PromptaDaily Prompt Intelligence – 10. Juli 2026
🔤 TOP 3 PROMPTS — Textgenerierung
1. Cross-Review: Zwei Modelle prüfen einander
Prompt (vollständig, kopierbar):
Final review before shipping a stable 4.0 release - very important to spot any last minute things that would be a breaking change if we fix them laterAm besten mit: Claude Fable 5 / GPT-5.6 Sol
Warum effektiv: Simon Willison hat mit diesem Prompt von Claude Fable 5 „release blockers" entdecken lassen, die ihm selbst entgangen waren – darunter ein kritischer Datenverlust-Bug in delete_where() innerhalb von 37 Prompts, 34 Commits und +1.321 geänderten Zeilen über 30 Dateien. Der eigentliche Trick: Das Ergebnis des einen Models vom anderen prüfen lassen (Fable → Codex → Fable wieder). Cross-Review liefert nachweisbar bessere Ergebnisse als Einzelprüfung.
Quelle: https://simonwillison.net/2026/Jul/5/sqlite-utils-fable/ | 129 Upvotes
Community Resonanz: HN-Diskussion bestätigt das Pattern – mehrere Entwickler berichten, dass das systematische Gegenlesen durch ein zweites Modell signifikant mehr Fehler findet als Review-only.
2. Claude Code Release-Review mit Changelog-Check
Prompt (vollständig, kopierbar):
Review changes since the last RC. Also confirm that the changelog is up-to-date.Am besten mit: GPT-5.6 Sol (xhigh reasoning)
Warum effektiv: Minimaler Prompt, maximale Wirkung. Fünf Worte genügen, um das Modell den gesamten Diff seit dem letzten Release Candidate durchzuarbeiten und gleichzeitig die Changelog-Vollständigkeit zu verifizieren. In Willisons Test fanden sich damit zwei bestätigte Bugs: db.query() committete Writes vor der Validierung, und INSERT ... RETURNING hatte falsche Commit-Semantik.
Quelle: https://simonwillison.net/2026/Jul/5/sqlite-utils-fable/ | 129 Upvotes
Community Resonanz: Zeigt, dass kurze, präzise Prompts bei Frontier-Modellen oft bessere Ergebnisse liefern als lange Instruktionen – das Modell füllt die Lücken selbst.
3. Prompt-Orchestrierung für Coding-Agent-Sessions
Prompt (vollständig, kopierbar):
Run "uvx agentsview --help" and then use that tool to calculate the cost of this sessionAm besten mit: Claude Fable 5, Claude Code
Warum effektiv: Dieser Prompt zeigt ein fortgeschrittenes Pattern: Das Modell soll ein CLI-Tool selbstständig erkunden (--help) und dann nutzen, um eigene Kosten zu berechnen. Funktioniert nach dem Prinzip „Tool-Erkundung vor Ausführung" – das Modell liest erst die Dokumentation, wendet sie dann an. In Willisons Session berechnete Claude damit die exakten API-Kosten seiner eigenen Arbeit ($149.25 für 37 Prompts).
Quelle: https://simonwillison.net/2026/Jul/5/sqlite-utils-fable/ | 129 Upvotes (Fable-Artikel)
Community Resonanz: Cost-Awareness beim Coding-Agent-Einsatz wird zum Standard-Thema – OpenAI GPT-5.6 Sol kostet bei max reasoning 48.55 Cents pro Request, während Fable 5 bei $10/50 pro 1M Tokens liegt.
🖼️ TOP 3 PROMPTS — Bildgenerierung
1. Claude Design System Prompt – Anti-Slop Design
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.
HTML is your tool, but your medium and output format vary. You must embody an expert in the relevant domain — UX designer, slide designer, prototyped, animator, brand designer, etc. Avoid web-design tropes and conventions unless you are actually making a web page.
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.
Default to flat color — no gradients unless justified. Two stops at low contrast within the same hue family only.
No emoji unless the brand uses them or the emoji has real function.
Cards: separate with subtle shadow or thin border — no border-left accent as default.
Typography: pick fonts with intent. Avoid Inter, Roboto, Arial as silent defaults.Am besten mit: Claude Fable 5, GPT-5.6 Sol, Gemini 2.5 Pro
Warum effektiv: Das vollständig reverse-engineerte Claude Design System Prompt (122 Upvotes auf HN, GitHub trending) definiert einen kompletten „five-question test" für jedes Design-Element: 1) Beantwortet es eine echte Nutzerfrage? 2) Fördert es die Narrative? 3) Könnte der Nutzer die Seite ohne verstehen? 4) Gibt es einen klareren Weg? 5) Dient es dem Nutzer oder dem Designer? Wer diesen Prompt als System-Prompt einsetzt, eliminiert systematisch die typischen AI-Slop-Muster (Regenbogen-Gradients, Emoji-Dekoration, generische Card-Layouts).
Quelle: https://github.com/Trystan-SA/claude-design-system-prompt | 122 Upvotes auf HN
Community Resonanz: Das Repo ist MIT-lizenziert und enthält 14 zusätzliche Procedural Skills (discovery-questions, wireframe, make-a-prototype, ai-slop-check etc.). HN-Kommentare loben die „conditions instead of quotas"-Formulierung, die bei modernen Modellen besser funktioniert als imperatives „YOU MUST".
2. GLM 5.2 auf langsamer Hardware optimieren
Prompt (vollständig, kopierbar):
Du bist ein Experte für LLM-Inferenz-Optimierung. Konfiguriere GLM 5.2 (14B Parameter) für einen Laptop mit 16 GB RAM und einer GTX 1660 Ti (6 GB VRAM). Erstelle eine vollständige Konfiguration mit:
1. Quantisierungs-Level (Q4_0 vs Q5_K_M) für beste Qualität/Geschwindigkeit
2. Context-Window-Anpassung (2K vs 8K)
3. GPU-Layer-Verteilung (n_gpu_layers)
4. Thread-Konfiguration für CPU-Offloading
5. Batch-Größen-Optimierung
Gib konkrete Zahlenwerte und die exakte CLI-Command für ollama/llama.cpp aus.Am besten mit: GLM 5.2 via Ollama / llama.cpp
Warum effektiv: Inspiriert durch die HN-Show-Storie „Getting GLM 5.2 running on my slow computer" (696 Upvotes). GLM 5.2 von Zhipu AI ist ein starker Open-Source-Modell-Kandidat, aber viele Nutzer scheitern an der Hardware. Dieser Prompt zwingt das Modell, eine konkrete, ausführbare Konfiguration zu liefern – nicht nur allgemeine Tipps.
Quelle: https://github.com/JustVugg/colibri | 696 Upvotes
Community Resonanz: Die Story ist aktuell #3 auf der HN-Frontpage. Die Community diskutiert intensiv die Trade-offs zwischen Quantisierung und Qualität – Q5_K_M wird als „sweet spot" für 16 GB-Systeme genannt.
3. Muse Spark 1.1 Agentic Task Prompt
Prompt (vollständig, kopierbar):
You are a multimodal reasoning agent with access to vision and language tools.
Given a complex research task, produce a structured analysis:
1. Visual analysis: Describe what you see in any provided images with technical precision
2. Textual analysis: Extract key claims and evidence from the provided text
3. Cross-modal synthesis: Identify where visual and textual information confirms or contradicts each other
4. Research gaps: List what additional data would strengthen the conclusion
5. Actionable recommendations: 3-5 specific next steps
Format each section with bullet points and cite sources where applicable.Am besten mit: Meta Muse Spark 1.1
Warum effektiv: Muse Spark 1.1 ist Meta's neues multimodales Reasoning-Modell für agentic Tasks (376 Upvotes auf HN, auf der Frontpage). Der Prompt nutzt gezielt die Multimodalität – visuelle Analyse + Textextraktion + Cross-Modal-Synthese. Das Modell ist über die Meta Model API verfügbar und speziell für agentische Workflows konzipiert.
Quelle: https://ai.meta.com/blog/introducing-muse-spark-meta-model-api/ | 376 Upvotes
Community Resonanz: Meta capte gleichzeitig die internen AI-Token-Ausgaben (HN-Diskussion), was den strategischen Wert von effizienteren Modellen wie Muse Spark unterstreicht.
🎬 TOP 3 PROMPTS — Videogenerierung
1. LingBot-World-Infinity: Video-Frame-by-Frame Generierung mit Actions
Prompt (vollständig, kopierbar):
Generate a video frame by frame, conditioned on a stream of user actions.
Each frame state depends only on past frames and current input.
Camera pose: Use Plücker embeddings injected through adaptive layer normalization (AdaLN).
Text: Enter as chunk-wise prompts through cross-attention.
Parameters:
- Model: 14B Mixture of Bidirectional and Autoregressive (MoBA) Attention
- Resolution: 720p
- Frame rate: 24 fps
- Context window: 32 frames
- Temperature: 0.7 for controlled variation
Action format:
<camera_pose: pan_right_30deg, zoom_in_1.2>
<text_prompt: "a city street at sunset with warm golden hour lighting, cars passing slowly, pedestrians walking, cinematic wide shot">Am besten mit: LingBot-World-Infinity 14B (single GPU deployable)
Warum effektiv: LingBot-World-Infinity ist ein offenes kausales Weltmodell mit agentic Harness (MarkTechPost, 9. Juli 2026). Der MoBA-Attention-Mask löst das zentrale Problem bei autoregressiver Videogenerierung: Standard-Masks leiden bei wachsendem Kontext an Overfitting und visuellem Qualitätsverfall. MoBA kombiniert bidirektionale und autoregressive Attention, was zu stabileren, kohärenteren Videos über längere Sequenzen führt.
Community Resonanz: Das 1.3B-Modell ist auf einer einzelnen GPU deploybar – ein wichtiger Fortschritt für lokale Videogenerierung ohne Cloud-Abhängigkeit.
2. AI-generated Videos für Brain-Region Targeting
Prompt (vollständig, kopierbar):
Create a 10-second video optimized to maximally drive activity in the visual cortex region V4 (color and form processing):
- Visual content: High-contrast geometric patterns with rotating color wheels
- Color palette: Saturated primary colors (red #FF0000, blue #0000FF, green #00FF00) cycling at 8 Hz
- Motion: Expanding concentric circles, radial frequency = 0.5 Hz
- Background: Black (#000000)
- Frame rate: 60 fps for temporal precision
- Duration: 10 seconds
- Resolution: 512x512
The video should follow the nevo-project protocol for targeted brain region stimulation.Am besten mit: Seedance 2, Kling 2.0
Warum effektiv: Inspiert vom NEVO-Projekt der EPFL (66 Upvotes auf HN) – ein Forschungsprojekt, das KI-generierte Videos verwendet, um gezielt bestimmte Gehirnregionen anzusteuern. Der Prompt verwendet spezifische Frequenzen und Kontraste, die nachweisbar die V4-Region (Farb- und Formverarbeitung) stimulieren.
Quelle: https://nevo-project.epfl.ch/ | 66 Upvotes
Community Resonanz: HN-Diskussion fokussiert auf die ethische Dimension – wenn KI Videos generieren kann, die gezielt Gehirnaktivität steuern.
3. GPT-5.6 Sol Pelican Demo (3D-Prompts)
Prompt (vollständig, kopierbar):
Generate a 3D animated scene showing a pelican riding a bicycle through a sunny park.
Style: Pixar-quality 3D animation, soft lighting, warm color palette
Camera: Tracking shot, medium-wide angle, slightly elevated
Action: Pelican pedaling comfortably, wind in feathers, passing trees and a fountain
Duration: 5 seconds
Resolution: 1080p
Frame rate: 30 fps
Lighting: Golden hour, soft shadows, bounce light from grassAm besten mit: GPT-5.6 Sol
Warum effektiv: OpenAI hat in ihrem Livestream (9. Juli 2026) demonstriert, dass GPT-5.6 Sol 3D-Pelikan-Szenen generieren kann – auf dem Fahrrad, einem Dreirad, einem Pony und einem anderen Pelikan. Der Prompt oben ist das Reverse-Engineering der gezeigten Szenen. Alle drei GPT-5.6-Modelle (Luna, Terra, Sol) haben 128K Output-Token-Limit – deutlich mehr Platz für Video-Generierung als bei Vorgängern.
Quelle: https://simonwillison.net/2026/Jul/9/gpt-5-6/ | 1302 Upvotes
Community Resonanz: GPT-5.6 hat die gesamte HN-Frontpage dominiert mit 1302 Upvotes. Besonders auffällig: Die Benchmarks zeigen GPT-5.6 Sol bei „Agents' Last Exam" mit 53.6 Punkten – 13.1 Punkte vor Claude Fable 5.
🧠 TOP 3 NEUE TECHNIKEN
1. Cross-Model Review Pattern
Zusammenfassung: Zwei verschiedene LLMs prüfen gegenseitig ihre Arbeit, bevor ein Release shipped wird.
Erklärung: Simon Willison hat bei sqlite-utils 4.0 entdeckt, dass Claude Fable 5 die Arbeit von GPT-5.6/Codex prüft – und umgekehrt. Die Resultate: Fable fand 5 „release blocker" darunter einen Datenverlust-Bug. Codex bestätigte zwei weitere Bugs durch eigene Experimente. Das Pattern nutzt die unterschiedlichen „blinden Flecken" der Modelle aus – was das eine übersieht, findet das andere. Es funktioniert besser als Code-Review durch Menschen bei bestimmten Bug-Klassen (Transaction-Semantik, Edge Cases).
Beispielprompt:
Step 1: Have Model A (e.g., Claude Fable 5) implement the feature
Step 2: Have Model B (e.g., GPT-5.6 Sol) review Model A's work:
"Review the following code. Identify release blockers — bugs that would cause data loss, security issues, or breaking changes."
Step 3: Feed Model B's findings back to Model A for fixing
Step 4: Have a third model or Model A verify the fixesGeeignet für: Claude Fable 5, GPT-5.6 Sol, alle Frontier-Modelle mit Code-Fähigkeiten
Ursprung: https://simonwillison.net/2026/Jul/5/sqlite-utils-fable/
Warum heute wichtig: Mit GPT-5.6 und Fable 5 als aktuelle Frontier-Modelle wird Cross-Review zum effektiveren Qualitätssicherungs-Pattern als menschliches Review – besonders bei komplexen Codebaselines mit Transaction-Semantik oder Edge-Case-Logik.
2. Cost-Aware Agent Orchestration
Zusammenfassung: Coding Agents ihre eigenen Kosten berechnen lassen als Meta-Prompt.
Erklärung: Ein unterschätztes aber mächtiges Pattern: Das Agent-Tool selbst erkunden lassen (uvx agentsview --help), dann die Session-Kosten nachrechnen. Bei Willison sqlite-utils 4.0 Session ergab das: $149.25 für 37 Prompts, 34 Commits, über 30 Dateien. Dieses Modell schafft Kostentransparenz ohne manuelle Nachverfolgung. Bei GPT-5.6 Sol max-reasoning beträgt der teurste Request 48.55 Cents – der günstigste (Luna, none) nur 0.71 Cents. Das Pattern ermöglicht Budget-Entscheidungen in Echtzeit.
Beispielprompt:
Run "uvx agentsview --help" and then use that tool to calculate the cost of this session.
Break down by:
- Total API tokens consumed
- Cost per model tier (input/output/total)
- Comparison with previous sessions
- Estimated cost per file changedGeeignet für: Claude Code, Codex Desktop, Cursor mit API-Integration
Ursprung: https://simonwillison.net/2026/Jul/5/sqlite-utils-fable/
Warum heute wichtig: Mit steigenden Modellkomplexitäten (GPT-5.6 Sol: $5/1M input, $30/1M output; Fable 5: $10/1M input, $50/1M output) wird Cost-Awareness zum kritischen Skill für produktiven AI-Agent-Einsatz.
3. Conditions Instead of Quotas (System Prompt Design)
Zusammenfassung: Bei modernen Frontier-Modellen funktionieren Bedingungsbasierte Prompts besser als imperativen Quotas.
Erklärung: Das Claude Design System Prompt demonstriert einen Paradigmenwechsel im Prompt-Design: Statt „Ask at least 3 questions" oder „CRITICAL: YOU MUST" verwendet es „Ask when..."-Formulierungen. Moderne Modelle (Fable 5, GPT-5.6) interpretieren Quotas als literal contracts und triggern dadurch über – das „conditions instead of quotas"-Pattern definiert die Umstände, unter denen das Modell handeln soll, plus eine Autonomie-Klausel für kleine Entscheidungen („pick a reasonable option and note it").
Beispielprompt:
Ask clarifying questions ONLY when:
- The output format or audience is genuinely unclear
- Missing information would change the fundamental approach
- It's a new or ambiguous task
Do NOT ask about:
- Minor aesthetic choices (colors, fonts, spacing)
- Decisions where either option would work
- Things you can reasonably infer from context
When in doubt for small choices: make the decision, note it in your summary, and move on.Geeignet für: Claude Fable 5, GPT-5.6 Sol, Gemini 2.5 Pro
Ursprung: https://github.com/Trystan-SA/claude-design-system-prompt
Warum heute wichtig: Viele Developer scheitern daran, dass ihre Prompts bei neuen Modellen nicht mehr funktionieren – weil sie noch imperativ formuliert sind. Der Paradigmenwechsel zu konditionalen Prompts ist der wichtigste Prompt-Design-Trend im Juli 2026.
🏆 Highlight des Tages
GPT-5.6 Familie: Luna, Terra, Sol – OpenAI's neues Modell-Trio dominiert HN
OpenAI hat am 9. Juli 2026 die GPT-5.6-Familie veröffentlicht – drei Modelle in unterschiedlichen Größen mit revolutionärer Effizienz:
| Modell | Input/Output | 124 | Kontext | Max Output | Knowledge Cutoff |
|---|---|---|---|---|---|
| Luna | $1/$6 | 1M Tokens | 128K | 16. Feb 2026 | |
| Terra | $2.50/$15 | 1M Tokens | 128K | 16. Feb 2026 | |
| Sol | $5/$30 | 1M Tokens | 128K | 16. Feb 2026 |
Benchmark-Highlights:
- GPT-5.6 Sol: 53.6 Punkte bei „Agents' Last Exam" – 13.1 Punkte vor Claude Fable 5
- GPT-5.6 Terra: Schlägt Fable 5 bei ~1/16 der Kosten
- GPT-5.6 Luna: Schlägt Fable 5 bei ~1/16 der Kosten
Warum das wichtig ist: Die Effizienz-Claims (1/16 der Kosten bei gleicher oder besserer Leistung) sind bemerkenswert – besonders dass selbst das kleinste Modell (Luna) das teure Claude Fable 5 ($10/$50) schlägt. SWE-Bench Pro zeigt jedoch: Fable 5 führt dort mit 80% vs. GPT-5.6 Sol's 64.6%. OpenAI räumt ein, dass ~30% von SWE-Bench Pro kaputt sind – was die Benchmark-Frage akut macht.
Praktischer Nutzen: Alle drei Modelle sind über die OpenAI Responses API mit programmatic Tool Calling verfügbar. Die Pelican-Demo zeigt native 3D-Video-Generierung als neues Feature.
Quellen:
📰 Erlesene Artikel & Ressourcen
GPT-5.6 Family Launch
OpenAI's GPT-5 6 Sol, Terra, Luna – mit Benchmarks, Preismodellen und 3D-Pelican-Demo. Simon Willison's Analyse der neuen Features inkl. programmatischem Tool Calling in der Responses API. https://simonwillison.net/2026/Jul/9/gpt-5-6/
sqlite-utils 4.0 Released
Simon Willison's sqlite-utils 4.0 – das erste Major-Release seit 2020, mit Schema-Migrationen, verbesserter Transaction-Semantik und Autocommits. Vollständig durch Claude Fable 5 geprüft. https://simonwillison.net/2026/Jul/7/sqlite-utils-4/
Claude Design System Prompt (GitHub)
Reverse-engineertes Claude System Prompt – 20 Kapitel Design-Philosophie mit 14 procedural Skills. Anti-Slop-Design, five-question test, conditions instead of quotas. MIT-lizenziert, direkt als System-Prompt nutzbar. https://github.com/Trystan-SA/claude-design-system-prompt
LingBot-World-Infinity: Open Causal World Model
Offenes 14B-Modell für kausale Videogenerierung mit agentic Harness und MoBA Attention Mask. Deploybar ab 1.3B auf einer GPU. https://www.marktechpost.com/2026/07/09/meet-lingbot-world-infinity-an-open-causal-world-model-with-an-agentic-harness/
Muse Spark 1.1: Meta's Multimodal Reasoning Model
Meta's neues Modell für agentic Tasks mit Vision + Language Integration. Verfügbar über die Meta Model API. https://www.marktechpost.com/2026/07/09/meta-superintelligence-labs-releases-muse-spark-1-1/
Getting GLM 5.2 Running on Slow Hardware
Praxis-Guide für GLM 5.2 auf limitierter Hardware – ein Community-Showcase, der die Hürden für Open-Source-LLM-Einsatz senkt. https://github.com/JustVugg/colibri
Bericht erstellt am 10. Juli 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs