Sanity Content Agent: Content-Audits mit KI automatisieren

Sanity Content Agent prüft strukturierte Inhalte auf Qualitätsprobleme. Ein technischer Leitfaden zu GROQ-Audits, Agent API, kontrollierten Korrekturen und Grenzen.

  • Content Agent findet Qualitätsprobleme im strukturierten Content Lake; öffentliche Website-Fehler erfordern zusätzliche Prüfungen.
  • GROQ identifiziert deterministisch fehlende Metadaten, alte Änderungen und auffällige Referenzen.
  • Prompt analysiert Kandidaten lesend; Transform bereitet feldgenaue Korrekturen als überprüfbare Änderungen vor.
  • Regelbasierte Selektion vor KI-Analyse senkt unnötige Modellaufrufe und begrenzt Änderungsrisiken.
  • Prompt und Transform sind laut Sanity-Dokumentation weiterhin experimentelle Agent Actions.

Content-Audits mit Sanity Content Agent verbinden strukturierte GROQ-Abfragen mit KI-gestützter Analyse. Fehlende Metadaten, veraltete Inhalte, Terminologieabweichungen und mögliche Dopplungen lassen sich dadurch systematisch identifizieren. Mit der Agent API können Teams wiederkehrende Prüfungen automatisieren und gezielte Korrekturen als prüfbare Entwürfe vorbereiten. Das ersetzt weder technische Website-Audits noch fachliche Freigaben.

Der entscheidende Vorteil entsteht nicht aus einem einzelnen Prompt, sondern aus einer sauberen Content-Architektur: definierte Felder und Referenzen ermöglichen reproduzierbare Prüfungen. KI ist dort sinnvoll, wo Regeln allein nicht ausreichen, etwa bei sprachlicher Konsistenz, Unklarheiten oder inhaltlichen Überschneidungen.

Was Sanity Content Agent für Content-Audits bietet

Sanity beschreibt in seinem Leitfaden zur Automatisierung von Content-Audits zwei Ebenen: Content Agent für interaktive Prüfungen im Sanity-Interface und Agent Actions für programmatische Analysen und Änderungen.

Im Content Agent formulieren Redakteure Anforderungen in natürlicher Sprache. Der Agent kann die vorhandenen Dokumenttypen, Felder und Referenzen nutzen, relevante Inhalte mit GROQ suchen und bei Bedarf Korrekturen vorschlagen. Vorschläge werden geprüft, bevor sie in Entwürfe oder Content Releases übernommen werden. Die Veröffentlichung bleibt ein gesonderter Schritt.

Für wiederkehrende oder technisch integrierte Abläufe bietet Sanity die Agent API: Prompt analysiert Inhalte und liefert Text oder JSON ohne Dokumentmutation; Transform kann ausgewählte Felder bearbeiten und schreibt bei gewöhnlichen Dokumenten standardmäßig in einen Draft. Prompt und Transform sind laut aktueller Dokumentation weiterhin experimentelle APIs.

Welche Probleme sich direkt im CMS erkennen lassen

Metadaten: Fehlende SEO-Titel, leere Beschreibungen, fehlende Bild-Alternativtexte oder nicht gepflegte Kategorien können über Feldabfragen sichtbar gemacht werden. Die genaue Logik hängt von den tatsächlich verwendeten Schemafeldern ab.

Aktualität: Änderungszeitpunkte zeigen, welche Inhalte seit längerer Zeit nicht bearbeitet wurden. Sie beweisen jedoch nicht, dass eine Information fachlich veraltet ist. Ein ergänzendes redaktionelles Prüfdatum oder die Version der zugrunde liegenden Produktdaten ist oft aussagekräftiger.

Konsistenz: Abweichende Produktnamen, veraltete Terminologie, unvollständige Sprachversionen und potenzielle Doppelungen lassen sich eingrenzen. Semantische Ähnlichkeit ist dabei ein Signal zur Prüfung, kein automatischer Beleg für Kannibalisierung.

Referenzen: Strukturierte Verknüpfungen machen beispielsweise Dokumente auffindbar, die auf nicht mehr freigegebene Produkte verweisen. Ob externe URLs im gerenderten HTML erreichbar sind, erfordert hingegen zusätzliche HTTP-Prüfungen.

Warum GROQ vor dem Sprachmodell kommt

Viele Qualitätsregeln lassen sich deterministisch prüfen. Ob eine Meta Description fehlt, ein Pflichtfeld leer oder ein Zeitstempel älter als ein Grenzwert ist, benötigt kein Sprachmodell. Eine GROQ-Abfrage liefert einen klaren, nachvollziehbaren Kandidatensatz.

Erst anschließend sollte KI eingesetzt werden, um die betroffenen Dokumente qualitativ zu untersuchen: Welche Passage ist missverständlich? Welche Terminologie weicht ab? Welche Inhalte beantworten dieselbe Frage? Dadurch werden ungezielte Modellaufrufe und unnötige Änderungen reduziert.

Das Modell sollte nie allein entscheiden, ob ein Dokument gelöscht, weitergeleitet oder veröffentlicht werden muss. Dafür sind Suchdaten, fachliche Verantwortung und der Kontext der jeweiligen Website erforderlich.

Code-Beispiel 1: Fehlende SEO-Beschreibungen finden

Das folgende GROQ-Beispiel prüft Beiträge mit fehlendem oder leerem Feld seoDescription. Es ist für ein Content-Modell mit dem Dokumenttyp post und diesem Feld geschrieben – genau diese Felder müssen im jeweiligen Sanity-Projekt existieren.

GROQ: Metadaten-Audit

Die Abfrage arbeitet rein lesend und begrenzt den ersten Kandidatensatz auf 25 Dokumente. Bei größeren Beständen benötigen Teams Pagination und eine nach Priorität strukturierte Auswertung.

Plain text
*[
  _type == "post" &&
  (!defined(seoDescription) || seoDescription == "")
][0...25]{
  _id,
  title,
  "slug": slug.current,
  _updatedAt
}

Code-Beispiel 2: Potenziell veraltete Beiträge identifizieren

Auch ein Freshness-Audit beginnt mit einer Abfrage. Hier werden Dokumente ermittelt, deren technische Änderung mehr als 180 Tage zurückliegt. Das Zeitfenster ist ein Beispiel; es muss an Content-Typ, Aktualisierungsbedarf und regulatorische Anforderungen angepasst werden.

GROQ: Freshness-Audit

Wichtig: _updatedAt wird auch durch rein redaktionelle oder technische Änderungen beeinflusst. Bei Produkten mit eigenständiger Datenpflege sollte die fachliche Aktualität über separate Felder und verantwortliche Quellsysteme nachgewiesen werden.

Plain text
*[
  _type == "post" &&
  dateTime(_updatedAt) < dateTime(now()) - 180 * 24 * 60 * 60
][0...25]{
  _id,
  title,
  _updatedAt,
  publishedAt
}

Code-Beispiel 3: Kandidaten mit der Agent API analysieren

Bei qualitativen Prüfungen ergänzt die Prompt Action die regelbasierte Auswahl. Das Beispiel ruft zunächst eine begrenzte Liste von Beiträgen ab und übergibt sie anschließend als Kontext an eine KI-Auswertung. Das Ergebnis ist ein strukturierter Bericht, keine automatische Veröffentlichung.

Voraussetzungen sind eine serverseitige Laufzeit, ein gültiges Token mit angemessenen Rechten und eine aktuelle Version von @sanity/client. Sanitys Leitfaden nennt mindestens Version 7.1.0 und apiVersion vX für Agent Actions. Prüfen Sie zusätzlich die aktuellen Release Notes und API-Signaturen.

TypeScript: Read-only-Analyse mit Prompt

Das Code-Beispiel ist als Vorlage gedacht und wurde nicht gegen ein produktives Projekt ausgeführt. Token gehören ausschließlich in serverseitige Umgebungsvariablen. Das JSON-Ergebnis muss vor der Weiterverarbeitung validiert und gegebenenfalls um Quellen, Zeitstempel und Prüfstatus ergänzt werden.

TypeScript
import {createClient} from '@sanity/client'

const client = createClient({
  projectId: process.env.SANITY_PROJECT_ID!,
  dataset: 'production',
  apiVersion: 'vX', // Agent Actions require vX
  token: process.env.SANITY_AUDIT_TOKEN,
  useCdn: false,
})

const candidates = await client.fetch(
  '*[_type == "post" && (!defined(seoDescription) || seoDescription == "")][0...15]{_id,title,excerpt,_updatedAt}'
)

if (candidates.length > 0) {
  const report = await client.agent.action.prompt({
    instruction: [
      'Review the CMS records in $documents.',
      'Flag missing or unclear SEO metadata.',
      'Do not invent traffic or performance data.',
      'Return JSON: {"findings":[{"id":"...","issue":"...","priority":"high|medium|low"}]}.',
    ].join(' '),
    instructionParams: {
      documents: {
        type: 'constant',
        value: JSON.stringify(candidates),
      },
    },
    format: 'json',
  })

  console.log(report) // Route to a report or ticket queue
}

Code-Beispiel 4: Nur ein bestimmtes Feld korrigieren

Erst nach der Sichtung der Ergebnisse sollten ausgewählte Einträge bearbeitet werden. Transform erhält dazu die Dokument-ID, die tatsächlich deployte Schema-ID und einen auf ein konkretes Feld beschränkten Target-Pfad. Im Beispiel werden höchstens fünf Beiträge betrachtet, damit jede vorgeschlagene Description einzeln kontrolliert werden kann.

Sanity nutzt bei dieser Transform-Operation für reguläre Dokumenttypen standardmäßig Drafts, sofern keine direkte Veröffentlichung erzwungen wird. Änderungen an liveEdit-Dokumenten sind gesondert zu bewerten; forcePublishedWrite darf in einem Review-Workflow nicht leichtfertig eingesetzt werden.

TypeScript: Kontrollierte Metadaten-Korrektur

Die Schema-ID ist nicht mit der Projekt-ID identisch und muss aus der deployten Schema-Registrierung stammen. Das Beispiel arbeitet synchron und benötigt keinen asynchronen Jobstatus. Die fachliche Freigabe und Publikation erfolgen danach in Sanity Studio.

TypeScript
// Use the authenticated server-side client from the previous example.
const candidates = await client.fetch(
  '*[_type == "post" && (!defined(seoDescription) || seoDescription == "")][0...5]{_id,title}'
)

for (const doc of candidates) {
  const result = await client.agent.action.transform({
    schemaId: process.env.SANITY_SCHEMA_ID!,
    documentId: doc._id,
    instruction: [
      'Write one concise German SEO description',
      'based only on the existing document.',
      'Keep it under 160 characters.',
      'Do not invent claims, statistics or customer results.',
    ].join(' '),
    target: {include: ['seoDescription']},
  })

  console.log('Review draft for:', doc._id, result)
}
// Review each draft in Studio before publishing.

Ein belastbarer Audit-Prozess hat vier technische Stufen

1. Regeln definieren: Welche Dokumenttypen sind geschäftskritisch, welche Felder sind verpflichtend und welche Terminologie ist verbindlich? Content-Modell, Kategorien und Referenzen müssen diese Anforderungen abbilden.

2. Kandidaten ermitteln: GROQ sucht deterministisch nach fehlenden Feldern, nicht gepflegten Referenzen und definierten Aktualitätsgrenzen. Große Bestände werden in kontrollierten Teilmengen verarbeitet.

3. Kontextuell bewerten: Die Agent API untersucht priorisierte Inhalte anhand konkreter Kriterien. Bei fachlichen Fakten sollten vertrauenswürdige ERP-, PIM-, PLM- oder Dokumentationsdaten ergänzend bereitgestellt werden.

4. Kontrolliert korrigieren: Änderungen werden feldbezogen erzeugt, von fachlich zuständigen Personen geprüft und erst danach veröffentlicht. Audit-Fund, Entscheidung und Ergebnis sollten protokolliert werden.

Warum Content-Audits in mehreren Sprachen schwieriger werden

Ein englischer Beitrag kann fachlich aktuell sein, während eine serbische oder deutsche Version ältere Produktangaben enthält. Ein Audit sollte deshalb nicht nur pro Dokument prüfen, sondern Sprachvarianten und gemeinsame Produktidentitäten vergleichen.

Das erfordert stabile Übersetzungsbeziehungen, verbindliche Terminologie und die Möglichkeit, Quelländerungen auf Zielsprachen abzubilden. Auch URLs, Canonicals und hreflang müssen mit dem tatsächlichen Frontend übereinstimmen.

Wie KI bei der Lokalisierung unterstützt, erläutern wir in Sanity AI Translations; für eine unternehmensweite Datengrundlage betrachten wir zudem die Integration von CMS-Inhalten mit unabhängigen Datenplattformen.

Content Lake ist nicht die gesamte Qualitätsprüfung

Content Agent untersucht, was innerhalb des Content Lake und in seinem zugänglichen Kontext vorhanden ist. Ein gültiger seoDescription-Wert beweist jedoch nicht, dass er im HTML korrekt ausgegeben wird. Ein vorhandener interner Link beweist nicht, dass die Route auf dem Frontend ohne Redirect oder 404 erreichbar ist.

Ein vollständiger Qualitätsprozess verbindet daher CMS-Regeln mit technischen Crawlern, Website-Rendering, Indexierungsdaten und Analytics. Externe Quellen wie Search Console oder ein Web-Crawler müssen separat angebunden werden; Content Agent verfügt darüber nicht automatisch.

Bei internationaler Auffindbarkeit gehört diese Prüfung in die Verantwortung von Search & AI Visibility. Für Datenmodell, Integrationen und die Ausführung der Workflows ist die technische Architektur ebenso entscheidend.

Betrieb, Berechtigungen und KI-Kosten berücksichtigen

Sanity Content Agent arbeitet innerhalb vorhandener Berechtigungen und legt vorgeschlagene Änderungen zur Prüfung vor. Programmgesteuerte Agent Actions benötigen eigene Zugriffstoken, eingeschränkte Berechtigungen und klare Regeln, welche Dokumente verändert werden dürfen.

Nicht jeder Audit-Schritt verursacht dieselben Kosten. Regelbasierte Abfragen sind eine andere Kostenklasse als modellbasierte Analysen und Schreiboperationen. Häufige Vollbestandsprüfungen und unkontrollierte Transform-Loops können unnötige KI-Credits verbrauchen. Deshalb zuerst selektieren, dann analysieren und schließlich in kleinen Batches korrigieren.

Wiederkehrende Audits können über einen geplanten Job, CI/CD oder Sanity Scheduled Functions ausgelöst werden. Produktiv gehören außerdem Monitoring, Fehlerbehandlung, Laufzeitbegrenzung, Wiederholbarkeit und eine überprüfbare Ergebnisablage dazu. Für mögliche API-Änderungen empfiehlt sich ein klar abgegrenzter Integrationsadapter.

Wann der Ansatz sinnvoll ist – und wann nicht

Für umfangreiche und gut strukturierte Content-Bestände eignet sich die Kombination besonders, wenn ähnliche Qualitätsregeln auf zahlreiche Dokumente angewendet werden müssen. Ein klar definiertes Schema reduziert den Aufwand für wiederkehrende Prüfungen und gezielte Änderungen.

Ist das Content-Modell dagegen inkonsistent, fehlen eindeutige Referenzen oder widersprechen sich produktführende Systeme, sollte zuerst das Datenmodell bereinigt werden. Zusätzliche KI-Prompts beheben weder fehlende Datenverantwortung noch unklare Beziehungen zwischen Objekten.

Ebenso wenig ersetzt ein CMS-Agent die Bewertung von Indexierung, Conversion-Wirkung oder tatsächlicher Produktverfügbarkeit. Diese Informationen entstehen in weiteren Systemen und müssen kontrolliert in den Audit einfließen.

Häufige Fragen zu Content-Audits mit Sanity

Was prüft Sanity Content Agent automatisch?

Unter anderem fehlende Metadaten, unvollständige Felder, Referenzbeziehungen, Terminologie und mögliche inhaltliche Doppelungen. Die Genauigkeit hängt vom Schema, der Prüfanweisung und zugänglichen Daten ab.

Kann Content Agent Inhalte selbst veröffentlichen?

Der interaktive Content Agent legt Änderungen zur Prüfung vor und veröffentlicht sie nicht eigenständig. Bei programmatischen Agent Actions müssen Schreibmodus und Dokumenttyp gesondert betrachtet werden.

Lässt sich ein Audit regelmäßig ausführen?

Ja. Programmatische Prüfungen können in geplanten Jobs oder Sanity Scheduled Functions ausgeführt werden. Häufigkeit und Infrastruktur hängen vom Projekt und den verfügbaren Limits ab.

Kann der Agent kaputte Links und falsche hreflang-Angaben erkennen?

Strukturierte Referenzprobleme im CMS lassen sich prüfen. HTTP-Status, gerendertes HTML, Canonicals und hreflang auf der öffentlichen Website müssen zusätzlich durch technische Website-Prüfungen validiert werden.

Muss jeder Fund durch ein Sprachmodell geprüft werden?

Nein. Fehlende Felder, Datumsgrenzen oder feste Terminologieregeln sollten möglichst deterministisch geprüft werden. KI ist vor allem für die qualitative Bewertung relevant.

Ist die Agent API bereits stabil?

Die geprüfte Sanity-Dokumentation kennzeichnet Prompt und Transform weiterhin als experimentell. Versionen, Schnittstellen und Fehlerverhalten sollten vor produktiver Nutzung erneut geprüft werden.

Fazit: Content-Qualität als kontrollierten Prozess entwickeln

Sanity Content Agent kann Content-Audits von sporadischen Einzelprüfungen in einen wiederkehrenden Workflow überführen. Entscheidend ist die Trennung zwischen messbaren Datenregeln, KI-gestützter Bewertung und verbindlicher Freigabe. Nur so bleiben Audit-Ergebnisse nachvollziehbar und Korrekturen kontrollierbar.

Wir entwickeln die dafür nötige Content- und Integrationsarchitektur: von einem prüfbaren Schema über technische Regeln und Agent-Workflows bis zum Abgleich mit dem tatsächlichen Website-Verhalten.

Welche Vorbedingungen Ihr bestehendes Content-System erfüllt und wie sich eine Einführung eingrenzen lässt, klären wir im Rahmen von Consulting & Diagnostics.

Platform Engineering

Content-Audits und KI-Workflows kontrolliert integrieren

Wir prüfen Content-Modelle, Datenverantwortung und bestehende Prüfprozesse. Darauf aufbauend entwickeln wir eine Architektur für wiederkehrende Audits, zielgerichtete Korrekturen und die Anbindung an Ihre bestehenden Systeme.

Technisches Erstgespräch vereinbaren

Aleksandar Basara

Managing Director

aleks@valanor.co

+49 (0) 711 16 44 6 83

Lindenspürstrasse 22, 70176 Stuttgart

Aleksandar Basara - Managing Director and CTO at VALANOR