Entdecken Sie, wie Sie ein Verzeichnis mit TAUSENDEN von Einträgen erstellen — kein Code erforderlich. In diesem Video zeige ich Ihnen, wie ich MontessoriFind.com von Grund auf neu mit einem Apify-Scraper, Supabase und MCP-Servern mit Claude Code neu aufbaue, um Daten sofort zu scrapen und eine Live-Datenbank automatisch zu befüllen.
Sie brauchen kein weiteres KI-Tutorial. Sie brauchen einen Raum voller Menschen, die tatsächlich bauen!
Bereit, tiefer einzutauchen? Kostenlose 5-tägige E-Mail-Kurse:
Was Sie in diesem Video lernen werden:
✅ Wie man MCPs verwendet, um Verzeichnisse mit einer einzigen Eingabeaufforderung zu scrapen
✅ Einrichtung der Apify + Supabase-Integration über MCP-Server
✅ Automatisierung der Datenerfassung von Google Maps (Schulen, Unternehmen usw.)
✅ Erstellung eines voll funktionsfähigen MVP-Frontends in Next.js mit KI-Agenten
✅ Vermeidung von Duplikaten, Verwaltung von Bewertungen und ethisches Skalieren des Scrapens
✅ Wann man KI-Scraper im Vergleich zu benutzerdefinierten Python-Skripten verwendet
Das ist die Zukunft der MVP-Entwicklung: Eingabeaufforderung → Scrapen → Speichern → Bereitstellen. Egal, ob Sie ein Nischenverzeichnis, einen lokalen Unternehmensfinder oder SaaS erstellen, dieser KI-gestützte Workflow spart Wochen an Entwicklungszeit.
Perfekt für No-Code-Bauer, Indie-Hacker und KI-Unternehmer. Ich enthülle auch meine Alternative für volle Kontrolle: benutzerdefinierte Scraper mit KI in der AI Captain School erstellen (7-tägige Testversion verfügbar).
🔧 WERKZEUGE, DIE IN DIESEM VIDEO VERWENDET WURDEN:
⏱️ ZEITSTEMPEL:
00:00 Die KI-Abkürzung zum Erstellen von Verzeichnissen
01:17 Einrichtung von Apify MCP + Supabase
03:22 Wiederaufbau von MontessoriFind.com
04:48 Planmodus: Warum es für KI-Agenten entscheidend ist
05:34 Auswahl des richtigen Scrapers (Google Maps Extraktor)
06:17 Automatisches Einfügen von Daten + Bewertungen in Supabase
07:22 Prototyping des Frontends mit KI
09:00 KI-Orchestrierung: Paralleler Agenten-Workflow
10:28 Durchsetzung von SEO-freundlichem serverseitigem Rendering
11:24 Live MVP: Verbunden mit echten Daten
12:18 Nächste Schritte: Skalierung auf 7.000 Einträge