Een agent bouwen voor Elementor-pagina-assemblage: van idee tot een werkende pipeline

De ontwikkelaar beschreef het maken van een AI-agent voor het opbouwen van pagina's in WordPress en Elementor, geïntegreerd met Telegram. De eerste versie gebruikte MCP-tools van Elementor, maar al snel kwamen er problemen naar voren: de gebruikerstaak kon verloren gaan als hij niet meteen reageerde, er ontstonden dubbele taken bij herhaalde verzoeken, en de agent probeerde rechtstreeks MCP aan te roepen, waarbij de skill werd omzeild. Om dit op te lossen werd er een takenwachtrij met SQLite ingevoerd, waarbij een record wordt aangemaakt vóór elke vraag van de gebruiker, een controle op openstaande taken, en een harde regel om het werk aan de skill te delegeren. Voor samengestelde vragen werd er een CLI next-question geïmplementeerd, die één voor één vragen stelt. Ook werden de taakstatussen opgesplitst in blokkerende (wachten, geblokkeerd, voltooid) en niet-blokkerende (gereed), zodat de agent verder kon gaan als een stap mogelijk was zonder de gebruiker. Voor testisolatie worden pagina's standaard in een beta-omgeving aangemaakt en pas via een aparte transfer-workflow naar productie overgezet. Fouten met de inspringingen van Elementor werden opgelost met de module elementor-spacing-builder.md, die de verschillen tussen containers en widgets vastlegt. Het uiteindelijke antwoord werd ondergebracht in een aparte CLI result_cli.py, gescheiden van de workflow-vragen. De kwaliteit van de opbouw wordt alleen gecontroleerd via CLI; self-asserting is verboden. Het meest complex bleek de integratie met Figma: de eerste versies van de compiler verloren informatie, waarna werd overgestapt op een strikte Python-compiler die Figma JSON direct omzet naar Elementor JSON. In de 14e versie werd een semantische boom toegevoegd, die semantiek en layout scheidt. Ook werd de export van assets geoptimaliseerd: VECTOR-paden worden niet geëxporteerd als SVG, alleen componenten met expliciete aanduiding.