Aufruf, der Ihnen diese Off-Domain-Landkarte direkt liefert: die konkreten Listicles, Vergleichs-Aggregatoren, Reddit-Threads und Referenzseiten, denen die Engines in Ihrer Kategorie bereits vertrauen, gerankt, mit den Quellen markiert, die Wettbewerber zitieren, Sie aber nicht.

Von Daten zu ausgelieferter Arbeit — und wo der Mensch unterschreibt

Der Output des Agenten ist eine Arbeitswarteschlange, keine veröffentlichte Änderung. Ein Mensch bleibt an vier Punkten im Loop, und das ist ein Feature, keine Einschränkung: vor jedem Write oder Publish freigeben; Markenstimme und faktische Richtigkeit prüfen bei jedem entworfenen Asset (das Anti-KI-Slop-Gate); Off-Site-Beiträge von Hand senden (ein Reddit-Kommentar muss ein echter, offengelegter, mehrwertstiftender menschlicher Beitrag sein, nie automatisierter Spam); und nach Geschäftswert neu ranken, denn ein Chancen-Score ist nicht dasselbe wie strategische Bedeutung.

Woran erkennen Sie, dass es funktioniert hat?

Schließen Sie den Loop mit Daten. Nachdem Menschen ausgeliefert haben, bestätigt get_agent_visits, dass die KI-Crawler (GPTBot, OAI-SearchBot, PerplexityBot, ClaudeBot) die neuen Seiten tatsächlich abrufen, und der get_brand_report des nächsten Zyklus zeigt, ob sich Sichtbarkeit und Share of Voice bei den anvisierten Prompts bewegt haben. Der Agent berichtet Deltas, keinen Vanity-Output.

Peec MCP von Hand vs. mit einem Agenten vs. Done-for-you

Das ist die Tool-vs.-Agentur-vs.-Agent-Entscheidung, angewandt auf ein Tool — lesen Sie Peec selbst, richten Sie Ihren eigenen Agenten darauf, oder lassen Sie es für sich laufen?

Fazit

Der Peec MCP macht aus KI-Such-Messung etwas, auf das ein Agent handeln kann — die Kategorie baselinen, die Off-Domain-Lücken finden, die tatsächlichen Antworten lesen und die Arbeit zum Schließen entwerfen, während ein Mensch das Ergebnis ausliefert. Die Daten sind endlich agenten-aufrufbar; die Ausführung ist weiterhin der Ort des Werts. Beginnen Sie mit der Quellenlücke. Dann bewegen Sie die Antwort.

Wenn Sie den Agenten lieber nicht selbst bauen und betreiben wollen, ist genau das, was AI Heroes tut — Schmitdy ist unser KI-Such-Agent, gebaut auf diesem Muster, mit Menschen für Qualität und Outreach.