Communitygithub.com

ABM-Landingpage-Skill

Erstelle personalisierte ABM (Account-Based Marketing) Landingpages für spezifische Interessenten. Nutzt eine LinkedIn-URL, analysiert deren Hintergrund und erzeugt eine zielgerichtete Seite, die authentisch wirkt (nicht KI-generiert).

Was ist ABM-Landingpage-Skill?

Dieser Skill ermöglicht die Erstellung hochgradig personalisierter ABM-Landingpages (Account-Based Marketing) auf Basis von LinkedIn-Profilen. Im Kern analysiert der Skill das Profil eines Interessenten, um dessen spezifische Rolle, Erfahrungen, Schmerzpunkte und Branchenjargon zu identifizieren. Daraus wird eine Landingpage generiert, die nicht wie eine KI-generierte Massenware wirkt, sondern authentisch und zielgerichtet auf die Bedürfnisse des einzelnen Prospects eingeht – ohne dabei dessen Namen zu verwenden, um den Eindruck von Massenpersonalisierung zu vermeiden. Der Skill unterstützt Plattformen wie Next.js und setzt auf eine klare, semantische HTML-Struktur mit SEO- und AEO-Optimierung (Answer Engine Optimization). Er enthält detaillierte Richtlinien zur Anti-KI-Erkennung, wie die Vermeidung von Buzzwords, Emojis und zu glatter Sprache, sowie die Verwendung branchenspezifischer Begriffe und realistischer Szenarien. Die erzeugten Seiten beinhalten eine Kopfzeile, TL;DR, Aufzählung von Schmerzpunkten, Vergleichstabellen, soziale Beweise, Demo-Bereiche und einen einfachen CTA (Call-to-Action) – alles strukturiert für optimale Crawlbarkeit durch KI-Suchmaschinen. Die Arbeitsweise umfasst die Profilanalyse, die Generierung eines segmentbasierten URL-Pfads (z. B. '/for/uipath-certified' statt '/for/jon'), die Erstellung der eigentlichen Seitenkomponenten (`page.tsx` und `client.tsx`) sowie das Hinzufügen von JSON-LD-Schema und PostHog-Tracking.

Funktioniert mit✓Claude Code~Codex CLI~Cursor✓Gemini CLI
npx skills add https://github.com/mediar-ai/skillhubz/tree/HEAD/packages/skills/skills/abm-landing-page

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

ABM Landingpage Skill

Erstelle hochgradig personalisierte Landingpages für spezifische Interessenten, die die Conversion maximieren und gleichzeitig KI-Erkennungsmuster vermeiden.

Arbeitsablauf

Schritt 1: Profilanalyse

Anhand einer LinkedIn-URL extrahieren:

  1. Aktuelle Rolle & Unternehmen – Was machen sie Tag für Tag?
  2. Bisherige Erfahrung – Welche Tools/Plattformen haben sie genutzt?
  3. Schmerzpunkte – Basierend auf Stellenbeschreibungen, mit welchen Problemen kämpfen sie?
  4. Branchenjargon – Welche spezifischen Begriffe verwenden sie?
  5. Zertifizierungen – Welche Qualifikationen besitzen sie?

Nutze das LinkedIn-Profil, um ihre Welt tiefgehend zu verstehen.

Schritt 2: Segmentbasierten URL-Pfad erstellen

NIEMALS den Namen der Person in der URL verwenden. Erstelle ein Segment, das wie eine Kategorieseite aussieht:

SchlechtGut
/fuer/jon/fuer/uipath-certified
/fuer/sarah-schmidt/fuer/rpa-berater
/fuer/max-mustermann/fuer/enterprise-it-leiter

Die URL sollte so aussehen, als würde sie eine Rolle/ein Segment ansprechen, nicht eine Einzelperson.

Schritt 3: Inhaltsrichtlinien

MACHEN:

  • Verwende branchenspezifischen Jargon, den nur Insider kennen
  • Beziehe dich auf spezifische Tools/Produkte, die sie genutzt haben (z. B. idx_aaname, DU-Modell, Orchestrator)
  • Schreibe einen konversationellen, leicht unperfekten Text
  • Variiere Satzlänge und -struktur
  • Füge spezifische Szenarien ein („Samstag, 2 Uhr nachts. Das Upgrade ist fehlgeschlagen.“)
  • Verwende lockere Sprache („Typisch.“, „Abschicken und hoffen.“)

NICHT MACHEN:

  • Keine Emojis oder Icon-Grids verwenden
  • Keine Buzzwords wie „10x“, „revolutionär“, „transformieren“, „selbstheilend“
  • Keine sich wiederholenden Satzstrukturen verwenden
  • Keine zu polierten, perfekten Prosa verwenden
  • Kein generisches Marketingsprech verwenden
  • Den Namen der Person nirgendwo auf der Seite erwähnen

Schritt 4: Seitenstruktur

app/fuer/[segment-name]/\n  page.tsx       # Serverkomponente mit Metadaten + JSON-LD-Schema
  client.tsx     # Clientkomponente mit UI

page.tsx Vorlage (mit SEO/AEO-Optimierungen)

import { Metadata } from "next";
import SegmentPageClient from "./client";

export const metadata: Metadata = {
  title: "Für [Segment] | Mediar",
  description: "[Kurze, lockere Beschreibung des Schmerzpunkts]",
  robots: "noindex, nofollow", // Private Seite – nicht indexieren
};

// JSON-LD-Schema für KI-/Such-Crawler
const jsonLd = {
  "@context": "https://schema.org",
  "@type": "Article",
  headline: "[Seitenüberschrift]",
  description: "[Beschreibung]",
  datePublished: "2026-01-20",
  dateModified: "2026-01-20",
  author: { "@type": "Organization", name: "Mediar", url: "https://mediar.ai" },
  publisher: { "@type": "Organization", name: "Mediar", url: "https://mediar.ai" },
  mainEntity: {
    "@type": "FAQPage",
    mainEntity: [
      // FAQ-Elemente basierend auf ihren Schmerzpunkten hinzufügen
      {
        "@type": "Question",
        name: "[Frage, die sie stellen würden]",
        acceptedAnswer: { "@type": "Answer", text: "[Direkte Antwort]" },
      },
    ],
  },
};

export default function SegmentPage() {
  return (
    <>
      <script
        type="application/ld+json"
        dangerouslySetInnerHTML={{ __html: JSON.stringify(jsonLd) }}
      />
      <SegmentPageClient />
    </>
  );
}

client.tsx Struktur

Semantisches HTML für KI-Crawler verwenden:

<article>
  <header>  {/* Hero-Bereich */}
    <h1>...</h1>
    <p>Aktualisiert <time dateTime="2026-01-20">Januar 2026</time></p>
  </header>

  <section>  {/* TL;DR */}
    <h2>TL;DR</h2>
    <ul>...</ul>
  </section>

  <section>  {/* Schmerzpunkte */}
    <h2>...</h2>
  </section>

  <section>  {/* Vergleich – <table> verwenden, nicht divs */}
    <h2>...</h2>
    <table>...</table>
  </section>

  <section>  {/* Sozialer Beweis */}
    <h2>...</h2>
  </section>

  <section>  {/* Demo/Video */}
    <h2>...</h2>
  </section>

  <section>  {/* CTA */}
    <h2>...</h2>
  </section>
</article>

Reihenfolge der Abschnitte:

  1. Kopfzeile/Hero – Eine pointierte Frage zu ihrem Hauptschmerzpunkt + sichtbares Datum
  2. TL;DR – 3-4 Aufzählungspunkte mit den wichtigsten Erkenntnissen (KI liebt das)
  3. Schmerzpunkte – 4-6 spezifische Szenarien, die sie erkennen (keine Icons)
  4. Vergleich – Ihr aktuelles Tool vs. Mediar (<table> verwenden, nicht divs)
  5. Sozialer Beweis – Testimonials von ähnlichen Rollen
  6. Demo/Video – Konkretes Beispiel, das für ihre Arbeit relevant ist
  7. CTA – Einfache, niedrigschwellige Aufforderung

Schritt 5: PostHog-Tracking

Seitenaufrufe und CTA-Klicks mit Segment-Identifikatoren verfolgen (keine persönlichen Daten):

useEffect(() => {
  if (posthog) {
    posthog.capture("segment_page_viewed", {
      page: "/fuer/[segment]",
      segment: "[segment_identifier]",
    });
  }
}, [posthog]);

Anti-KI-Erkennungs-Checkliste

Vor dem Ausliefern prüfen:

  • URL verwendet Segmentnamen, nicht den Namen der Person
  • Kein Personenname erscheint irgendwo auf der Seite
  • Keine Emoji-Icons im Inhalt
  • Keine generischen Buzzwords (10x, revolutionär, transformieren, freischalten, befähigen)
  • Satzlängen variieren deutlich
  • Einige Sätze sind kurz. Wirklich kurz.
  • Branchenjargon ist spezifisch und korrekt
  • Text hat charakteristische Eigenheiten (Gedankenstriche, Satzfetzen, lockere Nebenbemerkungen)
  • Übergänge sind nicht zu glatt/perfekt
  • Spezifische Szenarien schlagen generische Vorteile

Beispiel-Schmerzpunkte nach Rolle

UiPath-Entwickler

  • Selektorwartung (aaname, idx, Ankerelemente)
  • Ausnahmebehandlung (alles try-cachen)
  • Document Understanding Training
  • Orchestrator-Updates/Wartungsfenster
  • Versionskompatibilitätsprobleme
  • Best Practices an Junioren vermitteln

Power Automate-Benutzer

  • Zuverlässigkeit von Desktop-Flows
  • Probleme mit Verbindungsaktualisierungen
  • Kosten für Premium-Connectoren
  • Grenzen des Flow-Ausführungsverlaufs
  • Debuggen von Cloud-Flows

IT-Manager (RPA)

  • Bot-Lizenzkosten (420 $/Bot/Monat)
  • Infrastruktur-Overhead
  • Skalierung von betreuten vs. unbeaufsichtigten Bots
  • Sicherheits-/Compliance-Bedenken
  • ROI-Messung

Finanzen/Ops (Endbenutzer)

  • Manuelle Dateneingabe zwischen Systemen
  • Copy-Paste-Fehler
  • Verzögerungen beim Monatsabschluss
  • Zeit für Berichtserstellung
  • Anforderungen an Prüfpfade

Stilleitfaden für Texte

Überschriften

  • Fragen funktionieren gut: „Was wäre, wenn Selektoren einfach funktionieren würden?“
  • Lockere Aussagen: „Die Dinge, die deine Woche fressen“
  • Direkt: „Gleiche Aufgabe, anderer Ansatz“

Beschreibungen

Schreibe, als würdest du mit einem Kollegen sprechen:

Zu poliert (KI-klingend):

„Unsere fortschrittliche, KI-gestützte Automatisierungsplattform revolutioniert das Unternehmens-Workflow-Management durch intelligente Selbstheilungsfähigkeiten.“

Besser (menschlich):

„Du kennst das Spiel. Chrome aktualisiert, dein idx_aaname bricht. Jemand berührt das DOM, dein Ankerelement verschwindet. Wir hatten auch die Nase voll davon.“

CTAs

Halte sie locker:

  • „15 Min buchen“ (nicht „Vereinbaren Sie Ihre persönliche Demo heute“)
  • „Oder Code ansehen“ (nicht „Entdecken Sie unser Open-Source-Repository“)
  • „Sieh dir an, wie wir's machen“ (nicht „Entdecken Sie, wie unsere Plattform Ihre Workflows transformiert“)

Dateipfade

  • Landingpages: app/fuer/[segment]/
  • Gemeinsame Komponenten: Vorhandene Komponenten aus components/ verwenden
  • Lead-Erfassung: LeadCaptureModal aus components/landing/lead-capture-modal verwenden

Schnellstart

Wenn der Benutzer eine LinkedIn-URL bereitstellt:

  1. Profil besuchen und Rolle, Erfahrung, Fähigkeiten extrahieren
  2. Wahrscheinliche Schmerzpunkte basierend auf den von ihnen genutzten Tools identifizieren
  3. Segmentnamen aus ihrer Rolle erstellen (z. B. „uipath-certified“, „rpa-berater“)
  4. page.tsx und client.tsx in app/fuer/[segment]/ generieren
  5. Dev-Server ausführen und im Browser in der Vorschau anzeigen
  6. Basierend auf Feedback iterieren


SEO & Optimierung für KI-Suche (AEO)

KI-Systeme (ChatGPT, Perplexity, Claude, Google AI Overviews) extrahieren und zitieren jetzt Inhalte. Traditionelle SEO konzentrierte sich auf das Ranking in Googles 10 blauen Links. Jetzt optimiert man auch für:

  • KI-Übersichten (Googles KI-generierte Zusammenfassungen)
  • ChatGPT/Bing Chat-Antworten
  • Perplexity, Claude, Gemini und andere KI-Assistenten
  • Traditionelle Suche (immer noch wichtig, aber schrumpfender Anteil der Klicks)

Kernkonzepte

1. Antwortmaschinen-Optimierung (AEO)

KI-Systeme extrahieren und synthetisieren Antworten. Deine Inhalte müssen:

  • Direkt beantwortbar sein – Klare, prägnante Aussagen, die KI zitieren kann
  • Gut strukturiert sein – Überschriften, Listen, Tabellen, die sauber parsen
  • Autoritativ sein – Zitierte Quellen, Referenzen, E-E-A-T-Signale

2. Was KI-Modelle priorisieren

  • Aktualität – Frische, aktualisierte Inhalte (Datumsstempel sind wichtig)
  • Spezifität – Detailliertes Nischen-Know-how statt generischer Abdeckung
  • Konsens – Informationen, die mit autoritativen Quellen übereinstimmen
  • Struktur – Schema-Markup, FAQs, klare Hierarchien

3. Zitieroptimierung

Wenn KI Quellen zitiert, bevorzugt sie:

  • Originalforschung/Daten
  • Erfahrung aus erster Hand
  • Einzigartige Perspektiven, die anderswo nicht zu finden sind
  • Gut organisierte Referenzinhalte

Taktische Änderungen

Inhaltsformat

ALT: 2000-Wörter-SEO-Artikel, aufgebläht mit Fülltext NEU: Dichte, überfliegbare, faktenreiche Inhalte mit klaren Erkenntnissen

Struktur, die funktioniert

  • Mit der Antwort führen (umgekehrte Pyramide)
  • Beschreibende H2/H3s verwenden, die eigenständige Abfragen sein könnten
  • „Was ist X“- und „Wie man Y macht“-Abschnitte einfügen
  • FAQ-Schema für häufige Fragen hinzufügen
  • Tabellen für Vergleiche (KI liebt strukturierte Daten)

Technische Muss-Anforderungen

  • Schema-Markup – FAQ, HowTo, Article, Organization
  • Schnelle Ladezeiten – KI-Crawler haben Timeouts
  • Sauberes HTML – Semantisches Markup statt Div-Suppe
  • Indexierbare Inhalte – Kein reines JS-Rendering für kritische Inhalte

Was sinkt vs. steigt

Sinkend:

  • Keyword-Stuffing (KI versteht Semantik)
  • Dünne Affiliate-Inhalte (KI bevorzugt Primärquellen)
  • Linkfarmen/PBNs (weniger Gewicht in der Kuratierung von KI-Trainingsdaten)
  • Clickbait-Überschriften (KI bewertet Inhaltsqualität, nicht CTR)

Steigend:

  • Topical Authority – Tiefgehende Abdeckung deiner Nische
  • Markenerwähnungen – Auch ohne Links werden erwähnte Marken zitiert
  • Community-Präsenz – Reddit, Foren, Diskussionen beeinflussen KI
  • Multi-Format-Inhalte – Videotranskripte, Podcasts speisen KI-Training

Schnelle Erfolge

  1. FAQ-Abschnitte mit natürlichen Fragen hinzufügen
  2. Veröffentlichungsdaten und Inhalte regelmäßig aktualisieren
  3. Vergleichstabellen für deine Kategorie erstellen
  4. Definitive „Was ist X“-Erklärungen schreiben
  5. In Reddit-/Forum-Diskussionen erwähnt werden
  6. Wissenspanel beanspruchen und optimieren
  7. Strukturierte Daten aggressiv nutzen

Referenz wichtiger HTML-Tags

Tag/AttributZweck
<article>Semantischer Inhaltswrapper
<time datetime="">Maschinenlesbare Daten
<h1> – <h3>Klare Hierarchie (ein H1)
<ul>, <ol>Listen, die KI parsen kann
<table>Vergleiche, Daten
itemscope/itempropInline-Mikrodaten
application/ld+jsonStrukturierte Datenblöcke

Minimale Implementierung

Jede ABM-Landingpage MUSS haben:

  1. Einen JSON-LD-Block pro Seite (Article oder FAQPage)
  2. Semantisches HTML (<article>, <section>, <header>, <time>)
  3. Klare H1 → H2 → H3-Hierarchie
  4. Sichtbares „Aktualisiert: [Datum]“ in der Nähe des Titels
  5. TL;DR oder Kernaussagen oben

FAQ-Schema-Vorlage

Fragen basierend auf den Schmerzpunkten hinzufügen:

{
  "@type": "Question",
  "name": "Wie handhabt Mediar die Selektorwartung?",
  "acceptedAnswer": {
    "@type": "Answer",
    "text": "Mediar nutzt KI, um UI-Elemente anhand ihres visuellen Erscheinungsbilds und Kontexts zu lokalisieren, nicht anhand brüchiger Selektoren. Wenn Chrome aktualisiert wird oder sich das DOM ändert, passt sich die KI automatisch an."
  }
}

Schema-Typen nach Seite

SeitentypEmpfohlenes Schema
ABM-LandingpageArticle + FAQPage
VergleichsseitenComparisonTable oder ItemList
FallstudienArticle mit Autor, datePublished
How-to-InhalteHowTo-Schema
LösungsseitenArticle- oder Service-Schema

Ressourcen

  • Forschung zur Anti-KI-Erkennung: https://octet.design/journal/how-to-detect-ai-content/
  • SEO/AEO-Leitfaden: C:\Users\User\SEO & AI Search Optimization Cras.txt
  • Bestehende Landingpages als Referenz: Verzeichnis app/compare/
  • Lead-Erfassungskomponente: components/landing/lead-capture-modal.tsx
  • PostHog-Setup: Siehe Skill posthog

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

Verwandte Skills