📅

📰 Prompt Intelligence Report — 21. Juni 2026

🏆 Highlight

📰 Prompt Intelligence Report — 21. Juni 2026

🔤 TOP 3 PROMPTS — Textgenerierung

1. TOON-Format für strukturierte LLM-Ausgaben

Prompt (vollständig, kopierbar):

Du antwortest ausschließlich im TOON-Format (Token-Optimized Object Notation).
TOON ist eine schlanke Alternative zu JSON für LLM-Ausgaben:

- Keine geschweiften Klammern, keine Anführungszeichen um Keys
- Key-Value-Paare getrennt durch : und Zeilenumbruch
- Listen mit - Präfix
- Verschachtelung durch Einrückung (2 Spaces)
- Booleans: true → ✓, false → ✗

Beispiel einer TOON-Antwort:
name: Produktreview
items:
  - name: Feature A
    rating: ✓
    note: Funktioniert einwandfrei
  - name: Feature B
    rating: ✗
    note: Muss verbessert werden

Generiere jetzt die folgende Antwort im TOON-Format: [DEINE AUFGABE]

Am besten mit: Claude Opus 4.6, GPT-4.1-mini, GLM-5.2

Warum effektiv: TOON schneidet ~30 % Output-Tokens gegenüber JSON — gleiche Information, deutlich weniger Syntax-Overhead. In Produktions-Pipelines bei tausenden Aufrufen spürbar. Von einem Entwickler auf HN geteilt, der damit Kosten um 60 % reduzierte.

Quelle: Hacker News Diskussion | 3 Upvotes

Community Resonanz: Der Autor berichtet von 60 % Kostenreduktion in Kombination mit drei Techniken (TOON, kondensiertes Markdown, Few-Shot-Beispiele).

2. Kondensiertes Markdown mit „Caveman"-Systemprompt

Prompt (vollständig, kopierbar):

Systemprompt:
Du bist ein präziser Analyst. Antworte immer im kondensierten Markdown-Format:
- Keine Füllwörter, keine Einleitungen, keine Zusammenfassungen
- Verwende Abkürzungen wo eindeutig (z.B. „↑" für steigt, „→" für führt zu, „vs" für versus)
- Fakten direkt auflisten, keine Prosa-Sätze
- Wenn unsicher: „?" an den Punkt hängen

Beispiel-Eingabe:
„Analysiere die Marktentwicklung für KI-Agenten im 2. Quartal 2026"

Beispiel-Ausgabe:
KI-Agenten Q2/2026 Marktanalyse:
↑: Agent-Tool-Ecosystem (MCP, Skills), Token-Effizienz-Fokus, On-Device-Inferenz
→: Cursor/Swarm-Architekturen etablieren sich als Standard
↓: Single-Prompt-Agenten, Token-intensive Workflows
?: Regulierungslage USA offen, EU AI Act Implementierung unklar

Am besten mit: Claude Opus 4.6, GPT-5.4-mini, GLM-5.2

Warum effektiv: Reduziert Input-Token-Kosten um ~50 % bei Agent-Pipelines, die vorherigen Kontext weiterreichen. Besonders wertvoll für Multi-Agent-Workflows mit Kontext-Übergabe zwischen Schritten.

Quelle: Hacker News Diskussion | 3 Upvotes

Community Resonanz: Als „Counterintuitive #2" beschrieben — lange Do/Don't-Listen durch 2-3 konkrete, mehrteilige Beispiele zu ersetzen verbesserte Output-Qualität zuverlässiger als Regeln.

3. Subject-Aware Prompting für adaptive LLM-Tutoring

Prompt (vollständig, kopierbar):

Du bist ein adaptiver Tutor. Bevor du antwortest, bestimme:
1. Das Fachgebiet (z.B. Mathematik, Biologie, Geschichte, Informatik)
2. Das vermutliche Niveau des Nutzers (Anfänger/Fortgeschritten/Experte)
3. Die passendste Erklärstrategie für dieses Fach

Fach-spezifische Regeln:
- Mathematik: Schritt-für-Schritt-Herleitung, jede Transformation begründen
- Biologie: System-Zusammenhänge betonen, von Makro zu Mikro
- Geschichte: Kausalketten aufzeigen, Primärquellen nennen
- Informatik: Code-Beispiele mit Inline-Kommentaren, Abstraktionslevel anpassen

Antworte dann in der ermittelten Fachsprache und auf dem ermittelten Niveau.
Frage am Ende nach, ob das Niveau passt oder angepasst werden soll.

Thema: [DEIN THEMA]

Am besten mit: GLM-5.2, GPT-4.1-mini

Warum effektiv: Basierend auf einer arXiv-Publikation (2606.20138, Juni 2026), die zeigt, dass fachspezifisches Prompting adaptive Tutoring-Systeme signifikant verbessert. Statisches Prompting scheitert an disziplinübergreifenden Anfragen.

Quelle: arXiv 2606.20138 — „Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring"

Community Resonanz: Neue Publikation von Juni 2026 — erste unabhängige Evaluationen stehen aus, aber das fachspezifische Prompting-Prinzip ist intuitiv und sofort einsetzbar.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. SVG-Generierung mit GLM-5.2 (open weights)

Prompt (vollständig, kopierbar):

Generate a fully self-contained, animated SVG illustration of: [BESCHREIBUNG]

Requirements:
- Valid SVG only, no HTML wrapper
- Use CSS animations for movement (within <style> in <defs>)
- Flat vector illustration style, clean lines
- Vibrant color palette with good contrast
- All animations must be physically coherent (eyes stay on face, wheels rotate with vehicle)
- Maximum 200 lines of SVG code
- Include subtle background elements for depth

Am besten mit: GLM-5.2 (via OpenRouter, $1.40/$4.40 per M Tokens, 9 Provider verfügbar)

Warum effektiv: GLM-5.2 ist das stärkste open-weight Text-only-Modell (Artificial Analysis Intelligence Index: 51 Punkte). Erzeugt vollständig animierte, kohärente SVGs — Pelikan auf Fahrrad mit funktionierender Animation, während GLM-5.1 bessere Details lieferte. GLM-5.2 hat 753B Parameter, 1M Context Window, MIT License.

Quelle: https://simonwillison.net/2026/Jun/17/glm-52/

Community Resonanz: Simon Willison testete beide Versionen: GLM-5.2 produziert technisch saubere, animierte SVGs; GLM-5.1 lieferte kreativere Details. Für technische Zeichnungen ist GLM-5.2 überlegen.

2. Kondensierte Prompt-Struktur für SVG-Generation

Prompt (vollständig, kopierbar):

Erstelle eine SVG-Illustration im Flat-Design-Stil:

Motiv: [BESCHREIBUNG]
Stil: Clean vector, flache Farben, minimalistisch
Animation: Subtile Movement (2-3 Elemente, via CSS keyframes)
Palette: 3-4 Hauptfarben, hoher Kontrast
Komposition: Zentrales Motiv, dezent abgerundeter Hintergrund
Code: Valider SVG-Code (<svg>...</svg>), keine HTML-Hülle

Am besten mit: GLM-5.2, Claude Fable 5, GPT-5.5

Warum effektiv: Strukturierte Parameter statt Fließtext-Prompts liefern konsistentere SVG-Ergebnisse. GLM-5.2 und Claude Fable 5 sind die aktuellen Top-Modelle auf dem Code Arena WebDev Leaderboard.

Quelle: https://simonwillison.net/2026/Jun/17/glm-52/ (SVG-Benchmark)

Community Resonos: GLM-5.2 rangiert auf Platz 2 des Code Arena WebDev Leaderboards, hinter nur Claude Fable 5 — bemerkenswert ohne Bild-Eingabe.

3. Prompt-Effizienz: Few-Shot statt Do/Don't-Listen für Bildgenerierung

Prompt (vollständig, kopierbar):

Style Reference — erzeuge Bilder im Stil dieser drei Beispiele:

Beispiel 1:
„Flat-Vector-Landschaft, Berge im Hintergrund, See im Vordergrund,
Sonnenaufgang von rechts, 2-4 Farben, minimalistische Formen"

Beispiel 2:
„Isometrisches Stadtviertel, pastel-Farben, kleine Figuren,
diagonale Perspektive, keine realistische Textur"

Beispiel 3:
„Nachtstadt-Silhouette, Neon-Akzente, dunkler Hintergrund,
Regen-Reflexionen, cyberpunk-Atmosphäre"

Jetzt erzeuge: [DEINE BESCHREIBUNG]
Im gleichen Stil: flach, reduzierte Farben, keine realistischen Texturen

Am besten mit: GLM-5.2, Claude Fable 5, GPT-5.5 (SVG), DALL-E 4, Midjourney v8.1

Warum effektiv: Die auf HN identifizierte Technik zeigt: 2-3 konkrete Beispiele übertreffen lange Regellisten in Qualität und Token-Effizienz. Für Bildgenerierung bedeutet das: Style-Examples statt abstrakter Stil-Beschreibungen.

Quelle: Hacker News — „Changes that cut our LLM pipeline costs more than model-switching did"

🎬 TOP 3 PROMPTS — Videogenerierung

1. OpenMontage: Agentic Video Production mit 500+ Agent Skills

Prompt (vollständig, kopierbar):

Video-Produktionspipeline mit OpenMontage:

Pipeline: [PIPELINE_NAME wählen: narrative_ad, product_showcase, tutorial, music_video, documentary_short, social_media_reel]

Anweisungen:
1. Verwende die passende Pipeline aus den 12 verfügbaren Pipelines
2. Wähle Tools aus den 500+ Agent Skills basierend auf dem gewünschten Output
3. Definiere Input-Material (Footage, Skript, Voiceover)
4. Spezifiziere Output-Format (Auflösung, Länge, Aspect Ratio)

Beispiel für Product Showcase:
- Pipeline: product_showcase
- Input: Produktfotos, Key Features Liste, Brand Guidelines
- Output: 30-sekündiges Promo-Video, 9:16, mit Voiceover
- Tools: Script Generator, B-Roll Selector, Transition Engine, Audio Mixer

Beschreibe dein gewünschtes Video: [BESCHREIBUNG]

Am besten mit: OpenMontage Framework (GitHub: /calesthio/OpenMontage), GLM-5.2 als Orchestrierungs-LLM

Warum effektiv: Erstes open-source agentic Video-Produktionssystem mit 12 Pipelines, 52 Tools und 500+ Agent Skills. Auf GitHub Trending (Juni 2026) entdeckt. Lässt Agenten den kompletten Video-Workflow orchestrieren — von Skript bis Export.

Quelle: https://github.com/calesthio/OpenMontage

Community Resonanz: Erschien auf GitHub Trending mit starkem Interesse an agent-basierter Video-Produktion. Erste adopter berichten von signifikant reduzierter Produktionszeit für kurze Social-Media-Videos.

2. Kondensiertes Prompting für Video-Deskriptionen

Prompt (vollständig, kopierbar):

Videodeskriptor [max 200 Zeichen]:

[Subjekt] → [Aktion] → [Kamerabewegung] → [Stil/Look] → [Dauer]

Format:
• Subjekt: Wer/was ist im Fokus?
• Aktion: Was passiert? (Bewegung, Veränderung, Interaktion)
• Kamera: [Statisch/Dolly-In/Pan-Right/Tracking Shot/Aufnahme von oben]
• Stil: [Cinematic/Anime/Realistisch/Zeichentrick/Neon-Noir]
• Dauer: [3s/5s/10s]

Beispiel:
Frau am Bahnsteig → Zug fährt ein → Kamera schwenkt langsam links → Cinematic, warmes Licht → 5s

Erzeuge: [DEINE SZENE]

Am besten mit: Kling 2.0, Runway Gen-4, LTX-2, Seedance 2

Warum effektiv: LTX-2 (auf GitHub Trending Juni 2026) ist das erste DiT-basierte Audio-Video-Foundation-Model mit IC-LoRA. Chronologische Shot-Beschreibungen unter 200 Wörtern funktionieren am besten für Video-Modelle. Die kondensierte Struktur spart Tokens und liefert präzisere Outputs.

Quelle: GitHub Trending (Lightricks/LTX-2)

Community Resonanz: LTX-2 bietet IC-LoRA (Image-Conditioned) für Video-to-Video, Lip-Sync und HDR-Output. Dedizierte Kamera-Control-LoRAs (Dolly, Jib, Static) ermöglichen präzise Regie-Anweisungen.

3. Agenten-basierte Video-Bearbeitung mit Wrangler Deploy

Prompt (vollständig, kopierbar):

Erstelle einen Cloudflare Worker für Video-Verarbeitung:

1. Wrangler Projekt initialisieren:
   npx wrangler init video-processor

2. Video-Endpoint erstellen (POST /process):
   - Input: Video-URL (MP4/WebM)
   - Parameter: duration, crop, resize, filters[]
   - Output: Verarbeitetes Video als Stream

3. Processing Pipeline:
   a) Input validieren (Format, Größe < 50MB)
   b) FFmpeg-Transformation anwenden (via R2 Storage)
   c) Ergebnis in R2 Bucket speichern
   d) Presigned URL zurückgeben

4. wrangler deploy --temporary zum Testen
   (60 Minuten gültig, kein Account nötig)

API-Spezifikation: [DEINE ANFORDERUNGEN]

Am besten mit: Cloudflare Workers, Claude Code, Codex

Warum effektiv: Cloudflare führte im Juni 2026 „Temporary Accounts" ein: Agenten können mit wrangler deploy --temporary sofort deployen — ohne OAuth, ohne Account-Erstellung. Das Video bleibt 60 Minuten live, dann kann der Mensch den Account übernehmen. Perfekt für schnelle Video-Pipeline-Prototypen.

Quelle: https://blog.cloudflare.com/temporary-accounts/ (206↑ auf HN)

Community Resonanz: Top-HN-Story des Tages mit 110 Kommentaren. Entwickler loben die frictionless Deployment-Erfahrung für KI-Agenten.

🧠 TOP 3 NEUE TECHNIKEN

1. FAPO — Pipeline-Aware Prompt Optimization (Cisco AI)

Zusammenfassung: Cisco AI veröffentlichte FAPO (Fully Automated Prompt Optimization) — ein Claude-Code-gesteuertes System, das LLM-Pipelines automatisch optimiert, von Baseline-Prompts bis zu Target-Accuracy.

Erklärung: FAPO optimiert auf drei Eskalationsstufen: (1) Prompt-Edits (günstig, zuerst versucht), (2) Parameter-Änderungen wie retrieval_k oder Temperatur, (3) Strukturelle Änderungen der Chain-Topologie. Das System klassifiziert Fehler in vier Kategorien: Retrieval-Ausfälle, Kaskadierende Fehler, Formatfehler und Reasoning-Fehler. Guardrails verhindern Overfitting durch strikte Trennung von Trainings-, Validierungs- und Test-Split. FAPO schlug GEPA (State-of-the-Art Prompt Optimizer) in 15 von 18 Modell-Benchmark-Vergleichen mit einem mittleren Gewinn von +14.1 Prozentpunkten.

Beispielprompt:

FAPO Tenant-Setup:
1. Erstelle JSONL-Datensatz mit Testfällen:
   {"case_id": "1", "task_type": "qa", 
    "context": {"question": "Frage hier"},
    "expected": {"answer": "Antwort hier"}}

2. Definiere Scorer:
   class Scorer(BaseScorer):
       def validate_case(self, case, scoring_profile):
           # Vergleiche actual mit expected
           return score

3. Optimierung starten:
   python -m hephaestus.cli eval --config config.json
   python -m hephaestus.cli optimize --tenant my_project

Geeignet für: Produktions-Pipelines mit Multi-Step LLM-Workflows, RAG-Pipelines, Claude Opus 4.6 als Orchestrator

Ursprung: https://www.marktechpost.com/2026/06/20/cisco-ai-introduces-fapo-pipeline-aware-prompt-optimization-with-step-level-failure-attribution-and-claude-code-orchestration/

Warum heute wichtig: Erste vollständig automatisierte Pipeline-Optimierung die systematisch besser funktioniert als evolutionäre Ansätze (GEPA). Besonders relevant für Teams, die Token-Kosten in Multi-Agent-Pipelines reduzieren müssen.

2. Token-Komprimierung via Headroom (60-95 % Reduktion)

Zusammenfassung: Headroom komprimiert Tool-Outputs, Logs, Dateien und RAG-Ergebnisse bevor sie den LLM erreichen — 60-95 % weniger Input-Tokens bei gleicher Informationsdichte.

Erklärung: Headroom läuft lokal (Daten verlassen nie die Maschine) und bietet drei Modi: (1) Agent-Wrapping für Claude Code/Cursor/Codex, (2) Drop-In Proxy (zero code changes), (3) Inline Library für Python/TypeScript. Der HEADROOM_OUTPUT_SHAPER reduziert zusätzlich Output-Tokens um ~32 %. Mit headroom learn lernt das System automatisch Kompressionsmuster aus dem eigenen Datenverkehr. CCR (Content-Characterizing Reduction) liefert reversible Komprimierung — die Originalinformation bleibt über den LLM rekonstruierbar.

Beispielprompt:

Installation und Setup:
pip install "headroom-ai[all]"

Modus wählen:
headroom wrap claude          # Coding-Agent wrappen
headroom proxy --port 8787    # Drop-in Proxy

Output-Token-Reduktion aktivieren:
export HEADROOM_OUTPUT_SHAPER=1
headroom proxy --port 8787

Lernphase:
headroom learn --verbosity            # Vorschau (Dry Run)
headroom learn --verbosity --apply    # Kompressionsmuster speichern

Einsparungen prüfen:
headroom output-savings
# Ausgabe: Reduction: 31.7% (95% CI 27.7% … 35.7%)

Geeignet für: Alle Coding-Agents (Claude Code, Cursor, Codex), LangChain, Agno, Strands, eigene Agenten

Ursprung: https://github.com/chopratejas/headroom (GitHub, Juni 2026)

Warum heute wichtig: Auf GitHub Trending und bei HN sichtbar. Mit steigenden Agent-Nutzung explodieren Token-Kosten — Headroom adressiert dies transparent ohne Modellwechsel. headroom learn ermöglicht adaptive Komprimierung die mit der Zeit präziser wird.

3. Context Engineering in Produktion — Bayer PRINCE Case Study

Zusammenfassung: Bayer und Thoughtworks veröffentlichten eine detaillierte Case Study über PRINCE — ein Agentic-RAG-System für die pharmazeutische Forschung, das Context Engineering als Kernprinzip verwendet.

Erklärung: PRINCE nutzt ein fünfstufiges Agent-Workflow: (1) Clarify User Intent — constrains Tools und Datenquellen bevor Retrieval beginnt, (2) Think & Plan — dedizierter „Denkraum" inspiriert von Anthropic's Think Tool, (3) Agentic RAG mit LangGraph-Orchestrierung, (4) Process Reflection — nach jedem Schritt prüft der Agent „Bin ich auf dem richtigen Weg?", (5) Response Synthesis. Das Schlüssel-Erkenntnis: Größere Context Windows eliminieren nicht die Notwendigkeit selektiver Kontext-Zusammenstellung. In frühen Iterationen machte zu viel Kontext das System schwerer steuerbar.

Beispielprompt:

Produktiver Agent-Workflow mit Context Engineering:

Step 1 — Intent Clarification:
„Bevor ich antworte, beantworte diese 3 Fragen:
1. Welches Fachgebiet ist relevant?
2. Welche Tools/Datenquellen sind im Scope?
3. Ist die Frage eindeutig oder braucht sie Präzisierung?"

Step 2 — Think & Plan:
„Denke laut: Welche Schritte sind nötig?
Erstelle einen Plan mit maximal 3 Schritten.
Erkläre warum jeder Schritt notwendig ist."

Step 3 — Fokussierte Ausführung:
[SCHRITT 1 ausführen] → Reflektiere: „Hat das geholfen?"
[SCHRITT 2 ausführen] → Reflektiere: „Bin ich auf dem richtigen Weg?"
[SCHRITT 3 ausführen] → Reflektiere: „Ist die Frage vollständig beantwortet?"

Step 4 — Synthesis:
„Zusammenfassung der Ergebnisse mit Quellenangabe.
Was ist unsicher? Was braucht menschliche Prüfung?"

Anfrage: [DEINE KOMPLEXE ANFRAGE]

Geeignet für: Claude Opus 4.6, GLM-5.2, GPT-4.1-mini — komplexe Forschungs- und Analyse-Tasks

Ursprung: https://martinfowler.com/articles/reliable-llm-bayer.html (93↑ HN)

Warum heute wichtig: Eine der wenigen veröffentlichten Produktions-Case-Studies für Agentic AI in einem regulierten Industrieumfeld. Die fünftechnische Architektur (Clarify → Think → RAG → Reflect → Synthesize) ist direkt auf eigene Agenten-Pipelines übertragbar.

🏆 Highlight des Tages

Cloudflare Temporary Accounts für KI-Agenten (206↑ HN)

Diese Story dominierte Hacker News am 21. Juni 2026 mit 206 Upvotes und 110 Kommentaren. Cloudflare ermöglicht KI-Agenten sofortiges Deployment ohne Account-Erstellung oder OAuth:

Agent deployed ohne Account:
wrangler deploy --temporary

Ergebnis:
→ Worker sofort live
→ 60 Minuten gültig
→ Claim-URL für den Menschen
→ Optional: Account übernehmen und permanent machen

Warum das wichtig ist: Es entfernt die letzte große Hürde für Agent-Autonomie — die Account-Erstellung. Agenten können jetzt komplett autonom deployen, testen, und den Menschen nur den Claim-Link geben. Das ist ein Paradigmenwechsel für AI-Agent-Workflows, die bisher an manuellen Auth-Flows scheiterten. Parallel dazu veröffentlichte Microsoft eine Security-Warnung vor „Autojack" — einer RCE-Schwachstelle bei der ein AI-Agent-Host von einer einzelnen Webseite übernommen werden kann. Die Kehrseite der Agent-Autonomie: Mehr Autonomie = mehr Angriffsfläche.

Quelle: https://blog.cloudflare.com/temporary-accounts/ | Microsoft Security Blog: https://www.microsoft.com/en-us/security/blog/2026/06/18/autojack-single-page-rce-host-running-ai-agent/

Community Resonanz: Die HN-Community diskutierte intensiv über die Implikationen. Positive Stimmen: „Endlich können Agenten wirklich autonom arbeiten." Kritische Stimmen: „60 Minuten ist zu lang für einen temporären Account mit voller API-Zugriffsberechtigung." Die parallele Microsoft Autojack-Warnung unterstreicht die Dringlichkeit von Agent-Sicherheit.

📰 Erlesene Artikel & Ressourcen

Bericht erstellt am 21. Juni 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs