So automatisieren Sie Ihre GoodBarber-App mit n8n und MCP — ganz ohne Code

Written by Pierre-Laurent Medori on Donnerstag 11 Juni 2026

Wir haben einen Tag damit verbracht, n8n mit dem MCP-Server von GoodBarber zu verbinden und eine echte Automatisierung aufzusetzen: einen Workflow, der die Blogartikel unserer App jeden Morgen ins Französische übersetzt, als Entwürfe zur Freigabe. Das ist das genaue Setup, das wir verwendet haben, was unterwegs gehakt hat und die drei Lektionen, die Ihnen einen Nachmittag sparen.

Warum n8n + MCP statt Zapier + REST-API

Die kurze Antwort: Mit MCP erklärt sich die API der Maschine selbst — Sie bauen die Requests nicht mehr von Hand.

Eine klassische REST-Integration bedeutet, API-Dokumentation zu lesen, jeden HTTP-Request zu bauen und Authentifizierung und Pagination selbst zu erledigen. MCP (Model Context Protocol) dreht diese Arbeit um: Ihre GoodBarber-App stellt ihre Operationen als Tools bereit, die jeder MCP-Client von allein erkennt und aufruft. Unsere Test-App — eine Content App — stellte im Moment der Verbindung 62 Tools bereit: Artikel, Absätze, Events, Karten, Galerien, Videos, Sounds.

n8n zählt hier, weil es eine der wenigen Automatisierungsplattformen mit einem nativen MCP Client Node ist — und weil seine AI-Agent-Nodes diese 62 Tools an Claude übergeben und das Modell entscheiden lassen, welche es aufruft. Plattformen vom Typ Zapier automatisieren Apps; n8n + MCP automatisiert Ihre App.

	REST + klassische Automatisierung	MCP + n8n
Integrationsaufwand	Ein Request pro Aktion, von Hand gebaut	Tools automatisch erkannt
Authentifizierung	Ein API-Key pro Request	Eine einzige OAuth-Verbindung
KI im Ablauf	Sie parsen, die KI sieht Fragmente	Der Agent ruft die Tools direkt auf

Setup: n8n in 5 Minuten mit GoodBarber verbunden

Die ganze Verbindung passt in einen Node und einen OAuth-Bildschirm. Das ist die Abfolge, der wir auf n8n.cloud gefolgt sind:

Erstellen Sie einen Workflow, fügen Sie einen AI-Agent-Node hinzu und hängen Sie ein Claude-Modell daran (ein Anthropic-API-Key in den Credentials von n8n).
Fügen Sie einen MCP-Client-Tool-Node mit dem Endpoint https://mcp.goodbarber.dev/mcp/sse, dem Transport HTTP Streamable und der Authentifizierung MCP OAuth2 hinzu.
Klicken Sie auf Connect. n8n registriert sich von selbst beim GoodBarber-Server (dynamic client registration), und eine GoodBarber-Autorisierungsseite öffnet sich.
Fügen Sie den Public API Key Ihrer App ein — Sie erzeugen ihn im Back-Office auf der Seite Public API / MCP server — und bestätigen Sie.

Das war's. Das Credential zeigt „Account connected", und der Node listet alle Tools auf, die Ihre App bereitstellt — die Seite GoodBarber MCP beschreibt den vollständigen Katalog nach App-Typ. Fünf Minuten, kein Code, keine Webhook-Akrobatik.

Workflow 1 — Blogartikel automatisch übersetzen

Das Ziel: Jeder veröffentlichte Artikel in unserer englischen Blog-Sektion bekommt eine französische Übersetzung in der französischen Sektion, jeden Morgen um 9 Uhr.

Unsere erste Version war die naheliegende: ein Schedule-Trigger und ein einziger AI Agent mit allen Artikel-Tools — Artikel auflisten, fehlende Übersetzungen erkennen, übersetzen, anlegen. Beim ersten Trockenlauf hat sie funktioniert. Dann lief sie gegen eine Wand: Ein Agent schickt bei jedem Schritt seine gesamte Konversation erneut, und Artikel-Payloads sind schwer. Unsere Läufe verbrannten 40.000 bis 77.000 Eingabe-Tokens pro Minute — über den Limits eines API-Kontos der Einstiegsklasse, egal mit welchem Modell.

Die Version, die jeden Tag in Produktion läuft, ist schlanker, und sie hat uns das eigentliche Muster beigebracht: deterministische Nodes für die Klempnerei, das Modell nur dort, wo Urteilsvermögen gefragt ist. Vier HTTP-Request-Nodes rufen die MCP-Tools direkt auf (das MCP-OAuth2-Credential von n8n lässt sich an einen einfachen HTTP-Node hängen — das ist der Kniff), ein kleiner Code-Node wählt den ältesten noch nicht übersetzten Artikel, und ein einziger Claude-Aufruf übersetzt den ganzen Artikel in einem Zug. Die Übersetzungen landen im CMS mit erhaltenen Bildern und Embeds, für rund 5.000 Tokens pro Lauf statt 70.000.

Zwei Design-Entscheidungen erledigen die Hauptarbeit bei den Kosten. Wir stellen nur die Tools bereit, die der Workflow wirklich braucht — der MCP-Client-Node von n8n nimmt eine Tool-Auswahl entgegen, und unsere auf die fünf Artikel-Tools zu reduzieren sparte bei jedem Modellaufruf Tausende Schema-Tokens. Und die Idempotenz steckt in einer Slug-Konvention: Die französische Fassung von health-benefits-journaling heißt health-benefits-journaling-fr — existiert der Slug, ist der Artikel erledigt, also übersetzt die Pipeline nie zweimal.

Heute schreibt die Pipeline Entwürfe, und veröffentlichen tun wir. Das ist eine redaktionelle Entscheidung, keine technische Grenze: Die Übersetzungsqualität von Claude ist konstant genug, dass wir diesem Workflow ohne Mensch in der Schleife vertrauen würden — direkt zur Veröffentlichung.

Workflow 2 — einen RSS-Feed in Artikelentwürfe verwandeln

Dasselbe Muster nimmt Inhalte auf, statt sie zu übersetzen. Der eingebaute RSS-Trigger von n8n überwacht jeden Feed; ein Claude-Node formatiert jeden Eintrag in einen sauberen Titel, eine Zusammenfassung und einen Textkörper um; cms_create_article und cms_create_article_paragraph legen den Entwurf in der von Ihnen gewählten Sektion an. Ihr Redaktionsteam öffnet das Back-Office morgens mit einer Warteschlange vorbereiteter Entwürfe statt einer Liste von Links zum Abarbeiten.

Workflow 3 — eine wöchentliche Redaktions-Zusammenfassung auf Telegram

Beim Reporting glänzt der Agent, weil die Zahl der Operationen klein ist. Ein Schedule-Trigger feuert jeden Freitag; der Agent ruft cms_list_articles über das Wochenfenster auf, Claude schreibt eine kurze Zusammenfassung — was erschienen ist, was noch im Entwurf steckt, was geplant ist — und ein Telegram-Node liefert sie in den Team-Kanal. Zehn Minuten Einrichtung für einen wiederkehrenden redaktionellen Herzschlag.

Worauf Sie achten sollten

Ehrlichkeit macht ein Tutorial nützlich, also hier die zwei Dinge, die uns wirklich gebissen haben.

API-Limits der Einstiegsklasse passen nicht zu gesprächigen Agenten. Auf einem niedrigen Anthropic-Tier überschritt ein einziger Lauf eines Alles-in-einem-Agenten die Token-Limits pro Minute. Trennen Sie Klempnerei von Intelligenz, oder kalkulieren Sie einen höheren Tier ein.
Listen-Antworten sind schwer. Artikel-Listen liefern den vollständigen Inhalt und die Bildsätze zurück — ideal für einen interaktiven Assistenten, schwer in der Schleife eines Agenten. Holen Sie einen Artikel nach dem anderen, wenn das Token-Budget zählt.

Wie es weitergeht

Unsere Test-App übersetzt sich jetzt jeden Morgen von selbst. Wenn Sie denselben Startpunkt möchten: Die Seite 44 GoodBarber-Skills erklärt, was der MCP-Server bereitstellt, Connect Claude führt durch die Einrichtung auf Assistentenseite, und das Open-Source-Repository goodbarber-skills enthält die fertigen Rezepte — einschließlich der CMS-Workflows, auf denen dieser Artikel aufbaut. Und falls Sie sich fragen, warum wir unsere Apps überhaupt bereit für KI-Agenten gemacht haben — diese Geschichte haben wir ebenfalls erzählt.