Jeder Kunden-Shop,
aus dem Terminal.
Dieselben typisierten Tools, auf denen die Operations-Zentrale läuft, pro Shop abgegrenzt, aus dem Terminal. 200+ Analytics- und Commerce-Tools — GA4, Search Console, Merchant Center, Google & Meta Ads, Shopify, WooCommerce, Shopware. Skriptbar, pipebar und agentenfreundlich.
Benötigt Node.js 20+ · Apache-2.0 · einmal im Browser anmelden
Das Terminal ist auch eine Oberfläche.
Dasselbe Backend, dieselben typisierten Tools wie MCP-Server und Operations-Zentrale — pro Shop abgegrenzt, jetzt dort, wo Entwickler ohnehin arbeiten.
Selbstbeschreibend, immer aktuell
Befehle und Flags werden aus dem Live-Tool-Katalog von datavessel erzeugt. Quelle hinzufügen oder neues Tool ausliefern — es erscheint beim nächsten Sync in der CLI, ohne neues Release.
Skriptbar & pipebar
Jeder Befehl nimmt --json für maschinenlesbare Ausgabe. Binden Sie datavessel in Cron-Jobs, CI-Pipelines und Shell-Skripte ein, so wie Sie ohnehin arbeiten.
Gebaut für Agenten
Liefert eine SKILL.md plus eine fertige Agenten-Hierarchie für Claude Code — autonome Lese-Agenten, einen Schreib-Agenten, der zuerst fragt, und einen Verifier — alle auf derselben typisierten Oberfläche wie Ihr MCP-Client.
Einmal anmelden
Die Browser-Anmeldung liefert eine erneuerbare Sitzung, gespeichert mit Modus 0600 — die CLI erneuert das kurzlebige Token still. Für CI übergeben Sie stattdessen ein Token oder einen API-Schlüssel.
Lesen läuft frei. Schreiben fragt zuerst.
Tools entdecken, Daten als JSON ziehen und Schreibzugriffe ausführen — mit einer Bestätigungs-Schranke vor allem, was einen Kunden-Shop berührt.
Übergeben Sie --yes, um die Abfrage in der Automatisierung zu überspringen, oder überall --json für strukturierte Ausgabe, die Sie in jq leiten können.
Ein Team aus Agenten, gleich dabei.
Das Claude-Code-Plugin liefert vier eigens gebaute Agenten über die CLI. Lesen läuft frei — parallel, unbeaufsichtigt. Schreiben fragt zuerst, jedes Mal. Ein Verifier bestätigt, dass jede Änderung tatsächlich angekommen ist. Die Lese-Agenten sind strukturell auf Lese-Tools beschränkt, „autonom“ heißt also nie „kann eine Bestellung erstatten“.
dv-analytics
Zieht und fasst GA4-, Search-Console- und Ads-Daten zusammen. Fächert parallel auf — ein Agent pro Property, Site oder Frage.
dv-commerce-reader
Schlägt Bestellungen, Produkte, Kunden und Erstattungshistorie über Shopify, WooCommerce und Shopware nach — und bereitet die Daten vor, die eine Änderung braucht.
dv-commerce-ops
Führt Erstattungen, Versand, Stornierungen und Produktanlage aus — eine Änderung nach der anderen, jede Ihnen gezeigt und freigegeben, bevor sie läuft.
dv-verifier
Liest nach einem Schreibzugriff unabhängig die Live-Daten erneut und liefert ein Urteil: bestätigt oder Abweichung. Die Schleife ist erst geschlossen, wenn er es sagt.
Eine typische Shop-Änderung läuft reader → ops → verifier: IDs und Beträge sammeln, Ihnen die exakte Änderung zeigen und ein Ja einholen, dann das Ergebnis unabhängig bestätigen. Nichts wird ohne Ihre Freigabe ausgeführt.
Ganze Playbooks, eine Anfrage.
Über einzelne Befehle hinaus liefert das Plugin interviewgeführte Skills: Jeder prüft echte Daten, schlägt einen Plan vor, den Sie Zeile für Zeile ablehnen können, und schreibt erst nach Ihrem ausdrücklichen Ja.
aeo-audit
Interviewt Sie — Shop, Fokus, Wettbewerber — leitet die Kauffragen ab, die Käufer ChatGPT und Claude stellen, führt echte Sichtbarkeitsprüfungen durch und stellt Sie pro Antwort gegen die Konkurrenz auf. Produkt-Content-Korrekturen gehen nur hinter Ihrer Freigabe raus, und das Setup wird an verfolgte Scans übergeben.
operator-team
Erledigt einen Shop-Tag aus einer Anfrage: Ihr Modell liest den Live-Roster, wählt die Order-Desk-, Support- und Umsatzschutz-Spezialisten, die zum Ziel passen, entsendet sie und schreibt den einen Bericht. Jede Wahl ist in Ihrer Sitzung sichtbar; jeder Schreibzugriff wartet weiterhin auf Ihre Freigabe.
marketing-team
Wachstum aus einer Anfrage: SEO-Wachstum und Audits, Sichtbarkeit in KI-Antworten, Katalog-Auffrischung, Paid-Search-Hygiene. Ihr Modell wählt pro Ziel 2–3 Spezialisten aus dem Live-Roster und fasst den Bericht zusammen — Content landet standardmäßig als Entwurf, Ads-Arbeit ist reine Optimierung.
builder-team
Baut einen bestehenden Shop aus: Landing- und Kampagnenseiten, gestützt auf echte Nachfragedaten. Auf Shopware werden Seiten tatsächlich angelegt (nie ohne Sie veröffentlicht); auf Shopify und WooCommerce liefert er textfertige Baupläne und sagt das auch.
topical-authority
Prüft echte Search-Console-Nachfrage und schlägt dann eine Pillar-und-Cluster-Themenkarte vor — inklusive einer ausdrücklichen Nicht-verfolgen-Liste. Sobald Sie die Karte freigeben, schreibt, veröffentlicht, verlinkt und prüft er die Inhalte auf Ihrem WordPress oder Shopware und legt Positions-Baselines für monatliche Wiederholungen an.
In den Team-Skills führt Ihr Modell: Es liest die Live-Team-Roster, wählt die Spezialisten, die zum Ziel passen, und jede Entscheidung — und jede Schreib-Freigabe — bleibt vor Ihren Augen.
Schlüssel hinzufügen. Es konfiguriert sich selbst.
Interaktiv: datavessel setup meldet Sie an, verlinkt zu den Quellen, die noch verbunden werden müssen, und stellt ein paar Fragen — welche Analytics-Property, welche Site, welcher Kunden-Shop — und speichert die Antworten dort, wo Ihre Agenten und Teams zuerst nachsehen. Headless (CI): datavessel init --api-key <key>. In Claude Code führen Sie /datavessel:setup aus und antworten im Chat.
Claude Code
Plugin einmal auf Nutzerebene installieren — Skill, Agenten-Hierarchie und Setup-Befehl in jedem Projekt. Dann: „vergleiche Traffic, Suchklicks und Umsatz des letzten Monats.“
/plugin marketplace add djr4/datavessel-cli
/plugin install datavessel@datavessel
/datavessel:setupCursor
Skill als Projektregel hinzufügen. Cursors Agent nimmt ihn auf und steuert die CLI aus demselben typisierten Katalog.
mkdir -p .cursor/rules
curl -sL https://raw.githubusercontent.com/djr4/datavessel-cli/main/skills/datavessel/SKILL.md \
-o .cursor/rules/datavessel.mdcSie bauen stattdessen auf dem Claude Agent SDK oder der API? Geben Sie dem Modell ein Shell-Tool, legen Sie SKILL.md in seinen Kontext und authentifizieren Sie headless mit DATAVESSEL_TOKEN. Die stabile --json-Ausgabe und die Exit-Codes der CLI sind dafür gebaut.