Überblick über das Projekt
Einleitung
Gesundheit Bewegt kam mit einer konkreten Herausforderung auf uns zu:
Wie kann generative KI mit einer großen, vielfältigen Wissensbasis verbunden werden, die über viele Jahre hinweg in WordPress aufgebaut und erweitert wurde?
Die vom Team bereits eingesetzten KI-Tools hatten keinen direkten Zugriff auf die auf der Plattform gespeicherten Inhalte. In der Praxis führte dies zu einem zeitaufwendigen und fehleranfälligen Workflow, der auf manueller Suche und dem Kopieren von Materialien zwischen Systemen basierte.
Unsere Aufgabe war es, einen kontrollierten und sicheren Weg zu finden, die Inhalte und Kernfunktionen der Plattform für Large Language Models verfügbar zu machen – ohne die bestehende Architektur oder den Workflow zu verändern.
Kunde
Gesundheit Bewegt ist ein deutsches Unternehmen, das sich auf digitale Programme zur betrieblichen Gesundheitsförderung spezialisiert hat. Das Kernprodukt ist eine umfangreiche Plattform für Endnutzer, die Trainingsvideos, Kurse, Challenges, Rezepte, Lernmaterialien und Aktivitäts-Tracking-Tools kombiniert.
Diese Online-Plattform basiert auf professionell erstellten Inhalten, die von Fachexpertinnen und -experten entwickelt wurden, und unterstützt Unternehmen dabei, die körperliche und mentale Gesundheit ihrer Teams strukturiert zu fördern.
Problem – Wie kann KI mit einer umfangreichen Inhaltsbasis arbeiten?
Das Team von Gesundheit Bewegt nutzte bereits Large-Language-Model-Tools, unter anderem Claude, zur Unterstützung redaktioneller und konzeptioneller Arbeit. Das Problem bestand darin, dass die KI außerhalb des WordPress-Ökosystems arbeitete und keinen direkten Zugriff auf die auf der Plattform gespeicherten Inhalte hatte.
Dadurch war der Workflow fragmentiert und ineffizient. Bei der Erstellung neuer Kampagnen, Themenprogramme oder Lernmaterialien mussten Redakteurinnen und Redakteure Inhalte manuell im CMS suchen, in KI-Tools kopieren und erst dann damit arbeiten. Dieser Prozess war langsam und erhöhte das Risiko, wertvolle bestehende Materialien zu übersehen.
Aus geschäftlicher Sicht bestand die zentrale Anforderung darin, KI direkt in die WordPress-basierten redaktionellen Workflows zu integrieren.
Herausforderung – technische Einschränkungen und Sicherheit der Lösung
Die Umsetzung einer solchen Lösung brachte mehrere wichtige technische Herausforderungen mit sich.
- Die Plattform war über Jahre hinweg entwickelt worden und basierte auf zahlreichen benutzerdefinierten Inhaltstypen, Plugins und Erweiterungen, die weit über die Standardmechanismen von WordPress als CMS hinausgingen. Es gab keine marktübliche Standardlösung, die KI-Tools sicher direkt mit einer derart stark angepassten Umgebung verbinden konnte.
- Gleichzeitig waren Sicherheit und Zugriffskontrolle kritisch. Der KI durfte kein uneingeschränkter Zugriff auf die gesamte Inhaltsdatenbank gewährt werden – Benutzerrollen, Berechtigungen und die interne Struktur der Plattform mussten berücksichtigt werden.
- Eine weitere Einschränkung bestand in der bestehenden Arbeitsweise des Teams. Da die KI-Tools bereits konfiguriert und täglich im Einsatz waren, durfte die Lösung keinen Wechsel von Modellen, Tools oder Arbeitsabläufen erzwingen.
Lösung: ein dedizierter MCP-Server für die WordPress-Umgebung
Warum kein RAG?
In einer frühen Phase betrachteten wir einen klassischen RAG-Ansatz, der den Aufbau eines zusätzlichen Indexes – meist einer Vektordatenbank – auf Basis der in WordPress gespeicherten Inhalte erfordert hätte. Bei einem dynamischen CMS, in dem Inhalte kontinuierlich hinzugefügt, bearbeitet und reorganisiert werden, ist ein solcher Ansatz mit regelmäßiger Neuindizierung verbunden. Dies führt zu zusätzlichem Betriebsaufwand, laufenden Wartungskosten und dem Risiko, dass die KI mit veralteten Informationen arbeitet. Angesichts der Größe und Wachstumsrate der Gesundheit-Bewegt-Plattform schränkte dies die Flexibilität der Lösung erheblich ein.
Ebenso wichtig waren die funktionalen Einschränkungen von RAG. Dieser Ansatz unterstützt nur Read-Only Anwendungsfälle wie semantische Suche, Zusammenfassungen und Textgenerierung auf Basis vorhandenen Wissens, erlaubt jedoch keine Ausführung realer Operationen im Quellsystem. Das Team wollte jedoch den bestehenden redaktionellen Workflow beibehalten, in dem KI nicht nur Inhalte analysiert, sondern auch konkrete Aktionen in WordPress ausführt, etwa das Erstellen neuer Beiträge, das Zuweisen von Kategorien oder das Veröffentlichen von Inhalten.
Aus diesen Gründen erfüllte RAG die zentralen Anforderungen des Projekts nicht. Wir mussten nach einer Alternative suchen.
Was statt RAG?
Anstatt eine zusätzliche Wissensschicht neben WordPress aufzubauen, kamen wir zu dem Schluss, dass die Lösung direkt auf dem Quellsystem arbeiten und weder Datensynchronisation noch Änderungen an bestehenden Teamprozessen erfordern sollte. Die zentrale Frage war, wie der KI Zugriff auf aktuelle Daten und Plattformfunktionen ermöglicht werden kann.
Diese Rolle übernimmt ein MCP-Server (Model Context Protocol), der als Vermittlungsschicht zwischen WordPress und KI-Tools fungiert. Statt Inhalte nur Read-Only bereitzustellen, erlaubt MCP, genau definierte WordPress-Operationen der KI in Form eines kontrollierten Funktionssatzes zugänglich zu machen.
Die umgesetzte Lösung basierte auf den Mechanismen abilities-api und mcp-adapter. Dadurch können Sprachmodelle nicht nur Inhalte analysieren, sondern auch spezifische Aktionen innerhalb des CMS ausführen – vollständig im Einklang mit den bestehenden Rollen, Berechtigungen und strukturellen Einschränkungen der Plattform.
Implementierungsdetails des MCP-Servers in einer komplexen WordPress-Umgebung
Im Kern der Lösung standen sogenannte Abilities – präzise definierte WordPress-Operationen, die der KI als kontrollierte Ausführungsschicht zur Verfügung gestellt werden. Jede Ability fungiert als strenger Vertrag, der erlaubte Eingaben, Ausgaben und Berechtigungsprüfungen definiert. Dadurch können Anfragen validiert und autorisiert werden, bevor WordPress-Logik ausgeführt wird.
Anstatt breiten Zugriff auf CMS oder Datenbank zu gewähren, stellten wir nur einen begrenzten Satz an Fähigkeiten bereit, die direkt realen redaktionellen Aufgaben entsprechen.
Diese Abilities unterstützen sowohl Lese- als auch Schreiboperationen. Die KI kann Inhalte auf Basis aktueller WordPress-Daten abrufen und analysieren, aber auch konkrete Aktionen ausführen, etwa Beiträge erstellen, Kategorien und Taxonomien zuweisen und Inhalte veröffentlichen. Dieser Ansatz ermöglicht es der KI, in realen redaktionellen Workflows zu arbeiten und funktioniert zuverlässig auch in Umgebungen mit benutzerdefinierten Post-Typen, nicht standardisierten Datenstrukturen und Content-Buildern.
Für die Integration mit KI-Tools nutzten wir die Bibliothek mcp-wordpress-remote die es dem MCP-Server ermöglicht, sich mit Umgebungen wie Claude Desktop oder VS Code Copilot zu verbinden. Dadurch bleibt die Lösung modellagnostisch und vermeidet eine Bindung an einen einzelnen KI-Anbieter.
Sicherheit und Zugriffskontrolle wurden über WordPress-Application-Passwords realisiert, die einem dedizierten technischen Benutzer zugewiesen sind. Jede Ability erzwingt ihre eigene Autorisierungslogik auf Basis von Rollen und Berechtigungen, wodurch eine präzise Kontrolle nicht nur darüber möglich ist, auf welche Inhaltstypen die KI zugreifen darf, sondern auch darüber, welche Aktionen sie innerhalb der WordPress-Umgebung ausführen darf.
Ergebnis
Die Einführung des MCP-Servers machte KI zu einem praktischen Bestandteil der täglichen redaktionellen Arbeit in WordPress.
- Anstatt als externes Entwurfs- oder Recherchetool zu fungieren, kann die KI nun spezifische CMS-Operationen – wie das Erstellen von Beiträgen, das Zuweisen von Kategorien und das Veröffentlichen von Inhalten – innerhalb klar definierter Berechtigungen ausführen.
- Die Lösung arbeitet direkt mit Live-Daten und -Funktionen von WordPress, ohne eine separate Wissensbasis zu erstellen oder eine Inhaltssynchronisation zu erfordern. Das Team konnte denselben Workflow und dieselben KI-Tools weiterverwenden, musste jedoch keine Inhalte mehr manuell kopieren oder den Mehraufwand zweier paralleler Systeme in Kauf nehmen.
- Durch die Bereitstellung ausschließlich explizit definierter Operationen über MCP-Abilities und die Durchsetzung rollen- und fähigkeitsbasierter Autorisierung bleibt die Integration sicher und vorhersehbar. Die Architektur passt sich an benutzerdefinierte Inhaltstypen und komplexe WordPress-Strukturen an, skaliert mit dem Wachstum der Plattform und bleibt unabhängig von einem bestimmten KI-Modell oder Anbieter.
Erkenntnisse
- Entwicklung und Implementierung von MCP-Servern für WordPress-basierte Systeme
Wir sammelten praktische Erfahrung bei der Anpassung des MCP-Protokolls an komplexe CMS-Umgebungen, einschließlich der Arbeit mit benutzerdefinierten Inhaltstypen und nicht standardisierten Datenstrukturen. - Sichere Bereitstellung des CMS für KI-Tools
Wir entwickelten einen Ansatz zur Steuerung des KI-Zugriffs auf WordPress-Inhalte auf Basis von Rollen, Berechtigungen und dedizierten Autorisierungsmechanismen – anstatt breiten Zugriff auf die Wissensbasis zu gewähren. - Integration bestehender KI-Workflows in Produktivsysteme
Wir sammelten Erfahrung bei der Anbindung bereits konfigurierter KI-Tools (z. B. Claude Desktop, Copilot) an bestehende Plattformen, ohne Änderungen an Modellen oder Teamprozessen zu erzwingen.
Wenn Sie vor einer ähnlichen Herausforderung stehen – eine inhaltsreiche WordPress-Plattform betreiben und KI sicher integrieren möchten – teilen Sie uns Ihre Kontaktdaten mit. Wir besprechen gerne mögliche Ansätze und prüfen, ob wir Sie unterstützen können.
Das könnte Sie auch interessieren:
