Installiere und nutze den Famulor.io Skill, damit KI-Agenten Assistenten, Kampagnen, Wissensdatenbanken und Messaging-Workflows direkt über die Famulor API verwalten können.
Das Herzstück des Skills: ein strukturierter 4-Phasen-Flow, der aus einem Kundengespräch einen fertig deployten Assistenten macht. Der Agent fragt Phase für Phase — nicht alles auf einmal.
Maßgeschneiderten System-Prompt generieren, Kunde bestätigt, Assistent wird per API erstellt
Dahinter steckt Nischen-Intelligenz: Eine mitgelieferte Wissensbasis (references/nischen_intelligenz.md) mit Branchen-Know-how für Friseure, Arztpraxen, Restaurants, Immobilien, Handwerk, Kanzleien u. v. m. — der Agent stellt proaktiv die richtigen Folgefragen pro Branche.
Beim Erstellen konfiguriert der Skill die eingebauten Gesprächswerkzeuge mit branchenspezifischen Beschreibungen:
Tool
Zweck
end_call
Wird IMMER aktiviert — definiert nischenspezifisch, wann der Bot auflegen soll
call_transfer
Anrufweiterleitung an eine Rückfallnummer (Notdienst, dringende Fälle, Wunsch nach Mensch)
calendar_integration
Direkte Terminbuchung über Cal.com / Calendly
Dazu setzt der Skill bewährte Defaults: GPT-4.1-mini, ElevenLabs-TTS, Unterbrechungen und Filler aktiviert, Noise Cancellation, Anrufaufzeichnung, Post-Call-Evaluation mit individuellem Schema.
skills/famulor-skill/├── SKILL.md # Agent-Anweisungen: der 4-Phasen-Flow├── references/│ └── nischen_intelligenz.md # Branchen-Wissen (10+ Nischenprofile)├── scripts/│ └── famulor_client.py # Python-Client für die Famulor API└── templates/ └── example_template.txt # System-Prompt-Vorlagen
Datei
Rolle
SKILL.md
Hauptanweisung mit Frontmatter (name, description — steuert, wann der Agent den Skill aktiviert) und dem kompletten Onboarding-Flow
nischen_intelligenz.md
Profile für Friseur/Beauty, Immobilien, Arztpraxis, Restaurant, Autohaus, Handwerk, Hotel, Fitnessstudio, Kanzlei, Tierarzt + Fallback für unbekannte Nischen — je mit typischen Aufgaben, proaktiven Fragen, Post-Call-Schema und empfohlener Konfiguration
famulor_client.py
API-Client, auch als CLI nutzbar: python3 famulor_client.py <methode> key=value
templates/
Wiederverwendbare System-Prompt-Vorlagen (Support, Terminbuchung, Sales, Lead-Qualifizierung) mit {{platzhaltern}}
Dazu kommen Manifeste für jede Plattform (.plugin/plugin.json, .claude-plugin/, .cursor-plugin/, gemini-extension.json, GEMINI.md) und das gepackte Archiv famulor.skill für manuelle Installation.
Das Repository ist als Vorlage gedacht — drei typische Anpassungen:Neue Branche hinzufügen: Eigenes Profil in references/nischen_intelligenz.md ergänzen — nach dem Muster der bestehenden: typische Aufgaben, proaktive Fragen, empfohlene Konfiguration (Wissensdatenbank ja/nein + Modus, Post-Call-Schema mit max. 16 Zeichen pro Feldname, Hintergrundgeräusch), System-Prompt-Schwerpunkte und eine end_call-Beschreibung.Eigene Prompt-Vorlagen: Weitere Templates in templates/ ablegen und in SKILL.md referenzieren — der Agent nutzt sie als Ausgangspunkt statt bei Null zu starten.API-Funktionen erweitern: Neue Methoden in famulor_client.py ergänzen (z. B. Kampagnen oder Leads) — jede öffentliche Methode ist automatisch per CLI aufrufbar. Endpunkte: API-Referenz.Danach neu paketieren und Version anheben:
# Version in .plugin/plugin.json, .claude-plugin/, .cursor-plugin/,# gemini-extension.json erhöhen, dann:zip -r famulor.skill skills/
Für komplett eigene Skills (andere Plattform, anderer Use Case): Struktur übernehmen — SKILL.md mit präziser description (steuert das Triggern), Wissen in references/, ausführbarer Code in scripts/. Eine gute description nennt konkrete Trigger-Phrasen.
Skill vs. MCP Server: Der MCP Server bietet 76 Tools für die gesamte Plattform (Anrufe, Kampagnen, Konversationen, …) per OAuth. Der Skill fokussiert auf geführtes Onboarding mit Branchen-Wissen und läuft in Coding-Agenten (Cursor, Codex, Gemini CLI) per API-Key. Beide ergänzen sich.
