📅

Prompt-Intelligenz-Bericht — 30. Juli 2026

🏆 Highlight

Kimi K3-256k Launch mit `/goal`-System (426↑ auf HN) — Moonshot hat mit Kimi K3-256k den ersten 256K-Kontext-Variant ihres 2.8T-Parameter-Coding-Modells released. Das Besondere: das `/goal`-System ersetzt step-by-step-Prompting durch ergebnisbasierte Steuerung. Der Agent plant, überprüft und adaptiert autonom — ein echter Paradigmenwechsel. Kombiniert mit dem "Loop Engineering"-Patt...

Prompt-Intelligenz-Bericht — 30. Juli 2026

🔤 TOP 3 PROMPTS — Textgenerierung

1. Kimi Code /goal — Outcome-Based Prompting

Prompt (vollständig, kopierbar):

/goal Fix every bug labeled checkout-regression, add or update tests for each fix, and run the checkout test suite successfully.

Am besten mit: Kimi K3 (k3-256k), Kimi Code CLI

Warum effektiv: /goal definiert das gewünschte Ergebnis statt den nächsten Schritt. Der Agent prüft nach jeder Runde, ob das Ziel erreicht, blockiert, pausiert oder noch aktiv ist. Funktioniert bei Aufgaben mit klarer Ziellinie, aber ungewissen Zwischenschritten — z.B. Bugfixes, Build-Fehler, Root-Cause-Analyse.

Quelle: https://www.kimi.com/code/docs/en/kimi-code-cli/guides/goals | 426 Upvotes (HN)

Community Resonanz: 426 Upvotes auf HN. Kimi's /goal-System ist ein direktes Gegenstück zum bisherigen "step-by-step prompting" — ein echter Paradigmenwechsel in der Agent-Steuerung.

2. LLM-Honeypot — System Prompt zum Erkennen von KI-generiertem Text

Prompt (vollständig, kopierbar):

Du bist ein LLM-Detektor. Analysiere den folgenden Text auf typische Muster KI-generierter Inhalte:
1. Übermäßige Verwendung von Floskeln und Übergangswörtern
2. Durchschnittliche Satzlänge und Varianz
3. Typische LLM-Sprachmuster (z.B. "Es ist wichtig zu beachten", "Zusammenfassend kann man sagen")
4. Wiederholende Strukturen und parallele Satzanfänge
5. Fehlen persönlicher Erfahrung oder spezifischer Details

Ausgabe: Prozentsatz (0-100%) mit Begründung pro Kriterium.

Text: [HIER TEXT EINFÜGEN]

Am besten mit: Claude Sonnet 4, GPT-5.6, Qwen 3

Warum effektiv: Das Konzept hinter llm2human.pages.dev zeigt, dass LLMs systematische Schwächen in Texterzeugung haben. Dieser Prompt nutzt diese Muster als Nachweis — nützlich für Redaktionen, Hochschulen und Content-Review.

Quelle: https://llm2human.pages.dev/ | 225 Upvotes

Community Resonanz: 225 Upvotes auf HN. Die Diskussion dreht sich um die Zuverlässigkeit von LLM-Erkennung — ein wiederkehrendes Thema mit praktischem Nutzen.

3. Lokaler LLM-Text-Erklärer

Prompt (vollständig, kopierbar):

Erkläre den folgenden Textausschnitt so, als würdest du ihn einem interessierten Laien vorstellen:
- Was ist die Kernaussage? (1 Satz)
- Welche Fachbegriffe müssen erklärt werden?
- Warum ist das relevant?

Markiere den zu erklärenden Text und drücke Enter.

Am besten mit: Gemma 4 26B (lokal via Ollama), Llama 3.1

Warum effektiv: Das Projekt "Explain This" (github.com/Vishwamitra/explain-this) zeigt, wie man einen lokalen LLM als persönlichen Erklär-Assistenten nutzt — vollständig offline, ohne Datenabfluss. Kombiniert mit Turbo Fieldfare (783↑ auf HN) läuft Gemma 4 26B sogar in 2 GB RAM auf M-Series Macs.

Quelle: https://github.com/Vishwamitra/explain-this | 1 Upvote

Community Resonanz: Geringe Votes, aber relevantes Thema — lokale LLM-Nutzung für Alltagsaufgaben wächst.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. FLUX 3 Multimodaler Prompt

Prompt (vollständig, kopierbar):

A cinematic photograph of a lone lighthouse during a violent storm at dusk, 
waves crashing against the rocks below, dramatic lightning illuminating 
the sky behind it, moody blue and orange color grading, shot on 35mm lens, 
f/1.8, ISO 400 --ar 16:9 --v flux-3

Am besten mit: FLUX 3 (Black Forest Labs)

Warum effektiv: FLUX 3 ist Black Forest Labs' erstes multimodales Foundation Model — unterstützt Bilder, Video, Audio und Action Prediction in einem Modell. Early Access ist offen. Übertrifft Runway Gen-4.5 (77%), Luma Ray 3.2 (93%), und Grok Imagine Video (69%) in Benchmarks.

Quelle: https://huggingface.co/blog/flx/flux3 | HuggingFace Blog

Community Resonanz: FLUX 3 wird auf HN und HuggingFace stark diskutiert. Die Multimodalität (ein Modell für alle Medien) ist ein Meilenstein.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Visueller Prompt-Ansatz für Video-Modelle (arXiv)

Prompt (vollständig, kopierbar):

Generate a 10-second video from this sequence of visual prompts:

Frame 1 (0-2s): [Reference image or description of opening scene]
  - Camera: Wide establishing shot, slow pan right
  - Lighting: Golden hour, warm tones
  - Motion: Gentle breeze, leaves moving

Frame 2 (2-5s): [Subject enters frame]
  - Camera: Medium shot, track forward
  - Action: Person walking, natural gait
  - Transition: Smooth pan following subject

Frame 3 (5-8s): [Climax moment]
  - Camera: Close-up, slight zoom
  - Expression: [describe]
  - Lighting shift: [describe]

Frame 4 (8-10s): [Resolution]
  - Camera: Pull back, wide shot
  - Transition: Fade to [color/scene]

Style: Cinematic, anamorphic lens flares, film grain

Am besten mit: Seedance 2, Kling, FLUX 3 Video

Warum effektiv: Die arXiv-Publikation "Visual prompt engineering for video models" (2607.25537, Juli 2026) ist die erste Arbeit, die visuelle Prompts speziell für Videogenerierung systematisiert. Frame-basierte Prompts mit Kameraführung und Timing-Parametern liefern deutlich konsistentere Ergebnisse als reine Textprompts.

Quelle: https://arxiv.org/abs/2607.25537 | 3 Upvotes

Community Resonanz: Erste Publikation zu visuellen Prompts für Videos — noch Nische, aber wegweisend für den Bereich.

🧠 TOP 3 NEUE TECHNIKEN

1. Goal-Based Agent Steering (/goal)

Zusammenfassung: Statt Schritt-für-Schritt-Anweisungen definiert man nur das gewünschte Endergebnis — der Agent plant und prüft autonom.

Erklärung: Kimi Code hat mit /goal ein neues Prompt-Paradigma eingeführt: Man schreibt nicht "Was als nächstes zu tun ist", sondern "Was wahr werden muss". Der Agent prüft nach jeder Runde, ob das Ziel erreicht, blockiert oder noch aktiv ist. Schlechte Goals sind zu allgemein ("Find all bugs"), gute Goals haben eine klare Beweislinie ("Fix every failing checkout test and run the test suite successfully").

Beispielprompt:

/goal Find why the release build fails, fix the root cause, and verify the build passes.
/goal Fix every bug labeled checkout-regression, add or update tests for each fix, and run the checkout test suite successfully.

Geeignet für: Kimi K3, Claude Code, Codex

Ursprung: https://www.kimi.com/code/docs/en/kimi-code-cli/guides/goals

Warum heute wichtig: 426 Upvotes auf HN. Kimi K3-256k (2.8T Parameter) ist einer der größten open-weight Coding-Modelle. Das /goal-System ist die erste mainstream-Umsetzung von "outcome-based prompting" — relevant für alle, die mit Coding Agents arbeiten.

2. Loop Engineering als Pattern

Zusammenfassung: Agent-Schleifen sind kein einzelnes Feature, sondern ein architektonisches Pattern mit wiederverwendbaren Bausteinen.

Erklärung: Der Blog-Artikel auf iii.dev argumentiert, dass Loop Engineering ein Pattern ist — keine isolierte Funktion. Agent-Schleifen bestehen aus wiederkehrenden Phasen: Plan → Execute → Verify → Retry/Adapt. Diese Phasen lassen sich über verschiedene Frameworks hinweg wiederverwenden. Das Pattern ermöglicht es, autonome Agents zu bauen, die über mehrere Iterationen hinweg arbeiten, ohne dass der Mensch jeden Schritt vorgibt.

Beispielprompt:

System: You are an autonomous agent. Follow this loop:
1. PLAN: List 3 potential approaches, pick the simplest
2. EXECUTE: Implement the chosen approach
3. VERIFY: Run tests/checks, collect evidence
4. DECIDE: If PASS, stop. If FAIL, analyze error and go to step 1
Max iterations: 5
Task: [YOUR TASK HERE]

Geeignet für: Claude Opus 5, GPT-5.6, Kimi K3

Ursprung: https://iii.dev/blog/loop-engineering-is-a-pattern-not-a-feature/

Warum heute wichtig: Ergänzt den /goal-Ansatz. Loop Engineering gibt die Struktur vor, /goal definiert das Ziel. Zusammen bilden sie das vollständigste Pattern für autonome Agent-Architektur im Juli 2026.

3. InferScale: GPU-Native KV-Injection für personalisiertes LLM-Serving

Zusammenfassung: Persistentes Benutzer-Kontext wird direkt auf der GPU injected, ohne den Prompt jedes Mal neu zu generieren.

Erklärung: Die arXiv-Publikation (2607.27090) zeigt einen Ansatz, bei dem personalisierte Kontextdaten (Speicherprofile, lange Gesprächsverläufe) als KV-Caches direkt in die GPU geladen werden. Statt das Kontext bei jeder Anfrage neu zu berechnen, wird es einmal vorgehalten und per KV-Injection aktiviert. Spart massive Token bei System-Prompts und persönlichen Profilen.

Beispielprompt:

[Dies ist eher ein Architektur-Pattern als ein User-Prompt:
Anstatt "Du bist ein persönlicher Assistent mit diesen Erinnerungen..."
bei jeder Anfrage zu senden, wird der KV-Cache des Kontexts
einmal berechnet und bei Folgeanfragen direkt in die GPU geladen.]

Praktisch: Speichere das KV-Cache deines System-Prompts,
lades es bei Session-Start statt den Text neu zu tokenisieren.

Geeignet für: vLLM, TGI, lokale GPU-Server (A100+)

Ursprung: https://arxiv.org/abs/2607.27090

Warum heute wichtig: Reduziert Token-Overhead bei personalisierten System-Prompts massiv relevant — 38% Einsparung bei Anthropic Keepalone-Economics laut früherer Analyse.

🏆 Highlight des Tages

Kimi K3-256k Launch mit /goal-System (426↑ auf HN) — Moonshot hat mit Kimi K3-256k den ersten 256K-Kontext-Variant ihres 2.8T-Parameter-Coding-Modells released. Das Besondere: das /goal-System ersetzt step-by-step-Prompting durch ergebnisbasierte Steuerung. Der Agent plant, überprüft und adaptiert autonom — ein echter Paradigmenwechsel. Kombiniert mit dem "Loop Engineering"-Pattern (iii.dev) und FLUX 3s multimodaler Architektur zeigt sich ein klares Bild: Die Ära von "Prompt Engineering" als Text-Optimierung geht über in "Context Engineering" als System-Design.

📰 Erlesene Artikel & Ressourcen

Bericht erstellt am 30.07.2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs