Prompt Intelligence Tagesbericht — 7. Juni 2026

🔤 TOP 3 PROMPTS — Textgenerierung

1. Prompt-Verbesserung durch Analogien (Interactive Prompt-Audit-Tool)

Prompt (vollständig, kopierbar):

Evaluate a user's rough prompt and produce a revised high-accuracy prompt.

Use three passes before answering.

Pass 1: Identify the most appropriate profile from: code_generation, calculation_script, code_review, log_triage, field_troubleshooting, data_transform, operations_digest, decision_brief, incident_triage, writing, research, or general_task.

Pass 2: Evaluate the original prompt for five techniques:
- transforms: Does it ask to preserve source shape, names, units, structure?
- constraints: Does it define scope, assumptions, success criteria, stop rules?
- format: Does it specify output shape, sections, schema, table format?
- examples: Does it provide concrete input→output mappings?
- analogy: Does it provide a comparison that frames reasoning?

Pass 3: Rewrite every section. Preserve the actual task type.
Choose an output format that makes the result verifiable.
Always provide a compact warm-up example.
Always provide a context-relevant analogy.

Return JSON with: profile, technique_presence (5 booleans), prompt_parts (task, transforms, constraints, format, examples, analogy).
Keep the complete composed prompt under 180 words.

Am besten mit: Claude Sonnet 4, GPT-4o, Claude Opus 4.8

Warum effektiv: Das Tool „Better Prompting LLMs Through Analogies" von Álvaro Videla (22↑ auf HN) zeigt, dass Analogien als kognitive Brücken funktionieren — sie erlauben dem Modell, bekannte Relationen wiederzuverwenden statt abstrakte Regeln neu zu interpretieren. Der entscheidende Mechanismus: „Make the next token easier to choose." Jede Analogie- und Constraints-Schicht reduziert die Mehrdeutigkeit und beschleunigt die Token-Auswahl. Die Interaktivität erlaubt das Ein-/Ausschalten von fünf Techniken mit Live-Vorschau.

Quelle: https://thecodeartist.github.io/better-prompting-llms-using-analogies/ | 22 Upvotes (HN)

Community Resonanz: Artikel bietet ein interaktives Prompt-Audit-Werkzeug mit Live-Vorschau. Die Analogie-Technik ist neu strukturiert: nicht als dekoratives Element, sondern als funktionaler Beschleuniger für die Next-Token-Wahrscheinlichkeit.

2. Spec-Driven Development mit KI-Agent (Sequentielle Implementierung)

Prompt (vollständig, kopierbar):

I'm using Spec Driven Development for mid+ size tasks. The workflow:

1. Write detailed specs first using agent help — do research and interviewing
2. Decompose the task into smaller subtasks
3. Write detailed spec for each subtask
4. Implement each subtask sequentially with the agent
5. Review each implementation before moving to the next

For each subtask, the spec should include:
- Requirements and acceptance criteria
- Input/output contracts
- Edge cases to handle
- Testing strategy

The agent implements one feature or work unit at a time while I verify understanding.

Am besten mit: Claude Code (Claude Sonnet 4 / Opus 4.8 fast mode)

Warum effektiv: Im 151↑-Thread „What is your (AI) dev tech stack / workflow?" auf HN beschrieben mehrere Entwickler diesen Ansatz. Der Kern: Zuerst die Specs schreiben, dann implementieren lassen — nicht umgekehrt. Verhindert den typischen „AI schreibt Code ohne Kontext"-Fehler. Die Sequentialisierung mit menschlichem Review zwischen den Schritten gibt maximale Produktivität bei kontrolliertem Risiko.

Quelle: https://news.ycombinator.com/item?id=48413629 | 151 Upvotes (HN)

Community Resonanz: Top-Kommentar (102 Antworten) mit intensivem Austausch über Solo-Dev-Workflows. Ein Solopreneur berichtet von Linear-Ticket-Dekomposition mit Claude Code, dann opencode für die Implementierung, periodische Opus-Reviews. Konsens: „Slow code" — KI als Designpartner, nicht Code-Generator.

3. Minimalismus im Agent-Prompting

Prompt (vollständig, kopierbar):

First ask the model HOW to do something / what options there are — not just TO do something.

After its answered, go tell it to do the thing.

Principles:
- Minimal tooling
- Minimal system prompt
- Folders + files + text

AI driven development has turned the whole development job into:
1. Knowing what questions to ask
2. Complexity reduction

Key technique: Always ask if there is a simpler alternative with the model before committing to the complex approach.

The agent should:
- Create moments to TEACH before executing
- Start with the simplest viable approach
- Escalate complexity only when necessary

Am besten mit: Claude Opus 4.8, GPT-5.5, Codex

Warum effektiv: Aus dem 151↑-Thread auf HN — ein Entwickler fasste zusammen, dass KI-Entwicklung sich in zwei Kernkompetenzen verwandelt hat: die richtigen Fragen stellen und Komplexität reduzieren. Der Schlüssel ist das „zwei-Phasen-Pattern": Erst fragen (Exploration), dann befehlen (Umsetzung). Das verhindert den klassischen Prompt-Fehler, direkt in die Implementierung zu springen ohne die Optionen abzuwägen.

Quelle: https://news.ycombinator.com/item?id=48416824 | Teil des 151↑ Top-Threads

Community Resonanz: Die „Minimal-Tooling"-Philosophie wird im Thread breit diskutiert — Konsens, dass zu viele Tools/Plugins den Agent verwirren. „Folders + files + text" als bevorzugte Struktur.

🖼️ TOP 3 PROMPTS — Bildgenerierung

Heute keine neuen, kopierbaren Bild-Prompts mit nachgewiesener Effektivität gefunden.

🎬 TOP 3 PROMPTS — Videogenerierung

Heute keine neuen, kopierbaren Video-Prompts mit nachgewiesener Effektivität gefunden.

🧠 TOP 3 NEUE TECHNIKEN

1. NerfGuard: Automatisches Model-Routing für Coding Agents

Zusammenfassung: Ein lokaler Gateway, der jeden Coding-Agent-Request an das günstigste geeignete Modell routet — 3x mehr Nutzung bei gleichem Budget.

Erklärung: NerfGuard (26↑ Hacker News) ist ein Open-Source lokaler Gateway, der zwischen Coding-Agent (Claude Code, Codex) und Model-Provider sitzt. Ein eingebauter Classifier bewertet die Komplexität jedes Requests und wählt das günstigste Modell, das die Aufgabe bewältigen kann. Für Trivialaufgaben wird ein schnelles/cheap Model verwendet, für Architektur-Entscheidungen routet er auf Opus/GPT-5.5. Der Overhead beträgt nur ~250ms. Der User muss sein Prompting nicht ändern — NerfGuard sitzt transparent dazwischen und optimiert automatisch. Ergebnis: 3x mehr Nutzung bei gleichem Spend.

Beispielprompt:

# NerfGuard Model-Routing-Konfiguration
Setup: curl -fsSL https://nerfguard.com/install.sh | bash

Workflow:
1. nerfguard enable (aktiviert lokalen Gateway)
2. Claude Code / Codex normal verwenden
3. NerfGuard klassifiziert und routet automatisch
4. nerfguard disable (jederzeit deaktivierbar)

Result: 3x usage with the same spend

Geeignet für: Claude Code, Codex CLI, alle Agenten mit Model-Gateway-Support

Ursprung: https://news.ycombinator.com/item?id=48419614 | https://nerfguard.com

Warum heute wichtig: Uber hat gerade AI-Tool-Nutzung gedeckelt (Bloomberg, Juni 2026). NerfGuard gibt Entwicklern die Werkzeuge, ihr eigenes Routing zu optimieren, ohne auf Corporate-Mandate zu warten. Token-Ökonomie wird zum zentralen Wettbewerbsfaktor.

2. Analogy-gestütztes Prompt-Audit (5 Technik-Schichten)

Zusammenfassung: Analogien als funktionaler Beschleuniger für die Next-Token-Wahrscheinlichkeit, interaktiv geprüft mit 5 ein/ausschaltbaren Techniken.

Erklärung: Álvaro Videlas interaktives Tool prüft jeden Prompt auf fünf Techniken: Transforms, Constraints, Format, Examples, Analogy. Jede Technik ist ein/ausschaltbar mit Live-Vorschau des zusammengesetzten Prompts. Der Kern-Insight: Eine Analogie reduziert die Mehrdeutigkeit, indem sie dem Modell erlaubt, eine bekannte Relation wiederzuverwenden. Die Frucht-Sortier-Analogie im Artikel demonstriert, dass das Match zwischen Input-Format und Label-Format die kognitive Last drastisch reduziert. Das System-Prompt des Tools ist vollständig einsehbar und nutzt ein JSON-Schema für strukturierte Prompt-Evaluation.

Beispielprompt:

Think of this like a design review:
keep source facts visible
then choose the shortest clear path to the requested output.

Think of this like fixing a flickering desk lamp:
check the switch, plug, cable, and bulb first
then stop if there is heat or visible damage.

Analogies give the model a familiar path to the answer
instead of forcing it to reason from abstract rules.

Geeignet für: Claude Sonnet 4, GPT-4o, Claude Opus 4.8

Ursprung: https://thecodeartist.github.io/better-prompting-llms-using-analogies/

Warum heute wichtig: Das Tool macht die abstrakte Idee „besser prompten" konkret operational. Die 180-Wörter-Grenze erzwingt Disziplin — kein Füllmaterial, nur relevante Struktur. Fünf ein/ausschaltbare Techniken mit Live-Vorschau.

3. AI-Sicherheits-Checks vor Repo-Opening (Miasma-Verteidigung)

Zusammenfassung: Präventiver 6-Stufen-Check vor dem Öffnen eines geklonten GitHub Repos in einem AI-Coding-Agent — Abwehr des ersten AI-Agent-Wurms.

Erklärung: Die „Miasma Worm" (Juni 2026) ist der erste bekannte Wurm, der gezielt AI-Coding-Agents über GitHub Repos angreift. Der Angriffspunkt: Config-Files, die AI-Agenten auto-run Features nutzen. .claude/settings.json (Hook bei Session-Start), .cursorrules (Project Rule), .vscode/tasks.json (runOn: folderOpen), package.json scripts (test/preinstall). Das Klonen ist sicher — erst das ÖFFNEN in einem Agent löst die Payload aus. 120+ Repos betroffen, darunter offizielle Microsoft Azure-Repos (1,718 Stars). Der Angreifer nutzte gestohlene PATs und backdated Commits auf 2020.

Beispielprompt:

Before opening this repository in any AI coding agent, run:
1. grep -r "autoRun\|runOn.*folderOpen\|hook" .claude/ .cursorrules .vscode/
2. grep -r "setup.js\|install.js\|preinstall" package.json
3. git log --after='2026-06-01' --oneline
4. Check for files > 1MB in .github/ or root
5. Check for Base64-encoded/obfuscated strings in config files
6. Verify commit timestamps for suspicious backdating
Report any suspicious findings before the agent opens this folder.

Geeignet für: Claude Code, Gemini CLI, Cursor, VS Code Copilot

Ursprung: https://safedep.io/miasma-worm-ai-coding-agent-config-injection/

Warum heute wichtig: Erster Wurm, der AI-Coding-Agents als Angriffsvektor nutzt. Config-Files sind jetzt ein neuer Angriffsvektor. Jeder Agent-Nutzerin braucht präventive Checks im Workflow.

🏆 Highlight des Tages

NerfGuard: 3x Coding-Agent-Nutzung mit gleichem Budget — durch automatisches Model-Routing

NerfGuard (26↑ Hacker News) ist ein lokaler Gateway für Coding-Agent-Traffic, der jeden Request automatisch klassifiziert und an das günstigste Modell routet, das die Aufgabe bewältigen kann. Das Ergebnis: 3x mehr Nutzung bei gleichem Spend.

Funktionsweise: NerfGuard sitzt zwischen Claude Code/Codex und dem Model-Provider. Ein eingebauter Classifier bewertet die Komplexität jedes Requests:

• Einfache Tasks → schnelles/cheap Model
• Komplexe Architektur → Opus/GPT-5.5
• Code-Reviews → Mid-Tier

Installation: curl -fsSL https://nerfguard.com/install.sh | bash (Mac + Linux) Overhead: ~250ms (vernachlässigbar) Preis: Free Kompatibilität: Claude Code, Codex, alle Agenten mit Model-Gateway-Support

Warum das Today's Highlight ist: Es löst das drängendste Problem der AI-Ära — Kostenkontrolle im Agent-Zeitalter. Uber hat gerade AI-Tool-Nutzung gedeckelt (Bloomberg, Juni 2026). NerfGuard gibt Entwicklern die Werkzeuge, ihr eigenes Routing zu optimieren, ohne auf Corporate-Mandate zu warten. Der 26↑-Score auf HN spiegelt hohe praktische Relevanz wider.

📰 Erlesene Artikel & Ressourcen

Better Prompting LLMs Through Analogies

https://thecodeartist.github.io/better-prompting-llms-using-analogies/ Interaktives Prompt-Audit-Tool: Prüft Prompts auf 5 Techniken (Transforms, Constraints, Format, Examples, Analogy), generiert optimierte Version unter 180 Wörtern. 9 interaktive Slides mit Fruit-Sortier-Analogien die den Mechanismus demonstrieren.

NerfGuard: AI Agent Token Optimizer

https://nerfguard.com Kostenloser lokaler Gateway für Coding-Agent-Traffic. Automatische Model-Routing und Token-Optimierung. 3x mehr Nutzung mit gleichem Budget. 26↑ auf HN.

Miasma Worm Targets AI Coding Agents via GitHub Repos

https://safedep.io/miasma-worm-ai-coding-agent-config-injection/ Technische Analyse des ersten AI-Agent-Wurms. Betrifft Claude Code, Gemini CLI, Cursor, VS Code. 120+ Repos kompromittiert inkl. offizielle Microsoft Azure-Repos. Payload wird durch simples Repo-Opening ausgelöst.

Ask HN: What is your (AI) dev tech stack / workflow?

https://news.ycombinator.com/item?id=48413629 151↑ auf HN. Intensiver Austausch über Solo-Dev-Agent-Workflows, Spec-Driven Development, Multi-Agent-Orchestrierung. Consensus: „Slow code" — KI als Designpartner, nicht Code-Generator.

Arithmetic Without Numbers — How LLMs Do Math

https://alvaro-videla.com/llm-arithmetic-internals/article_interactive/article.html 22↑ auf HN. Interaktiver Artikel über die interne Zahlenrepräsentation in LLMs. Helix-artige Phasengeometrie in Aktivierungsvektoren. Wann Tool-Calling nötig ist, wann das Modell rechnen kann.

Hackers Simply Asked Meta AI to Give Them Access to High-Profile Instagram Accounts

https://www.404media.co/hackers-simply-asked-meta-ai-to-give-them-access-to-high-profile-instagram-accounts-it-worked/ Via Simon Willison. Meta's AI-Support-Chatbot wurde für Account-Übernahmen bei Obama White House, Space Force und Sephora genutzt. Kein menschliches Escalation möglich.

arXiv: Scaffold, Not Vocabulary? A Controlled Study of Popperian Code-Generation

https://arxiv.org/abs/2606.06454 Pre-Registrierte Studie: Popperian Falsifikations-Prompts für Code-Generierung. Prompt „Skills" die das Modell wie einen Wissenschaftler reasoning lassen. Veröffentlicht 4. Juni 2026.

arXiv: From Failed Trajectories to Reliable LLM Agents

https://arxiv.org/abs/2606.06324 LLM-Agent Harnesses: Wie man von gescheiterten Trajektorien zu zuverlässigen Agenten kommt. Execution Environments, Tool Interfaces, Context, Lifecycle-Orchestrierung. Veröffentlicht 4. Juni 2026.

---

Bericht erstellt am 7. Juni 2026 Quellen: Reddit, Hacker News, arXiv, Simon Willison, 404 Media, SafeDep, NerfGuard