📅

Tägliche Prompt-Intelligenz — 23. Juli 2026

🏆 Highlight

### "I'd rather read the prompt" — Clayton Ramsey Der mit Abstand meistdiskutierte Beitrag des Tages (1444↑ HN): Clayton Ramsey, Informatik-Dozent, plädiert eindringlich dafür, Originaltexte von LLM-generierten Texten zu bevorzugen. Sein Kernargument: LLM-Ausgabe hat weniger Substanz als der ursprüngliche Prompt. Die menschliche Stimme, die persönliche Erfahrung, der Kampf mit einer Id...

Tägliche Prompt-Intelligenz — 23. Juli 2026

🔤 TOP 3 PROMPTS — Textgenerierung

1. Agentic Workflow — 9-Zeilen Python Agent mit Tool-Calling

Prompt (vollständig, kopierbar):

import json,sys;from subprocess import getoutput as sh;from urllib.request import Request as R,urlopen
url=sys.argv[1];h=[];b=dict(model="gpt-5.6",input=h,tools=[dict(type="custom",name="sh")])
while p:=input("> "):
  h+=[dict(role="user",content=p)];H={"Content-Type":"application/json"}
  while True:
    o=(r:=json.load(urlopen(R(url,json.dumps(b).encode(),H))))["output"]
    h+=o;c=[i for i in o if i["type"]=="custom_tool_call"];z=r["usage"]["total_tokens"]/10500
    if not c:print(o[-1]["content"][0]["text"],f'\n[{z:06.3f}%]');break
    h+=[dict(type="custom_tool_call_output",call_id=i["call_id"],output=sh(i["input"])) for i in c]

Am besten mit: GPT-5.6-kompatible API (OpenAI-kompatibler Endpoint)

Warum effektiv: 17↑ auf HN — ein ultrakompakter Agent in 9 Zeilen. Baut den Nachrichtenverlauf auf, sendet Tool-Calls an die Shell, persistiert Kontext über Turns hinweg und zeigt Token-Fortschritt. Kein Framework nötig, nur stdlib Python.

Quelle: https://gist.github.com/tosh/6e91a9dbf08dd630c535e7345ac7f0b5 | 17 Upvotes

Community Resonanz: Minimaler Code, maximale Transparenz — ideal um API-Call-Schleifen von LLM-Agenten zu verstehen ohne Dependencies.

2. KV Cache Keepalive – Provider-spezifisches Caching optimieren

Prompt (vollständig, kopierbar):

Du bist ein Infrastruktur-Experte für LLM-API-Optimierung. Analysiere mein Agent-Workflow
auf Prompt-Caching-Potenzial und empfehle Keepalive-Intervalle pro Provider:
- Anthropic Sonnet 4.5: 4-Minuten-Intervall spart 38% bei 600s Idle
- OpenAI GPT-5.1: Keepalive nicht nötig — Cache bleibt sticky (39/48 warm bei 10 Min)
- DeepSeek V3.2: Keepalive kauft nur Latenz (5.4s → 1.4s), keine Kostenersparnis
- Gemini 2.5 Pro: Keepalive kostet 40% mehr als Cold-Start — niemals verwenden

Berechne für mein Use-Case: prefix_länge = [TOKENS], pause_dauer = [SEKUNDEN], anrufe_pro_tag = [N]

Erwartetes Kostenprofil:
- "Let it die": $X (einmaliger Cold-Refill)
- Keepalive 30s: $Y (überpingt, teurer als Cold)
- Keepalive 240s: $Z (empfohlen, wenn Anbieter unterstützt)

Am besten mit: Anthropic Claude Sonnet 4.5 (größter Savings), OpenAI GPT-5.1 (sticky cache)

Warum effektiv: 3↑ HN — die erste messbasierte Analyse über vier Provider hinweg zeigt: 30s Keepalive kostet 8× zu viel. Das Sweet-Spot-Intervall ist ~4 Minuten. Anthropic spart dabei 38%, während OpenAI und Gemini den Cache ohnehin warm halten.

Quelle: https://blog.mempko.com/keeping-the-kv-cache-warm-measuring-prompt-cache-eviction-across-anthropic-openai-and-google/ | 3 Upvotes

Community Resonanz: Praxisrelevante Zahlen für jeden, der Agent-Workflows betreibt — der Unterschied zwischen 30s und 240s Keepalive ist eine reale Kostenlinie.

3. Prompt-Fingerprint-Drift auditieren – versteckte System-Prompts erkennen

Prompt (vollständig, kopierbar):

Du bist ein LLM-Sicherheitsauditor. Ich möchte die versteckten System-Prompts eines
API-Endpoints analysieren. Führe folgende Audit-Schritte durch:

1. **Baseline erstellen:** 20 Anfragen mit einfachen Proben (1-100-Zahlenfrage,
   Wortassoziation, Tier-Nennung, Übersetzungsaufgabe) — dokumentiere Antwortverteilung
2. **Drift messen:** Wiederhole dieselben Proben → berechne Jensen-Shannon-Distanz (JSD)
   zwischen Verteilungen. JSD > 0.3 = signifikanter Shift
3. **Injektions-Test:** Prüfe ob eine zusätzliche System-Instruktion die Proben
   systematisch verschiebt (nicht zufällig — "lawful interference")
4. **Split-Half-Check:** Erkenne verstecktes Routing falls hinter einem Endpoint
   mehrere Modelle stehen

Befund-Schema:
- JSD 0.00–0.10: kein Drift (sauberer Endpoint)
- JSD 0.10–0.30: moderater Drift (mögliche System-Instruktion)
- JSD 0.30–0.46: starker Drift → anderes Modell oder aggressive Instruktion

Am besten mit: GPT-5.5/5.6, Claude Sonnet 4.5

Warum effektiv: 4↑ HN — tosea.ai zeigt mit 5.660 kontrollierten Anfragen dass versteckte System-Prompts den Modell-Fingerprint bis zu JSD 0.46 verschieben können. Die Methode funktioniert ohne den Prompt selbst zu sehen — statistisch, reproduzierbar.

Quelle: https://tosea.ai/blog/prompt-injection-llm-fingerprint-drift | 4 Upvotes

Community Resonanz: Neue wissenschaftliche Methode für Prompt-Sicherheit — kein blindes Vertrauen, sondern messbare Evidence.

🖼️ TOP 3 PROMPTS — Bildgenerierung

Keine neuen Bildgenerierungs-Prompts in den letzten 24h identifiziert. Diese Sektion wird bei Fund aktualisiert.

🎬 TOP 3 PROMPTS — Videogenerierung

Keine neuen Videogenerierungs-Prompts in den letzten 24h identifiziert. Diese Sektion wird bei Fund aktualisiert.

🧠 TOP 3 NEUE TECHNIKEN

1. Prompt Cache Keepalive-Optimierung

Zusammenfassung: Der optimale Keepalive-Intervall für Prompt-Cachewiederherstellung liegt bei 4 Minuten — nicht 30 Sekunden.

Erklärung: Die überwiegende Mehrheit der Agent-Entwickler pingt ihren Prompt-Cache alle 30 Sekunden. Messungen über Anthropic, OpenAI, Gemini und DeepSeek zeigen dass dies 8× mehr kostet als nötig. Bei einer 10-minütigen Pause spart nur Anthropic tatsächlich Geld mit Keepalive (38% Ersparnis bei 4-Minuten-Intervall). OpenAI und Gemini halten den Cache ohnehin warm, DeepSeek kauft nur Latenz. Entscheidend: Keepalive ist keine universelle Strategie — sie ist pro Provider zu evaluieren.

Beispielprompt:

Für meine Agentic-Workload mit {prefix_tokens} Prefix und
durchschnittlich {idle_seconds} Pause zwischen Calls:
- Anthropic: Keepalive every 240s → spart ~38% Input-Kosten
- OpenAI: Kein Keepalive nötig → Cache bleibt ~81% warm nach 10 min
- Gemini: Kein Keepalive → kostet 40% weniger als 240s-Ping
- DeepSeek: Keepalive nur wenn Latenz kritisch (5.4s → 1.4s TTFT)

Geeignet für: Claude Sonnet 4.5, GPT-5.1, Gemini 2.5 Pro, DeepSeek V3.2

Ursprung: https://blog.mempko.com/keeping-the-kv-cache-warm-measuring-prompt-cache-eviction-across-anthropic-openai-and-google/

Warum heute wichtig: Erste empirische Messung über vier Provider hinweg. Die 30s-Konvention ist Community-Folklore ohne Datenbasis — die Realität zeigt ein anderes Bild. Für jeden, der Agents im Produktivbetrieb hat, ist das eine direkte Kostenlinie.

2. Context Engineering als Nachfolger von Prompt Engineering

Zusammenfassung: Context Engineering ist der neue dominante Skill — nicht Prompting, sondern die Gestaltung des gesamten Kontexts, in dem ein Agent operiert.

Erklärung: Phil Schmid zeigt auf, dass reines Prompt-Engineering an seine Grenzen kommt. Context Engineering umfasst: Wissens-Retrieval-Strategien, Tool-Design, Agent-Architektur-Patterns (Orchestrator-Workers, Router, Evaluator-Optimizer) und die systematische Verwaltung von Kontext über Sessions hinweg. 915↑ auf HN machen dies zum meistdiskutierten AI-Thema — mit 518 Kommentaren. Die Community diskutiert, wie Hyperlinks, RAG-Pipelines und Agent-Skills als Kontext-Bausteine zusammenspielen.

Beispielprompt:

Baue eine Context-Engineering-Pipeline für folgende Aufgabe: {TASK}
1. Wissensabruf: Welche Quellen sind relevant? (Dateien, APIs, Vektor-DB)
2. Tool-Design: Welche Tools braucht der Agent? Beschreibe Parameter, Beispiele, Fehlerfälle
3. Agent-Architektur: Single-Agent vs Multi-Agent? Orchestrator-Worker? Router?
4. Kontext-Management: Was gehört in CLAUDE.md / AGENTS.md? Was ist dynamischer Kontext?
5. Evaluierung: Woran messen wir Erfolg? Erstelle Rubrik mit 3-5 Kriterien

Geeignet für: Claude Sonnet 4.5, GPT-5.6, alle Agent-Frameworks

Ursprung: https://www.philschmid.de/context-engineering | 915 Upvotes, 518 Kommentare

Warum heute wichtig: 915↑ HN — es ist der meistupgevotete AI-bezogene Post der letzten Wochen. Der Shift von "bessere Prompts schreiben" zu "besseren Kontext designen" ist paradigmatisch und betrifft jeden, der Agents produktiv einsetzt.

3. Prompt-Fingerprint-Analyse für API-Sicherheit

Zusammenfassung: Statistische Analyse von LLM-Antwortverteilungen kann versteckte System-Prompts und Prompt-Injektionen nachweisen — ohne den Prompt selbst zu sehen.

Erklärung: Versteckte System-Prompts verschieben die Antwortverteilung eines Modells messbar. Jensen-Shannon-Distanz (JSD) zwischen Baseline- und Test-Proben quantifiziert den Drift. Bis zu JSD 0.46 wurde gemessen — das ist der Bereich eines "anderen Modells". Entscheidend: Interferenz ist nicht zufällig, sondern "lawful" — sie variiert vorhersagbar nach Modell, Probe und Injektionstyp. High-Entropy-Proben (Zufallswort, Zufallstier) werden zuerst verbogen; simple Proben (1-100-Zahl) sind am stabilsten.

Beispielprompt:

Führe ein Fingerprint-Audit für diesen API-Endpoint durch:
Endpoint: {URL}
Modell: {MODELL_NAME}

Schritt 1: Baseline — 20 Anfragen mit je einer 1-100-Zahlenfrage
Schritt 2: Test — dieselben 20 Fragen, aber mit zusätzlichem System-Prompt
Schritt 3: Berechne JSD zwischen Baseline- und Test-Verteilung
Schritt 4: Klassifiziere:
  JSD < 0.10 = sauber
  JSD 0.10-0.30 = möglicher versteckter Prompt
  JSD > 0.30 = starker Eingriff (anderes Modell oder aggressive Instruktion)

Geeignet für: GPT-5.5/5.6, Claude-Modelle, alle OpenAI-kompatiblen APIs

Ursprung: https://tosea.ai/blog/prompt-injection-llm-fingerprint-drift | 4 Upvotes

Warum heute wichtig: Erstmals eine messbare, reproduzierbare Methode um verstekte Prompt-Instruktionen zu erkennen — relevant für Compliance, Sicherheit und Provider-Transparenz.

🏆 Highlight des Tages

"I'd rather read the prompt" — Clayton Ramsey

Der mit Abstand meistdiskutierte Beitrag des Tages (1444↑ HN): Clayton Ramsey, Informatik-Dozent, plädiert eindringlich dafür, Originaltexte von LLM-generierten Texten zu bevorzugen. Sein Kernargument: LLM-Ausgabe hat weniger Substanz als der ursprüngliche Prompt. Die menschliche Stimme, die persönliche Erfahrung, der Kampf mit einer Idee — das geht in generierter Prose verloren.

Der eigentliche Prompt aus dem Artikel:

The following is an introduction to a short essay which I have written.
Complete the essay by writing 2 short paragraphs.

I write this article as a plea to everyone: not just my students,
but the blog posters and Reddit commenters and weak-accept paper
authors and Reviewer 2. Don't let a computer write for you!
I say this not for reasons of intellectual honesty, or for the
spirit of fairness. I say this because I believe that your original
thoughts are far more interesting, meaningful, and valuable than
whatever a large language model can transform them into.

Am besten mit: Zum Nachvollziehen des Arguments — nicht zum Kopieren

Warum effektiv: 1444↑ HN — die höchste Zahl des Tages. Ramsey vergleicht Original vs. Gemini-Vervollständigung und zeigt: 234 Wörter generierte Prose, die denselben Inhalt in mehr Worten sagt. "A language model is great for making nonsense, and not so great for anything else."

Quelle: https://claytonwramsey.com/blog/prompt/ | 1444 Upvotes

Community Resonanz: Die Kommentare zeigen eine gespaltene Community — viele erkennen das Problem wieder, andere argumentieren dass LLM-Unterstützung für ESL-Schreiber unverzichtbar ist. Aber der Kernpunkt trifft: Wenn etwas nicht wert ist geschrieben zu werden, ist es auch nicht wert gelesen zu werden.

📰 Erlesene Artikel & Ressourcen

  1. I'd rather read the prompt (1444↑) — Clayton Ramsey über den Verlust von Autorschaft durch LLM-Generierung

  2. The new skill in AI is not prompting, it's context engineering (915↑) — Phil Schmid über den Paradigmenwechsel von Prompt zu Context Engineering

  3. Agentic Workflow's Cache Keepalive Costs 8x Too Much — Maxim Khailos empirische Messung über vier Provider

  4. Hanesu – An experimental workflow layer for AI coding agents — Persistierter Task-State für AI-Agenten, löst das CLAUDE.md-Kontextlimit-Problem

  5. Agent in 9 Lines Python — Ultrakompakter Agent Loop mit Tool-Calling, nur stdlib

  6. Prompt-Fingerprint Drift & Hidden System Prompts — 5.660 kontrollierte Requests zeigen was versteckte Prompts bewirken

  7. PromptArmor: Google Antigravity Data Exfiltration — Indirekte Prompt-Injektion über Google Antigravity

  8. AgentNest – self-hosted sandboxes for AI agents (10↑) — Opensource-Sandboxes für isolierte Agent-Ausführung

Bericht erstellt am 23. Juli 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs