📅

Prompt Intelligence Report — 11. Juli 2026

🏆 Highlight

### CLAUDE.md als Agenten-Infrastruktur: Stanford, Claude Code Mastery und die Prompt-Revolution Thema: CLAUDE.md hat sich von einer simplen Config-Datei zum zentralen Werkzeug für Agenten-Steuerung, Wissensmanagement und Team-Kollaboration entwickelt. Drei Stories dominieren heute die Diskussion: 1. Stanford CS336 AI Agent Guidelines (503↑ HN) — Ein komplettes System-Prompt-Fram...

Prompt Intelligence Report — 11. Juli 2026

🔤 TOP 3 PROMPTS — Textgenerierung

1. CLAUDE.md: „Kompendierte Regeln aus eigenen Fehlern"

Prompt (vollständig, kopierbar):

Wenn du etwas falsch machst, aktualisiere CLAUDE.md, damit du es nicht wiederholst.
Schreibe eine knappe, präzise Regel, die:
1. Das Problem beschreibt (was ist passiert?)
2. Die Korrektur festlegt (was stattdessen tun?)
3. Einen Kontext-Hinweis gibt (wann gilt diese Regel?)

Beispiel:
„Wenn du TypeScript-Enums siehst → ersetze durch String-Literal-Unions (z.B. type Status = 'active' | 'inactive'). 
Enums verursachen Runtime-Overhead und sind in unserem Projekt verboten."

Am besten mit: Claude Code (Opus)

Warum effektiv: Boris Cherny (Anthropic, Claude Code Team) nutzt dies als „Compounding Engineering" — jeder PR-Review wird zu einer automatisch wachsenden Wissensbasis. Die Regeln verbessern sich mit jeder Iteration. Die Stanford CS336-Richtlinien (503↑ HN) zeigen, dass Agenten-Regeln auch im Bildungsbereich massiven Impact haben: Sie definieren nicht nur was der Agent tun darf, sondern wie er denken soll.

Quelle: https://arps18.github.io/posts/claude-code-mastery/ | 451 Upvotes auf HN

Community Resonanz: 254 Kommentare auf HN diskutieren CLAUDE.md als „compounding infrastructure". Simon Willison bestätigt, dass CLAUDE.md-Dateien kaskadieren und sich über Wochen verbessern lassen.

2. Agenten-Regeln als Linting-Regeln statt Text-Prompts

Prompt (vollständig, kopierbar):

Schreibe keine CLAUDE.md-Regeln als Fließtext. Erstelle stattdessen linter-konforme Rules:

Regel-Template:
## [Regel-ID]: [Kurzer Name]
- WHEN: <Situation / Datei-Pattern>
- THEN: <Was tun>
- NEVER: <Was vermeiden>
- WHY: <Ein Satz Begründung>

Beispiel:
## NO-ENUMS-001: Keine TypeScript-Enums
- WHEN: TypeScript-Dateien bearbeitet
- THEN: String-Literal-Unions verwenden
- NEVER: enum { } Blöcke erstellen
- WHY: Enums verursachen Runtime-Overhead, Literal-Unions sind zero-cost

Am besten mit: Claude Code, Cursor, Codex

Warum effektiv: Der Blogpost „Stop Writing Claude.md Rules. Write Linting Rules Instead" (auf HN diskutiert) zeigt, dass strukturierte Regeln mit WHEN/THEN/NEVER besser eingehalten werden als Fließtext-Regeln. Agenten parsieren strukturierte Templates zuverlässiger und wenden sie konsistenter an.

Quelle: https://zernie.com/blog/stop-writing-claude-md-rules/ | 3 Upvotes, aktiver Trend auf GitHub

Community Resonanz: Die Community diskutiert CLAUDE.md-Bloat (122↑ HN für Claude Design System Prompt, 4↑ für Bloat-Kill). Der Konsens: Je kürzer und strukturierter die Regel, desto besser die Adherence.

3. „Teaching Assistant" Agenten-Prompt nach Stanford CS336

Prompt (vollständig, kopierbar):

Du bist ein Lehrassistent, kein Lösungsgenerator.

Wenn eine Frage gestellt wird:
1. Stelle Rückfragen: Was hast du versucht? Was erwartet? Was passiert?
2. Verweise auf Konzepte aus Vorlesung/Handbüchern, nicht auf fertige Lösungen
3. Schlage nächste Schritte vor, implementiere sie nicht
4. Prüfe Code und zeige Verbesserungsbereiche durch Dialog, nicht direkte Fixes
5. Erkläre das „Warum", nicht nur das „Wie"
6. Bevorzuge Tests und Invarianten vor direkten Fixes

VERBOTEN:
- Code schreiben (Python, Pseudocode, bash)
- Lösungen geben
- TODO-Sektionen komplettieren
- Kernkomponenten implementieren

Beispiel guter Interaktion:
Frage: „Mein Attention-Mechanismus hat falsche Shapes, Training crasht."
Antwort: „Prüfe drei Dinge: (1) Wird die Maske vor Softmax angewendet? (2) Broadcastet sie auf die Score-Tensor-Shape? (3) Werden gemaskte Positionen zu einem stark negativen Wert statt zu Null? Ein guter Test: Toy-Sequenz der Länge 3, printe Attention-Scores vor und nach Masking."

Am besten mit: Claude Code, GPT-5.6, Cursor

Warum effektiv: Stanford CS336 hat offizielle KI-Agenten-Richtlinien veröffentlicht (503↑ HN, 153 Kommentare), die genau definieren, wann ein Agent hilft statt löst. Dieses Pattern ist universell übertragbar auf jede Mentor-Situation — ob Code-Review, Onboarding oder Knowledge Transfer.

Quelle: https://github.com/stanford-cs336/assignment1-basics/blob/main/CLAUDE.md | 503 Upvotes

Community Resonanz: Größter Prompt-Artikel des Tages auf HN. Die Diskussion dreht sich um Agenten-Ethik: Sollen Agenten Code schreiben oder nur führen? Die Stanford-Richtlinien werden als „Goldstandard" für Agent-Design zitiert.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Claude Design System Prompt — Reverse-Engineered Architektur-Design

Prompt (vollständig, kopierbar):

Du bist ein Design-System-Generator. Erzeuge eine konsistente Komponenten-Bibliothek:

SCHRITT 1 — Design Tokens definieren:
- Farben: Primary (#2563EB), Secondary (#7C3AED), Background (#F8FAFC), Surface (#FFFFFF)
- Typografie: Inter/Geist, 14px Base, 1.5 Line-Height, scale 1.125
- Spacing: 4px Basis (4, 8, 12, 16, 24, 32, 48)
- Border-Radien: 0, 4, 8, 9999
- Shadows: sm, md, lg mit konsistenten Y-Offsets

SCHRITT 2 — Komponenten in dieser Reihenfolge generieren:
1. Buttons (primary, secondary, ghost, danger)
2. Inputs (text, textarea, select, checkbox)
3. Cards (default, hover, active states)
4. Navigation (header, sidebar, breadcrumbs)
5. Tables (sortable, paginated, action-rows)

SCHRITT 3 — Jede Komponente als standalone HTML/CSS mit:
- Accessibility: aria-labels, focus states, keyboard navigation
- Responsive: mobile-first mit 3 Breakpoints (576, 768, 1024px)
- Dark Mode: CSS custom properties für alle Farben

Validiere nach jedem Schritt: Sind die Design-Tokens konsistent verwendet?

Am besten mit: Claude Fable 5, GPT-5.6 Sol Ultra

Warum effektiv: Das Claude Design System Prompt (122↑ HN) zeigt, wie System-Prompts als Design-Engineering-Frameworks funktionieren. Der reverse-engineered Prompt aus dem JimLiu/baoyu-design Repo (von Simon Willison validiert) enthält 20+ Kapitel mit Design-Token-Definitionen, Komponenten-Spezifikationen und Validierungsregeln.

Quelle: https://github.com/Trystan-SA/claude-design-system-prompt | 122 Upvotes, 31 Kommentare

Community Resonanz: HN diskutiert die Authentizität des Prompts. Simon Willison bestätigt, dass er die Skills aus Claude Design abfragen kann und sie mit dem Repo übereinstimmen.

2. Prompt-Tool: Enlite.inc — LLM Prompting in 40 Sprachen

Prompt (vollständig, kopierbar):

Du bist ein Prompt-Optimierer. Verbessere den folgenden Prompt nach diesem Schema:

ORGINAL PROMPT: [hier einfügen]

OPTIMERTER PROMPT:
1. Rolle definieren: „Du bist ein [Experten-Rolle] mit [X] Jahren Erfahrung in [Domain]"
2. Kontext setzen: „Dein Input ist [Format] und du sollst [gewünschtes Ergebnis] liefern"
3. Constraints: „Verwende [Sprache], [Stil], [Länge], [Format]"
4. Struktur: Gliedere die Antwort in [X] Abschnitte mit Überschriften
5. Qualitätskriterien: „Ein gutes Ergebnis zeichnet sich durch [Kriterium 1, 2, 3] aus"
6. Few-Shot-Beispiel: Zeige EIN Beispiel-Eingang und -Ausgang

Liefere den optimierten Prompt in einem formatierten Block, bereit zum Kopieren.

Am besten mit: Alle Modelle (sprachunabhängig)

Warum effektiv: Das Tool macht Prompting in 40 Sprachen zugänglich. Der zugrundeliegende Ansatz — systematische Prompt-Strukturierung mit Rolle/Kontext/Constraints/Struktur/Qualitätskriterien/Few-Shot — ist das universelle Prompt-Template, das auf allen Modellen funktioniert.

Quelle: https://www.enlite.inc | 3 Upvotes auf HN

Community Resonanz: Nische, aber wichtige Demokratisierung von Prompting für non-english Muttersprachler.

3. System-Prompt Bloat-Killer Template

Prompt (vollständig, kopierbar):

Analysiere die folgende CLAUDE.md-Datei auf Überflüssigkeit:

Zu analysierende Datei: [hier einfügen]

Regeln für die Analyse:
1. FINDE alle Regeln, die allgemeine Sprachkonventionen beschreiben (z.B. „Verwende ES Modules")
2. FINDE alle Regeln, die nicht-verifizierbar sind („Sei hilfreich", „Achte auf Qualität")
3. FINDE alle Regeln, die sich auf veränderliche Dinge beziehen (spezifische API-Endpunkte, Versionsnummern)
4. BEWERT jede Regel nach: „Würde das Entfernen dieser Regel zu einem Fehler führen?"

Ausgabeformat:
| Regel | Behalten? | Begründung |
|-------|-----------|------------|

Empfehlung: Alles löschen, was nicht mit „NEIN" bei Frage 4 beantwortet wird.
Lass die Datei so kurz wie möglich. Jeder Satz ist eine potenzielle Fehlerquelle.

Am besten mit: Claude Code, GPT-5.6

Warum effektiv: Die Community diskutiert massiv CLAUDE.md-Bloat (4↑ „How to Kill the Bloat in Claude Code's System Prompt"). Die goldene Regel von Boris Cherny: „Jede Zeile, die du schreibst, muss durch den Filter: Würde das Entferden dieser Regel einen Fehler verursachen?" Dieses Template automatisiert die Audit.

Quelle: https://news.ycombinator.com/item?id=48792399 | 122 Upvotes

Community Resonanz: Der Thread zeigt, dass die Community zunehmend System-Prompts als Engineering-Artifakte behandelt. Die Devise: „So kurz wie möglich, so spezifisch wie nötig."

🎬 TOP 3 PROMPTS — Videogenerierung

Keine neuen, substanziellen Video-Generierungs-Prompts identifiziert. Die Diskussion auf HN und in den Portalen konzentriert sich heute primär auf Text-Prompting und Agenten-Konfiguration.

🧠 TOP 3 NEUE TECHNIKEN

1. Compounding Engineering — Regeln aus Agenten-Fehlern

Zusammenfassung: Jeder Agenten-Fehler wird automatisch in eine CLAUDE.md-Regel umgewandelt, die sich mit der Zeit verbessert.

Erklärung: Statt manuell System-Prompts zu schreiben, lässt du den Agenten seine eigenen Fehler dokumentieren. Boris Cherny (Anthropic) nennt dies „Compounding Engineering": Jedes Mal, wenn Claude Code etwas falsch macht, schreibst du „Update CLAUDE.md so you don't repeat this." Der Agent ist „üerraschend gut darin, eigene Fehler in Regeln zu destillieren." Über Wochen entsteht eine wachsende, selbst-optimierende Wissensdatei, die PR-Reviews, Team-Konventionen und individuelle Vorlieben automatisch erfasst. Das Claude Code Team aktualisiert seine CLAUDE.md mehrmals pro Woche.

Beispielprompt:

Dieser PR-Review hat ergeben, dass du einen Fehler gemacht hast:
[Fehlerbeschreibung einfügen, z.B.: "Du hast eine neue SQS Consumer ohne DLQ angelegt"]

Erstelle eine CLAUDE.md-Regel:
- Titel: Einprägsam und eindeutig
- Bedingung: Wann greift diese Regel?
- Vorgabe: Was stattdessen tun?
- Begründung: Warum ist das wichtig? (max 1 Satz)

Füge sie in die Sektion „Team Konventionen" ein.
Prüfe, ob sie mit bestehenden Regeln kollidiert.

Geeignet für: Claude Code, Cursor, Codex

Ursprung: https://arps18.github.io/posts/claude-code-mastery/ | 451↑ HN, Boris Cherny (Anthropic)

Warum heute wichtig: CLAUDE.md ist von einer Nischen-Config-Datei zum zentralen Agenten-Steuerungsinstrument geworden. Die Stanford CS336-Richtlinien (503↑) zeigen, dass strukturierte Agenten-Instruktionen auch außerhalb von Coding-Projekten wirken. Compounding Engineering macht aus passiven Config-Dateien aktive Lernsysteme.

2. Kastra — Runtime Authorization für AI Agents

Zusammenfassung: Deterministische Policies prüfen AI-Agent-Tool-Calls, bevor sie ausgeführt werden — wie IAM für Coding-Agenten.

Erklärung: Kastra (13↑ HN) intercepts AI-Agent-Tool-Calls und evaluiert sie gegen deterministische Policies, bevor die Calls ausgeführt werden. Anders als System-Prompts (die der Agent „ignorieren" kann) ist Kastra eine Gate-Ebene, die physisch verhindert, dass ein Agent verbotene Operationen ausführt. Das ist der Paradigmenwechsel: Von „vertrauensbasierten" Prompts zu „enforce-basierten" Policies. Beispiel: Ein Agent darf nur in .src/ editieren, niemals in .env oder .git. Die Policy-Engine ist deterministisch — keine Halluzinationen, keine Lücken.

Beispielprompt:

// Kastra Policy: Agent darf nur lesend auf Config-Files zugreifen
Policy: 
  effect: deny
  actions: [Write, Delete, Bash:rm *, Bash:chmod *]
  resources: 
    - ".env*"
    - ".git/*"
    - "package-lock.json"
    - "*.pem"

  condition:
    agent: "*"

// Erlaubte Aktionen
Policy:
  effect: allow
  actions: [Read, Grep, Bash:git status, Bash:npm test]
  resources: ["src/**/*", "tests/**/*"]
  condition:
    agent: "*"

Bei Policy-Verstoß: Blockiere den Tool-Call, logge die Verletzung, 
informiere den Nutzer: „Agent wollte [verbotene Aktion] auf [Datei] ausführen."

Geeignet für: Claude Code, Cursor, Codex, alle MCP-basierte Agenten

Ursprung: https://kastra.ai/ | 13↑ HN

Warum heute wichtig: Prompt-Sicherheit allein reicht nicht mehr. Mit GPT-5.6 Sol Ultra, das „versehentlich" Mac-Dateien gelöscht hat (14↑ HN), zeigt sich die Notwendigkeit deterministischer Guardrails. Kastra ist der Shift von „trust the prompt" zu „verify the action".

3. „Prompt-as-Design-Engineering" — Claude Design System als Paradigma

Zusammenfassung: System-Prompts werden nicht mehr als „instructions" verstanden, sondern als vollständige Design-System-Spezifikationen.

Erklärung: Das Claude Design System Prompt (122↑ HN) ist nicht einfach ein Chat-Prompt — es ist ein vollständiges Design-Engineering-Framework mit 20+ Kapiteln, Design-Token-Definitionen, Komponenten-Spezifikationen und Validierungsregeln. Es zeigt einen Paradigmenwechsel: System-Prompts werden von „Bitte tu X" zu „Hier ist die komplette Spezifikation, wende sie konsistent an." Der Erfolg liegt in der Struktur: (1) Design Tokens definieren, (2) Komponenten-Spezifikationen, (3) Validierungsregeln. Dieses Pattern überträgt sich auf jede Domäne — nicht nur Design. Auch Code-Architektur, Datenpipelines oder Dokumentationsstandards können als „Design-System-Prompts" formuliert werden.

Beispielprompt:

Du erstellst ein [System] nach diesem Framework:

KAPITEL 1: Design Tokens
- Definiere die atomaren Bausteine (Zahlen, Farben, Typografie, Verhalten)
- Jeder Token hat einen Namen, Wert und Begründung

KAPITEL 2: Komponenten-Spezifikationen
- Jede Komponente hat: Eingang, Ausgang, Constraints, Fallback-Verhalten
- Spezifiziere die Beziehung zwischen Komponenten

KAPITEL 3: Validierungsregeln
- Für jede Komponente: Was ist „korrekt"? Wie prüfen?
- Mindestens 3 Validierungskriterien pro Komponente

KAPITEL 4: Ausnahmen und Edge Cases
- Was passiert bei fehlenden Inputs?
- Was bei widersprüchlichen Constraints?

Generiere das komplette System in einem konsistenten Format.
Jeder Abschnitt muss mit den Tokens aus KAPITEL 1 konsistent sein.

Geeignet für: Claude Fable 5, GPT-5.6 Sol Ultra

Ursprung: https://github.com/Trystan-SA/claude-design-system-prompt | 122↑ HN

Warum heute wichtig: Die Community diskutiert zunehmend, dass die Qualität von Agenten-Output direkt von der Qualität des „Design-System-Prompts" abhängt. Es ist nicht mehr „Schreib einen guten Prompt", sondern „Baue ein System, in dem der Prompt konsistent operiert."

🏆 Highlight des Tages

CLAUDE.md als Agenten-Infrastruktur: Stanford, Claude Code Mastery und die Prompt-Revolution

Thema: CLAUDE.md hat sich von einer simplen Config-Datei zum zentralen Werkzeug für Agenten-Steuerung, Wissensmanagement und Team-Kollaboration entwickelt. Drei Stories dominieren heute die Diskussion:

  1. Stanford CS336 AI Agent Guidelines (503↑ HN) — Ein komplettes System-Prompt-Framework, das definiert, wann ein Agent hilft vs. löst. Mit 74 Zeilen präziser Regeln ist es das umfassendste öffentliche Beispiel für Agenten-Governance. Es zeigt: Gute Agenten-Prompts sind keine Chat-Nachrichten, sie sind Lehrpläne.

  2. Claude Code as a Daily Driver (451↑ HN) — 14.000+ Zeilen umfassende Dokumentation, die CLAUDE.md, Skills, Subagents, Plugins und MCPs als zusammenhängendes System beschreibt. Die Kern-Botschaft: „The output tracks the configuration." Je besser die Config, desto besser das Ergebnis.

  3. Claude Design System Prompt (122↑ HN) — Beweis dafür, dass System-Prompts als vollständige Design-System-Spezifikationen funktionieren. Reverse-engineered, MIT-lizenziert, von Simon Willison validiert.

Warum heute wichtig: Die drei Stories zusammen bilden ein Bild: Prompt-Engineering ist nicht mehr „Schreib bessere Prompts". Es ist Agenten-Architektur. CLAUDE.md ist die neue .gitignore — ein Datei, die in jedes Repo gehört, die sich automatisch verbessert, und die den Unterschied macht zwischen „der Agent kapert mein Projekt" und „der Agent arbeitet für mich."

📰 Erlesene Artikel & Ressourcen

Titel Quelle Upvotes
AI Agent Guidelines for CS336 at Stanford GitHub HN 503↑
Claude Code as a Daily Driver arps18.github.io 451↑
GPT-5.6 Sol Ultra — CDC Proof OpenAI HN 450↑
I Wasn't Allowed Prompting ChatGPT During My Chalk Talk Substack HN 233↑
Claude Design System Prompt GitHub HN 122↑
Prismata: Confining Cross-Site Prompt Injection in Web Agents arXiv / Corban Villa et al. 13↑
Policy enforcement for Claude Code, Cursor, Codex Kastra.ai HN 13↑
The new GPT-5.6 family: Luna, Terra, Sol Simon Willison —
Requirements Engineering with Formal Verification Show HN 27↑
Bash4LLM+ — Dependency-free Bash LLM API Wrapper GitHub HN 60↑

Bericht erstellt am 11. Juli 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs