[ blog · use-case ]8 min read

Einen Morning-Briefing-Agenten mit der News Search API bauen

Sarah Choy·Veröffentlicht am 2. Mai 2026·Aktualisiert am 3. Mai 2026·8 Min. Lesezeit

Gründer, PM und Analystinnen wollen morgens um acht dasselbe: einen sauberen Digest dessen, was über Nacht passiert ist. Mit einer News-Search-API, einem LLM und einem Cronjob baust du das an einem Nachmittag.

Auf einen Blick

• •Architektur: cron → News Search → URL Extract der Top-Storys → LLM-Zusammenfassung → Slack-Post.
• •Frische über <code>start_date</code> = heute − 1, Region über <code>country_code</code>.
• •Briefings parallel pro Thema; das LLM mergt und entdupliziert.
• •Gesamtkosten ≈ 15 Credits/Thema/Tag plus LLM-Tokens. Ein 5-Themen-Briefing ist < $0.10/Tag zum Listenpreis.

Wie ein nützliches Briefing aussieht

Ein Morning-Briefing-Agent muss eine Frage beantworten: 'Was hat sich über Nacht geändert, das ich wissen muss?' Eine Schlagzeilenliste reicht nicht — das ist RSS und wird in einer Woche stummgeschaltet. Was übrig bleibt, ist ein 5-Punkt-Digest mit Links, nach Thema gegliedert, in der Stimme des Lesers.

Das zerlegt sich in eine kleine Pipeline:

• Holen — aktuelle Nachrichten zu N Themen via News Search API.
• Extrahieren — Bodies der Storys, die das LLM zitieren möchte, via URL Extract API.
• Zusammenfassen + Clustern — LLM deiner Wahl.
• Posten — Slack / E-Mail / Notion.
• Planen — Cron mit Vercel Cron, GitHub Actions, n8n, AWS EventBridge.

Schritt 1: Themen wählen

3–6 Themen reichen. Ein 12-Themen-Briefing wird weggescrollt. Beispiele:

• B2B-SaaS-Gründer: 'AI-Funding-Runden', 'OpenAI/Anthropic-News', 'Wettbewerberbewegungen'.
• Finanzanalyst: 'FOMC und Treasury', 'Halbleiter-Lieferkette', 'spezifische Tickers'.
• Healthcare-PM: 'FDA-Zulassungen', 'klinische Studien-Readouts', 'Erstattungsänderungen'.

Schritt 2: Rohsignal holen

Pro Thema einmal News Search parallel aufrufen. Frische via start_date:

from datetime import date, timedelta
import asyncio, aiohttp

KEY = "pk_yourkey"
TOPICS = [
    "AI agent infrastructure funding",
    "OpenAI Anthropic Google new releases",
    "RAG and LLM tool calling research",
]

async def fetch_topic(session, q):
    yesterday = (date.today() - timedelta(days=1)).isoformat()
    async with session.post(
        "https://www.apipick.com/api/search/news",
        headers={"x-api-key": KEY},
        json={"query": q, "start_date": yesterday},
    ) as r:
        return q, await r.json()

async def fetch_all():
    async with aiohttp.ClientSession() as s:
        return await asyncio.gather(*[fetch_topic(s, q) for q in TOPICS])

Jeder Aufruf liefert bis zu 5 ranked Schlagzeilen (max 10 mit num_results). Ein 3-Themen-Briefing kostet 3 × 15 = 45 Credits/Tag, $0.045/Tag bei $5/5.000-Listenpreis. Die News-API ist nicht der Kostentreiber, das ist das LLM.

Schritt 3: Selektiv Bodies extrahieren

Du brauchst nicht jeden Volltext — nur die, die das Modell ausführlich zitieren will. Heuristik: Top 2 pro Thema. Mit API Pick ist das ein einzelner Batch:

import requests

urls = [r["url"] for topic, payload in results for r in payload["results"][:2]]

extracted = requests.post(
    "https://www.apipick.com/api/extract",
    headers={"x-api-key": KEY},
    json={"urls": urls, "extract_effort": "auto"},
).json()

Bei 2 Credits pro URL fügt der Extract-Schritt für ein 3-Themen-Briefing ~ 12 Credits/Tag hinzu.

Schritt 4: Der Zusammenfassungs-Prompt

Der Prompt definiert die Stimme des Briefings. Ein Startpunkt:

You are an assistant that writes a morning briefing in <Sarah's> voice:
direct, no fluff, no marketing language.

Input: a JSON list of {topic, headlines, extracted_bodies}.

Output rules:
- 1 short paragraph per topic, max 60 words.
- Each paragraph ends with up to 3 inline source links.
- If a topic has fewer than 2 substantive stories overnight, omit it.
- If the entire briefing has fewer than 2 substantive topics, output the
  literal token SKIP and nothing else.
- Never editorialise. Quote facts and figures verbatim from the sources.

Output format: Slack-flavoured markdown.

Die Regel 'SKIP bei zu wenig Signal' hat den höchsten ROI — und ist der Grund, warum dein Briefing nicht stummgeschaltet wird.

Schritt 5: Posten und Planen

Das gesamte Python-Skript bleibt unter 80 Zeilen. Slack-Post:

if briefing.strip() == "SKIP":
    return
requests.post(
    SLACK_WEBHOOK_URL,
    json={"text": briefing, "username": "Morning Briefing", "icon_emoji": ":sunrise:"},
)

Planen mit Vercel Cron (in vercel.json), GitHub Actions, AWS EventBridge oder n8n. 7:45 deiner Zeitzone laufen lassen — Ziel: das Briefing wartet, wenn du um 8 am Schreibtisch sitzt.

Wer lieber n8n nutzt

• Schedule trigger — täglich, 7:45 User-TZ.
• HTTP-Request-Nodes (eines pro Thema), POST /api/search/news mit start_date = gestern.
• Merge kombiniert die Themenresultate.
• HTTP-Request ruft /api/extract mit den Top-URLs.
• OpenAI/Anthropic-Node führt den Zusammenfassungs-Prompt aus.
• If-Node prüft, dass das Output kein SKIP ist.
• Slack-Node postet das Briefing.

Worauf in Produktion zu achten ist

• Themen-Drift. 'AI agents' wird nach 6 Monaten zu breit — Index wächst, dein Briefing soll spezifisch bleiben. Queries quartalsweise nachschärfen.
• Tagesübergreifende Wiederholung. Modell die URLs des Vortages mit 'do not re-cover stories from this list' mitgeben.
• Stille Wochenenden. SKIP-Regel kümmert sich darum; den Tagesrhythmus nicht ans Briefing koppeln.

Iterieren, nicht abschließen

Lies das Briefing eine Woche lang jeden Morgen. Notier, wo das Modell halluzinierte, falsch kategorisierte oder etwas verpasste. Prompt anpassen. Nach einer Woche wird das Briefing zur Gewohnheit — und du hast einen funktionierenden Agenten in ~80 Zeilen Code und drei API-Calls gebaut.

Geschrieben von

Sarah Choy

CEO, API Pick

Sarah Choy ist CEO von API Pick. Sie schreibt über produktionsreife APIs für KI-Agenten und LLM-Workflows.