Clara Chong verarbeitete 100 bereits geparste, aber noch immer unordentliche Compliance-PDFs (mit OCR-Artefakten, inkonsistenter Formatierung und Übersetzungsabschnitten) und musste daraus strukturierte JSON-Regelwerke für ein nachgelagertes deterministisches System erzeugen. Der naive Ansatz – alle Daten in einen Agenten kippen und auf valides JSON hoffen – lieferte oberflächlich korrekte, aber inhaltlich lückenhafte Ergebnisse: Regeln waren zu allgemein, wurden ausgelassen oder bewahrten Nuancen des Originals nicht. Der entscheidende Durchbruch kam nicht durch bessere Prompts oder ein neues MCP-Framework, sondern durch drei architektonische Maßnahmen: (1) Daten-Preprocessing vor der Agenten-Übergabe, um Retrieval-Unsicherheit zu eliminieren; (2) Verarbeitung eines Dokuments pro Job statt Batch-Verarbeitung, sodass Fehler isoliert retried werden können; (3) fünf parallele Subagenten mit Fortschritts-Logging und Checkpoint-Resumption. Jede erzeugte Regel erhielt eine Referenz-ID, die auf den Quell-Chunk zurückverweist – was präzise Audit-Fragen erlaubt (z. B. „Ist der zitierte Textausschnitt tatsächlich im referenzierten Chunk vorhanden?"). Der Orchestrator überwachte den Gesamtfortschritt. Abgerundet wurde die Pipeline durch leichtgewichtige Evals auf einem kleinen manuell reviewten Batch – kein vollständiges Golden-Dataset, aber ausreichend um Abdeckung und Genauigkeit iterativ zu verbessern.