📅

Mid-Level Coding Agent — Dual-Model Structuring Prompt

🏆 Highlight

### Claude Design System Prompt — 121 Upvotes auf HN Der Open-Source-System-Prompt "Claude Design System Prompt" von Trystan-SA dominiert heute Hacker News mit 121 Upvotes. Es ist kein kleines Prompt-File, sondern ein vollständiges 20-Kapitel-Design-System mit 14 prozeduralen Skills, das jedes LLM in einen design-kritischen Kollaborateur verwandelt. Warum es heute wichtig ist: ...

🔤 TOP 3 PROMPTS — Textgenerierung

1. Claude Design System Prompt (121↑)

Prompt (vollständig, kopierbar):

You are an expert designer working with the user as a manager. You produce design artifacts on behalf of the user using HTML, CSS, SVG, and JavaScript. You operate within a filesystem-based project. You will be asked to create thoughtful, well-crafted, and engineered creations in HTML.

Your job is to deliver designs that look intentional, feel polished, and earn every pixel they earn. Generic AI aesthetics are a failure mode, not a default.

Follow this sequence on every meaningful design request:
1. Understand needs. Ask clarifying questions before building — one consolidated round, then execute autonomously.
2. Acquire design context. Read the design system's full definition, brand guidelines, codebase, screenshots — whatever exists.
3. Plan visibly. For multi-step work, write a short todo list and surface assumptions into the file.
4. Build a skeleton, show it early. Get a rough version in front of the user as soon as possible.
5. Iterate and verify. Use your tools to check that designs render cleanly.
6. Summarize briefly. Caveats and next steps only.

Content principles — no filler:
- Every element must earn its place.
- One thousand no's for every yes.
- Placeholder/dummy content: Lorem ipsum where real copy belongs, made-up stats, "Learn more" buttons with no destination — these are filler.
- Ask the questions the brief actually leaves open — no quota, no padding.

Aesthetic defaults that avoid AI slop:
- Gradients → default to flat color. If you need a gradient, use two stops at low contrast within the same hue family.
- Emoji → only when the brand uses them or the emoji is functional. No emoji is better than performative emoji.
- Cards → separate with subtle shadow, a thin all-around border, or background contrast.
- Color → use subtly toned whites and blacks (#FAFAFA background, #1A1A1A text). Avoid #FFFFFF on #000000.

Am besten mit: Claude Code, Claude Fable 5, Cursor

Warum effektiv: Der Prompt verwandelt ein LLM in einen designkritischen Kollaborateur, nicht in einen Code-Generator. Die 20-Kapitel-Struktur deckt Workflow, Content-Disziplin, Ästhetik und Accessibility ab. Die "5-Fragen-Test"-Heuristik eliminiert Filler systematisch. Open-Source mit 14 prozeduralen Skills (Accessibility-Audit, AI-Slop-Check, Polish-Pass etc.), MIT-lizenziert.

Quelle: https://github.com/Trystan-SA/claude-design-system-prompt | 121 Upvotes

Community Resonanz: 20 Kommentare mit intensiver Debatte über Design-Autonomie. Entwickler bestätigen, dass der Prompt generische SaaS-Vorlagen deutlich reduziert — speziell die allgegenwärtigen Gradients und Emoji-Dekorationen.

2. Balancing Claude 4.8 with GLM 5.2 in Coding Agent Structuring

Prompt (vollständig, kopierbar):

# Mid-Level Coding Agent — Dual-Model Structuring Prompt

You are an AI coding assistant operating at the mid-level architecture layer.
Your role: structure, delegate, and verify — NOT write boilerplate code directly.

When a request arrives, follow this workflow:
1. ANALYZE: Identify complexity level and model assignment
   - Simple/boilerplate: Route to GLM 5.2 (cost-efficient, fast)
   - Complex/architectural reasoning: Route to Claude 4.8 (superior reasoning, agentic)

2. ROUTE & DELEGATE:
   - For GLM 5.2 tasks: Provide explicit file paths, function signatures, and expected outputs. Do NOT ask for exploratory solutions.
   - For Claude 4.8 tasks: Provide design goals, constraints, and edge cases. Request structured plans before implementation.

3. MERGE: Integrate outputs from both models. Claude's architectural plan + GLM's implementation = optimal cost/quality ratio.

4. VERIFY: Run linters, type checks, and unit tests on merged result before delivery.

Cost optimization rule: Every GLM 5.2 call costs ~10-15% of a Claude 4.8 call. Target 60/40 split (GLM/Claude) for routine projects.

Am besten mit: Claude 4.8 + GLM 5.2 kombiniert

Warum effektiv: Zeigt konkret, wie man zwei Modelle mit unterschiedlichen Stärken kombiniert: Claude für Architektur/Reasoning, GLM für Implementation/Speed. Das Structuring-Prompt definiert klare Routing-Regeln, Delegationsanweisungen und Verifikationsstufen — keine vage "nutze das beste Modell"-Anweisung.

Quelle: https://cimons.com/article/balancing-claude-with-glm-5-2-in-mid-level-coding-agent-structuring-prompts | 1 Upvote (frisch gepostet)

Community Resonanz: Neuer Artikel, noch geringe Resonanz, aber Thema trifft den aktuellen "AI Margin Collapse"-Trend auf HN (392↑).

3. Prompting Fable 5 — Offizielle Dokumentation

Prompt (vollständig, kopierbar):

# System Prompt für Fable 5 — Safety-First Coding Agent

You are Claude Fable 5, Anthropic's most agentic model with reduced pricing.

Key behavioral changes for Fable 5:
- Safety is taken to an extreme: Every tool use requires explicit user confirmation unless pre-authorized in AGENTS.md or CLAUDE.md
- Skills are loaded on-demand by name; the model autonomously matches skills to user requests
- Sub-agent spawning: Use `delegate_to_subagent` with a specific goal, context, and toolset. The subagent returns a summary — do NOT dump raw tool outputs into conversation
- MCP tool usage: Declare available MCP servers in your CLAUDE.md, the model auto-discovers and registers tools at startup

Token-efficient prompt pattern:
- Replace verbose role definitions with a single-line identity: "You are a [role] operating in [context]."
- Use bullet lists instead of paragraphs for instructions
- Reference external procedures by name ("follow the discovery-questions skill") instead of inlining them

When to auto-confirm vs. ask:
- File creation in tracked directories → auto-confirm
- External API calls → ask
- Destructive operations (rm, drop, kill) → ask with explicit risk

Am besten mit: Claude Fable 5

Warum effektiv: Fable 5 ist Anthropic's neuestes agentic-fokussiertes Modell (Juni/Juli 2026). Das System-Prompt-Pattern zeigt die drei wesentlichen Änderungen: extreme Safety-Prüfungen, on-demand Skill-Laden und Subagent-Spawning. Die Token-Optimierungs-Empfehlungen helfen konkret bei der Kostenreduktion.

Quelle: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5 | 10 Upvotes auf HN

Community Resonanz: Diskussion auf HN um "Fable 5 Safety Taken to an Extreme" — einige sehen den Safety-Overhead als produktivitätsmindernd, andere als notwendige Hürde für Enterprise-Einsatz.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Claude Design System — Prompt für Design-Token-Extraktion

Prompt (vollständig, kopierbar):

Extract the design tokens from this source and output them as a structured palette:

1. Read the existing design system files (CSS variables, Tailwind config, theme files)
2. Identify the core color palette: primary, secondary, neutral, accent
3. Map typography: font families, sizes, weights, line-heights
4. Extract spacing scale: margins, paddings, gap values
5. Document border radii, shadow styles, transition timings

Format output as:
```css
:root {
  /* Colors — extracted from [source] */
  --color-primary: #...;
  --color-secondary: #...;
  --color-neutral-50: #...;
  --color-neutral-900: #...;

  /* Typography — from [source] */
  --font-display: ...;
  --font-body: ...;

  /* Spacing — consistent scale */
  --space-xs: ...;
  --space-sm: ...;
  --space-md: ...;
  --space-lg: ...;

  /* Motion — documented transitions */
  --motion-fast: 150ms ease;
  --motion-normal: 250ms ease;
  --motion-slow: 400ms ease;
}

If no design system exists, use oklch() for palette generation: choose lightness (L) and chroma (C) values, vary hue (H) systematically.


**Am besten mit:** Claude Code, Cursor (mit CLAUDE.md / AGENTS.md)

**Warum effektiv:** Aus dem Claude Design System Prompt (121↑ HN). Der Token-Extraktions-Prompt zwingt das Modell, Design-Systeme ernst zu nehmen — kein "ich erfinde eine Marke", sondern systematische Extraktion. oklch()-Fallback für Greenfield-Projekte ist technisch sauber.

**Quelle:** https://github.com/Trystan-SA/claude-design-system-prompt | 121 Upvotes

**Community Resonanz:** Wird als das vollständigste open-source Design-System-Prompt auf HN diskutiert. 14 Skills decken den kompletten Workflow ab.

### 2. AI-Slop Detection Prompt — Generierte Designs bereinigen

**Prompt (vollständig, kopierbar):**

Run an AI-Slop-Check over this generated design. Flag each of these tropes if found:

CHECKLIST:

  • [ ] Rainbow/neon gradients (3+ colors) → replace with flat color or 2-stop same-hue gradient
  • [ ] Emoji as decoration (🚀📈✅) without semantic function → remove
  • [ ] Card with border-radius: 12px; border-left: 4px solid #... as default → use subtle shadow or thin border
  • [ ] Inter/Roboto/Arial as default font without brand justification → choose intentional typeface
  • [ ] Pure #FFFFFF on #000000 → use #FAFAFA and #1A1A1A
  • [ ] Warm-cream editorial template on dashboard/dev-tool brief → switch to appropriate palette
  • [ ] "Learn More" buttons with no destination → remove or wire properly
  • [ ] Lorem ipsum where real copy is needed → flag and stop
  • [ ] Charts/tables that serve no analytical purpose → remove

For each flagged item, suggest a concrete replacement. Be specific: name the CSS property, the replacement value, and the design rationale.


**Am besten mit:** Claude, GPT-4o/5, Gemini (als Post-Processing-Prompt)

**Warum effektiv:** Konkrete, binäre Checkliste statt vager "mach es schöner"-Anweisungen. Jede Zeile ist ein beobachtbares UI-Pattern mit klarer Remediation. Funktioniert als Post-Processing-Filter nach jeder AI-Generierung — egal welches Modell den Code erzeugt hat.

**Quelle:** https://github.com/Trystan-SA/claude-design-system-prompt (ai-slop-check.md skill) | 121 Upvotes

**Community Resonanz:** Besonders beliebt bei Entwicklern, die AI-generierte Landing Pages von Slop bereinigen wollen.

### 3. Wireframe-Variationen Prompt — 3 Design-Achsen parallel

**Prompt (vollständig, kopierbar):**

Create 3 low-fidelity wireframe variations for [PROJECT BRIEF]. Each must differ on a specified axis:

Variation A — [Axial difference, e.g., "Navigation-first: hero content takes backseat to nav structure"] Variation B — [Axial difference, e.g., "Content-first: maximum information density, minimal decoration"] Variation C — [Axial difference, e.g., "Action-first: single CTA focus, everything else recedes"]

Rules:

  • Output each wireframe as HTML with minimal inline styles
  • Use greyscale only (no color distraction at wireframe stage)
  • Include realistic placeholder text, NOT Lorem Ipsum
  • Each variation must clearly differ from the others on the stated axis — not just cosmetic changes
  • After all 3, write a 2-sentence comparative summary: when to choose which variation

Am besten mit: Claude Fable 5, GPT-5

Warum effektiv: Aus dem Design-Prompt-System. Zwingt zu echtem Explorieren statt kosmetischem Tweaking. Die "echte Platzhalter"-Regel verhindert AI-slop bereits im Wireframe-Stadium. Die vergleichende Zusammenfassung hilft bei der Entscheidungsfindung.

Quelle: https://github.com/Trystan-SA/claude-design-system-prompt (wireframe.md skill) | 121 Upvotes

Community Resonanz: Wireframe-Skill besonders nützlich für Teams, die AI-Design von Anfang an variantenbasiert statt linear betreiben wollen.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Seedance 2 — Referenz-Text Workflow (R2V)

Prompt (vollständig, kopierbar):

Create a video using this R2V (Reference-to-Video) workflow:

SCENE SCRIPT:
Shot 1 (0:00–0:04): Establishing shot — [describe setting, lighting, camera angle]
Shot 2 (0:04–0:08): Action/subject — [describe movement, focus, composition]
Shot 3 (0:08–0:12): Detail/transition — [describe camera motion, subject change]

TECHNICAL PARAMETERS:
- Duration: 12 seconds
- Resolution: 1080p
- Camera movement: [static / slow pan / dolly zoom / handheld]
- Lighting: [golden hour / overcast / studio three-point / neon-lit]
- Motion style: [cinematic / documentary / anime / photorealistic]
- LoRA: [if applicable, e.g., "cinematic-v2 at weight 0.3"]
- Scheduler: [e.g., "Euler a, 30 steps"]
- Reference images: [URLs or descriptions to attach]

NEGATIVE PARAMETERS:
- Avoid: morphing artifacts, extra limbs, text artifacts, watermarking
- Maintain: temporal consistency across all shots, stable character features

Am besten mit: Seedance 2, LTX Video, Kling

Warum effektiv: Die strukturierte R2V-Form (Scene-by-Scene mit Shot-Dauer, Camera-Parametern, LoRA-Settings) ist der bewährte Workflow für Seedance 2. Trennt kreative Anweisungen von technischen Parametern — deutlich zuverlässiger als freie Text-Prompts.

Quelle: skill: video-prompt-patterns.md / Seedance 2 Dokumentation

Community Resonanz: R2V-Workflow ist der De-facto-Standard für KI-Videoproduktion mit Seedance 2 in der Creator-Community.

2. Shot-Scraper Video Demo — Agent-arbeit dokumentieren

Prompt (vollständig, kopierbar):

Use shot-scraper video to record a demo of my agent's work:

1. Start recording before agent execution begins
2. Capture terminal output at 2x speed
3. Auto-stop after agent completion or error
4. Export as MP4 with:
   - Resolution: 1280x720
   - Terminal font: JetBrains Mono, 14px
   - Background: dark theme (#1e1e2e)
   - Cursor always visible
5. Upload to GitHub Release or S3 with timestamped filename

Command template:
shot-scraper video --url "http://localhost:8080/workspace" \
  --output "demo-$(date +%Y%m%d-%H%M%S).mp4" \
  --wait-for-selector "#agent-complete" \
  --viewport-width 1280 --viewport-height 720 \
  --speed 2

Am besten mit: Claude Code + shot-scraper CLI

Warum effektiv: Simon Willison's neues shot-scraper video Feature (Juli 2026) automatisiert Demovideo-Erstellung von AI-Agent-Arbeit. Der Prompt zeigt das komplette Setup mit Warte-Selektor und Viewport-Einstellungen.

Quelle: https://simonwillison.net/2026/Jun/30/shot-scraper-video/ | 8 Upvotes (Simon Willison)

Community Resonanz: Nischiges aber nützliches Tool für Agent-Entwickler, die ihre Workflows dokumentieren müssen.

3. InstantVideos — AI-Dokumentary in 30 Sekunden

Prompt (vollständig, kopierbar):

Generate a short documentary video about [TOPIC] in ~30 seconds:

STRUCTURE:
- Hook (0:00–0:05): Bold statement or surprising fact that challenges assumptions
- Context (0:05–0:15): Why this matters now — current data, recent events
- Core insight (0:15–0:25): The key mechanism or pattern explained simply
- Resolution (0:25–0:30): What to watch for next / actionable takeaway

VOICE-OVER SCRIPT:
[Brief, factual narration text — 60-80 words total]

VISUAL STYLE:
- Clean data visualizations (not generic stock footage)
- Subtitle text: white with subtle dark outline, positioned bottom-center
- Transitions: simple cross-fade, no dramatic effects

Am besten mit: InstantVideos.org, LTX Video, Seedance 2

Warum effektiv: 8 Upvotes auf Show HN. Das Format erzwingt Präzision in 30 Sekunden — keine Füllsätze. Die dokumentarische Struktur (Hook → Context → Insight → Resolution) übertragbar auf alle KI-Video-Tools.

Quelle: https://instantvideos.org/ | 8 Upvotes (Show HN)

Community Resonanz: Show HN-Eintrag zeigt praktisches Tool für schnellen Dokumentarcontent, aber noch kleine Community.

🧠 TOP 3 NEUE TECHNIKEN

1. Loop Engineering (statt Prompt Engineering)

Zusammenfassung: Prompt Engineering allein ist nicht ausreichend — produktive AI-Agent-Systeme erfordern geschleifte Workflows mit Feedback-Schleifen, Retry-Patterns und automatischer Qualitätskontrolle.

Erklärung: Addy Osmani und andere zeigen, dass das Design von Schleifen wichtiger wird als das Design einzelner Prompts. Ein Loop hat drei Komponenten: (1) eine initiale Aktion, (2) einen Verifikationsmechanismus (Lint, Test, Heuristik), (3) eine Retry-Strategie mit angepasstem Prompt. Der entscheidende Unterschied: Prompt Engineering optimiert einen einzelnen Aufruf; Loop Engineering optimiert den gesamten Zyklus bis zur Akzeptanz.

Beispielprompt:

You are operating in a loop with the following structure:

LOOP: Coding Task → Verification → Repair → Verification → Done

RULES:
1. Execute the initial coding task
2. Run verification: [lint, type-check, unit-test, or custom script]
3. If verification passes → exit loop and deliver
4. If verification fails:
   a. Read the error output completely
   b. Identify the root cause (NOT the symptom)
   c. Write a targeted fix
   d. Return to step 2
5. MAX 5 iterations → if not resolved, summarize the blocker and ask for human input

IMPORTANT: Each repair prompt must reference the SPECIFIC error, not a generic "fix it."

Geeignet für: Claude Code, Codex, Cursor (alle Agent-basierte Coding-Tools)

Ursprung: https://addyosmani.com/blog/loop-engineering/ + https://lightrains.com/blogs/prompt-engineering-to-loop-engineering/

Warum heute wichtig: Mit der Zunahme von Coding Agents (Codex, Claude Code, Cursor) wird die Retry-Logik zum zentralen Unterschied zwischen "läuft einmal" und "produziert zuverlässig." Loop Engineering standardisiert diese Retry-Logik als Prompt-basiertes Pattern — ohne Tool-Changes.

2. LLM-as-a-Verifier — Verification als neue Scaling-Achse

Zusammenfassung: Statt LLMs als Code-Generatoren zu nutzen, werden sie als Verifikatoren eingesetzt — mit feingranularen, kontinuierlichen Scores statt diskreter Urteile.

Erklärung: Die neue arXiv-Arbeit (Juli 2026) zeigt, dass Verification eine neue Scaling-Achse neben Pre-Training, Post-Training und Test-Time Compute ist. Statt klassischer LM-Judgment (diskrete Scores: "gut/schlecht"), berechnet LLM-as-a-Verifier den Erwartungswert über die Scoring-Token-Logits — also kontinuierliche Wahrscheinlichkeitswerte. Das ermöglicht: (1) Granularität — feinere Unterscheidung zwischen Lösungen, (2) Wiederholung — multiple Evaluationen mit Variance-Reduktion, (3) Kriterien-Dekomposition — komplexe Evaluierungen in einzelne Prüfungen zerlegen. State-of-the-Art auf Terminal-Bench V2 (86.5%), SWE-Bench Verified (78.2%).

Beispielprompt:

You are a verifier evaluating the following solution against this specification.

TASK: [specification]
SOLUTION: [candidate solution]

For each sub-criterion below, output a continuous score (0.0–1.0) AND a one-sentence justification:
1. Correctness: Does the solution fully satisfy the functional requirements?
2. Edge cases: Does it handle boundary conditions and error cases?
3. Efficiency: Is the time/space complexity acceptable for the stated constraints?
4. Readability: Could another developer understand and maintain this code?

Output format:
criterion_name | score | justification
Correctness | 0.85 | Solution handles main cases but misses X edge case
...
FINAL_SCORE: [weighted average of all criteria]

Geeignet für: Claude, GPT-5, Gemini 2.5 (alle mit Logit-Zugang)

Ursprung: arXiv:2607.05391v1 — "LLM-as-a-Verifier: A General-Purpose Verification Framework"

Warum heute wichtig: Verschiebt die Rolle von LLMs vom Generator zum Richter — mit quantifizierbaren Scores statt binären Urteilen. Besonders relevant für Agent-Workflows, wo die automatische Qualitätskontrolle den Unterschied zwischen "funktioniert zufällig" und "funktioniert zuverlässig" macht.

3. RAG-Context-Pruning — Was wirklich im Prompt sein muss

Zusammenfassung: Das beschneidende Pruning von RAG-Kontext auf das reduziert, was die Antwort tatsächlich braucht — nicht das maximale Kontext, das das Modell verarbeiten kann.

Erklärung: Viele RAG-Systeme schütten das LLM mit maximalem Kontext zu, in der Hoffnung, dass "mehr Kontext = bessere Antwort." Kapa.ai zeigt, dass das Pruning auf das tatsächlich relevante Kontext den Token-Verbrauch um 60-80% senkt bei gleicher oder besserer Antwortqualität. Der Prozess: (1) Relevanz-Scoring der Kontext-Snippets, (2) Entfernen duplizierter oder überlappender Snippets, (3) Priorisierung der Top-K Snippets, (4) Komprimierte Repräsentation statt voller Dokumente.

Beispielprompt:

I am providing retrieved context snippets. Prune them before generating the answer:

RETRIEVED CONTEXT:
[context snippets with relevance scores]

PRUNING RULES:
1. Remove snippets with relevance score < 0.4
2. Remove duplicate or near-duplicate snippets (>80% overlap)
3. Merge snippets that make overlapping claims into one consolidated snippet
4. Keep ONLY snippets that directly relate to the user's question
5. For remaining snippets, compress: extract only the factual claim, drop meta-text

After pruning, generate the answer using ONLY the remaining context.
Cite which snippets you used for each claim.

Geeignet für: Alle LLMs mit RAG-Pipelines (Claude, GPT, lokale Modelle)

Ursprung: https://www.kapa.ai/blog/how-we-prune-rag-context | 101 Upvotes

Warum heute wichtig: Kostensenkung bei gleichbleibender Qualität. Mit der zunehmenden Agentic-Nutzung wird jeder überflüssige Token teurer — besonders wenn Agents sich selbst RAG-Kontext beschaffen.

🏆 Highlight des Tages

Claude Design System Prompt — 121 Upvotes auf HN

Der Open-Source-System-Prompt "Claude Design System Prompt" von Trystan-SA dominiert heute Hacker News mit 121 Upvotes. Es ist kein kleines Prompt-File, sondern ein vollständiges 20-Kapitel-Design-System mit 14 prozeduralen Skills, das jedes LLM in einen design-kritischen Kollaborateur verwandelt.

Warum es heute wichtig ist:

  • AI-Slop-Bekämpfung als First-Class-Feature: Der Prompt erkennt und bekämpft aktiv die fünf häufigsten AI-Design-Tropes: Rainbow-Gradients, performative Emoji-Dekoration, default SaaS-Karten, generische Fonts (Inter/Roboto) und reine Schwarz-Weiß-Kontraste.
  • Skills als Trigger: 14 Skills (discovery-questions, wireframe, ai-slop-check, accessibility-audit, polish-pass etc.) werden beim Namen getriggert — kein Copy-Paste eines Megaprompts, sondern modulares Laden je nach Bedarf.
  • Funktioniert mit jedem Modell: Claude, GPT, Gemini, lokale Modelle — überall als System-Prompt einsetzbar.
  • Open Source (MIT): Direkter Einsatz oder Customizing möglich.

Quick-Start:

  1. Repository klonen: git clone https://github.com/Trystan-SA/claude-design-system-prompt
  2. claude/system-prompt.md als System-Prompt in Claude Code / Cursor / beliebiges Modell einfügen
  3. Skills als Skill-Bibliothek im Projektverzeichnis ablegen

Prompta-Nutzen: Der "AI-Slop-Check"-Skill ist ein hervorragendes Copy-Paste-Prompt für jeden, der AI-generierte Landing Pages oder Design-Entwürfe systematisch bereinigen will — unabhängig vom verwendeten Modell.

📰 Erlesene Artikel & Ressourcen

GitHub-Trending Highlights:

  • Trystan-SA/claude-design-system-prompt — Das Claude Design System Prompt (121↑ HN)
  • asgeirtj/system_prompts_leaks — Extrahierte System Prompts von Claude Fable 5, Opus 4.8, Claude Code
  • addyosmani/agent-skills — 1.112 Sterne heute: Production-grade engineering Skills für AI Coding Agents
  • openai/codex-plugin-cc — Codex von Claude Code aus aufrufen: Code review oder Tasks delegieren
  • alirezarezvani/claude-skills — 345 Claude Code Skills & Plugins, 330+ Skills

Bericht erstellt am 7. Juli 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs