📅

CLAUDE.md — Lightweight Repo Context

🏆 Highlight

Qwen 3.8 27B — Das beste lokale 27B-Modell (440↑ HN) Alibabas Qwen-Lab hat Qwen 3.8 27B released — Apache-2.0-lizenziert, 27B Parameter, Vision-fähig, mit integriertem `reasoning_effort`-Parameter. Übertrifft Qwen 3.6 27B und das closed-weight Qwen 3.7-Plus in Benchmarks. Läuft als 17GB GGUF auf Consumer-Hardware (128GB M5 Max MacBook Pro, NVIDIA DGX Spark). Simon Willisons Review...

🔤 TOP 3 PROMPTS — Textgenerierung

1. Qwen 3.8 27B — Reasoning-Effort steuern

Prompt (vollständig, kopierbar):

You are provided with the following task:

[Your task description here]

reasoning_effort: low

Am besten mit: Qwen 3.8 27B (lokal via LM Studio oder Ollama), Qwen 3.8 2.4T-A95B (OpenRouter)

Warum effektiv: Qwen 3.8 27B defaultet auf reasoning_effort: xhigh — selbst für simple SVG-Anfragen verbraucht das Modell 22.000+ Reasoning-Token und braucht 21 Minuten. Mit reasoning_effort: low produziert es dieselbe Ausgabe in 137 Sekunden statt 21 Minuten. Der Unterschied zwischen xhigh und low ist ein Faktor von 9× bei der Geschwindigkeit. Simon Willisons Testing zeigt: low liefert bei einfachen Tasks bessere Ergebnisse, weil das Modell nicht unnötig „overthinkt".

Quelle: https://simonwillison.net/2026/Aug/16/qwen-38-27b/ | 440 Upvotes

Community Resonanz: Dominante HN-Story des Tages. Das Modell ist Apache-2.0-lizenziert, 27B Parameter laufen als 17GB GGUF-Datei lokal auf Consumer-Hardware. Bounding-Box-Tests mit JSON-Output zeigten exzellende Treffergenauigkeit.

2. Claude Code — Kontext-Engineering für Claude 5 Generation

Prompt (vollständig, kopierbar):

# CLAUDE.md — Lightweight Repo Context

Write code that reads like the surrounding code: match its comment density, naming, and idiom.

Use progressive disclosure for specialized knowledge:
- Store verification rules in a dedicated skill, not in CLAUDE.md
- Keep CLAUDE.md brief: repo purpose + key gotchas only
- Encode team-specific opinions and best practices in separate skill files
- Prefer code-based specs (test suites, existing functions) over markdown descriptions

Am besten mit: Claude Opus 5, Claude Fable 5, Claude Sonnet 5

Warum effektiv: Anthropic hat 80% ihres eigenen System Prompts entfernt — die neuen Claude-Modelle brauchen weniger Constraints, nicht mehr. Der Schlüssel: statt starre Regeln zu schreiben („KEINE Kommentare"), gibt man kontextabhängige Richtlinien („match comment density"). CLAUDE.md-Dateien sollten leichtgewichtig bleiben, während komplexe Anweisungen in Skills ausgelagert werden, die das Modell bei Bedarf nachlädt (progressive disclosure).

Quelle: https://claude.com/blog/the-new-rules-of-context-engineering-for-claude-5-generation-models | 463 Upvotes

Community Resonanz: Anthropic bestätigt den Paradigmenwechsel von „Prompt Engineering" zu „Context Engineering". Der /doctor-Befehl in Claude Code hilft automatisch, Skills und CLAUDE.md-Dateien zu optimieren.

3. LLMs belohnen Expertise — Domänenwissen als Prompt-Multiplikator

Prompt (vollständig, kopierbar):

You are assisting an expert in [your domain]. Assume deep familiarity with [specific concepts, jargon, frameworks]. Skip introductory explanations. Focus on:

1. Edge cases and failure modes specific to [domain]
2. Trade-offs between [approach A] and [approach B]
3. Concrete examples using [domain-specific tools/libraries]

When uncertain, state assumptions explicitly rather than providing generic advice.

Am besten mit: Claude Opus 5, GPT-5.6 Sol, Qwen 3.8 27B

Warum effektiv: Sean Goedeckes Analyse zeigt: Der wichtigste Faktor für gute LLM-Ergebnisse ist nicht die Prompt-Technik, sondern Domänenexpertise. Terence Taos ChatGPT-Session zum Jacobian-Conjecture-Gegenbeispiel demonstriert: wer die Mathematik versteht, kann das Modell präzise lenken — relevante Ideen extrahieren, falsche Richtungen korrigieren, spezifische Konzepte nachhaken lassen. Ohne Fachwissen klammert man sich ans LLM; mit Fachwissen presst man weit mehr Wert heraus.

Quelle: https://www.seangoedecke.com/llms-reward-expertise/ | 1416 Upvotes

Community Resonanz: 1416↑ auf HN — die zweitmeistdiskutierte KI-Story des Tages. Kommentare bestätigen das Muster: „The human is the bottleneck, not the model."

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. FLUX.2 Subject Personalization — CRAFT-Methode ohne Composed Targets

Prompt (vollständig, kopierbar):

Generate an image of [subject description] in [novel scene/context].
Reference identity from: [reference image URL or description]

Style: [photorealistic / illustration / etc.]
Lighting: [natural / studio / dramatic]
Composition: [portrait / wide / close-up]
Aspect ratio: 16:9

Maintain subject identity while adapting to the new environment naturally.

Am besten mit: FLUX.2-klein-9B (CRAFT fine-tuned)

Warum effektiv: Die CRAFT-Methode (Constrained Reward via Attention Fine-Tuning) personalisiert Bildgenerierung mit nur 10K Referenzbildern — keine Composed-Target-Supervision nötig. Bisherige Methoden brauchten 150K–2M synthetische Zielpaare. Der „Where to look"-Prinzip: Attention-Level-Belohnungen alignieren Noise- und Phrase-Token-Attention mit dem korrekten Referenzsubjekt. State-of-the-Art auf XVerseBench mit 100× weniger Trainingsdaten.

Quelle: https://arxiv.org/abs/2608.14403v1 | ACM SIGGRAPH Asia 2026

Community Resonanz: Neuer arXiv-Paper — noch nicht auf HN, aber SIGGRAPH-publiziert und damit qualitativ hochwertig.

2. SVG-Generierung mit Qwen 3.8 — Geometrische Studien

Prompt (vollständig, kopierbar):

Create a single self-contained SVG file of a [circle / shape / object] with character — maybe a geometric study, with subtle animation, layered rings, and a distinctive palette.

Requirements:
- Valid SVG only, no HTML wrapper
- Use concentric guide rings and tick marks
- Apply a distinctive color palette (e.g., deep teal on warm paper)
- Include subtle CSS animation (rotation, pulse, or fade)
- Keep it self-contained: no external resources

reasoning_effort: low

Am besten mit: Qwen 3.8 27B (lokal, reasoning_effort: low), Qwen 3.8 2.4T-A95B (OpenRouter, für animierte Varianten)

Warum effektiv: Simon Willisons Tests zeigen: Qwen 3.8 27B produziert die besten lokalen SVG-Ergebnisse aller getesteten Modelle. Der Trick: reasoning_effort: low verhindert, dass das Modell 22.000+ Reasoning-Token für eine simple SVG verschwendet. Das 2.4T-A95B MoE-Modell liefert zusätzlich animierte Varianten.

Quelle: https://simonwillison.net/2026/Aug/16/qwen-38-27b/ | 440 Upvotes

Community Resonanz: Die Pelican-SVG- und Circle-Study-Ergebnisse wurden auf HN als „beste lokale SVG-Generierung" gelobt.

3. Bounding-Box-Extraktion mit Qwen 3.8 — Visuelle Analyse

Prompt (vollständig, kopierbar):

Return JSON bounding boxes for the objects in this photo, 0-1000 scale for each dimension.

Format: [{"bbox_2d": [x1, y1, x2, y2], "label": "object_name"}]

Only return the JSON array, nothing else.

Am besten mit: Qwen 3.8 27B (lokal mit LM Studio, multimodaler Input), Qwen 3.8 2.4T-A95B (OpenRouter)

Warum effektiv: Qwen 3.8 27B liefert exzellente Bounding-Box-Ergebnisse auf 0-1000-Skala. In Willisons Test mit Pelican-Fotos wurden die Koordinaten präzise erkannt und direkt als JSON ausgegeben. Das Modell kann die JSON-Output-Pipeline direkt verwenden — kein Parsing nötig.

Quelle: https://simonwillison.net/2026/Aug/16/qwen-38-27b/ | 440 Upvotes

Community Resonanz: „This is such a good match" — die visualisierten Boxen auf den Pelican-Fotos überzeugten in der Community.

🎬 TOP 3 PROMPTS — Videogenerierung

Keine neuen Video-Generierungsprompts mit kopierbarem Text in den letzten 24 Stunden identifiziert.

🧠 TOP 3 NEUE TECHNIKEN

1. Context Engineering (Anthropic-Regeln für Claude 5)

Zusammenfassung: Anthropic hat 80% des Claude Code System Prompts entfernt — neuere Modelle brauchen weniger Constraints, nicht mehr.

Erklärung: Der Paradigmenwechsel: Statt feste Regeln zu schreiben („DO NOT add comments"), gibt man kontextabhängige Richtlinien („Write code that reads like the surrounding code: match its comment density, naming, and idiom"). CLAUDE.md-Dateien sollten leichtgewichtig bleiben (Repo-Zweck + Gotchas), während spezialisierte Anweisungen in Skills ausgelagert werden. Progressive Disclosure ist der Schlüssel — das Modell lädt Kontext bei Bedarf nach, statt alles im System Prompt zu haben. Tools-Beispiele werden entfernt; stattdessen werden Tool-Parameter expressiver gestaltet.

Beispielprompt:

# CLAUDE.md
This repo contains [project description].

Key gotchas:
- Types are kept in a single monolithic file (types.ts)
- API responses use camelCase, database uses snake_case
- Tests require `npm test -- --watch=false`

For verification rules, see .claude/skills/verification/SKILL.md
For deployment procedures, see .claude/skills/deploy/SKILL.md

Geeignet für: Claude Opus 5, Claude Fable 5, Claude Sonnet 5

Ursprung: https://claude.com/blog/the-new-rules-of-context-engineering-for-claude-5-generation-models

Warum heute wichtig: Wer noch alte, überkonstruierte CLAUDE.md-Dateien mit hunderten Zeilen an Constraints verwendet, verschwendet Kontext-Token und behindert das Modell. Anthropic bestätigt: Die neuen Modelle haben besseres Urteilsvermögen und brauchen weniger explizite Regeln.

2. Reasoning-Effort-Kontrolle (Qwen 3.8)

Zusammenfassung: Qwen 3.8 27B defaultet auf xhigh Reasoning — man kann es auf low, medium oder xhigh stellen und damit Geschwindigkeit vs. Tiefe steuern.

Erklärung: Das Modell hat einen integrierten reasoning_effort-Parameter mit drei Stufen: xhigh (Standard, maximale Tiefe, extrem langsam), medium (Balance), low (schnell, effizient). Bei einfachen Tasks (SVG-Generierung, JSON-Extraktion) ist low 9× schneller und liefert bessere Ergebnisse, weil das Modell nicht „overthinkt". Bei komplexen analytischen Tasks bleibt xhigh sinnvoll.

Beispielprompt:

[Your task]

reasoning_effort: low

Geeignet für: Qwen 3.8 27B (lokal), Qwen 3.8 2.4T-A95B (OpenRouter)

Ursprung: https://simonwillison.net/2026/Aug/16/qwen-38-27b/

Warum heute wichtig: Qwen 3.8 27B ist Apache-2.0-lizenziert und läuft als 17GB GGUF lokal. Wer den reasoning_effort-Parameter nicht kennt, wartet 21 Minuten auf eine SVG-Datei. Mit low sind es 2 Minuten. Der Unterschied ist massiv für lokale Workflows.

3. Red Queen Gödel Machine — Koevolution von Agent und Evaluator

Zusammenfassung: Selbstverbessernde KI-Agenten und ihre Evaluatoren entwickeln sich gemeinsam weiter — das Evaluationsniveau steigt mit der Agenten-Kompetenz.

Erklärung: Bisherige selbstverbessernde Agenten scheitern am festen Evaluations- Ceiling: Sobald der Agent alles gelernt hat, was ein fester Test unterscheiden kann, verlangsamt sich die Verbesserung. Die Red-Queen-Methode (Cambridge + NVIDIA + Flower Labs) lässt Agent und Evaluator gemeinsam evolvieren. Je besser der Agent wird, desto schwieriger wird der Test. „The test does not merely measure progress, it defines it." Das Framework reduziert gleichzeitig die Rechenkosten für die Entwicklung selbstverbessernder Agenten.

Beispielprompt:

You are a self-improving agent. After each iteration:
1. Generate a new variant of your own code
2. Create a harder test case that distinguishes your variant from the previous best
3. Run both tests; keep the variant that passes the harder test
4. Repeat — the tests should get progressively harder as you improve

Geeignet für: Claude Opus 5, GPT-5.6 Sol

Ursprung: https://www.cst.cam.ac.uk/news/red-queen-hypothesis-new-way-forward-self-improving-ai

Warum heute wichtig: Bricht das fundamentale Limit der rekursiven Selbstverbesserung — bisher war der feste Evaluations-Benchmark der Flaschenhals. Die Koevolution eröffnet neue Wege für autonome Code-Optimierung und Agent-Training.

🏆 Highlight des Tages

Qwen 3.8 27B — Das beste lokale 27B-Modell (440↑ HN)

Alibabas Qwen-Lab hat Qwen 3.8 27B released — Apache-2.0-lizenziert, 27B Parameter, Vision-fähig, mit integriertem reasoning_effort-Parameter. Übertrifft Qwen 3.6 27B und das closed-weight Qwen 3.7-Plus in Benchmarks. Läuft als 17GB GGUF auf Consumer-Hardware (128GB M5 Max MacBook Pro, NVIDIA DGX Spark). Simon Willisons Review zeigt: exzellente SVG-Generierung, präzise Bounding-Box-Extraktion, aber der reasoning_effort: xhigh-Default kostet 21 Minuten für simple Tasks. Mit low nur 2 Minuten.

Der reasoning_effort-Parameter ist das eigentliche Highlight — kein anderes lokales Modell bietet diese Granularität der Reasoning-Steuerung out of the box.

📰 Erlesene Artikel & Ressourcen

Bericht erstellt am 2026-08-17 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs