📋 Prompta.ch Daily Intelligence Report — 18. August 2026

🔤 TOP 3 PROMPTS — Textgenerierung

1. Claude Opus 5 — Vollständiger System-Prompt (extrahiert)

Prompt (vollständig, kopierbar):

<claude_behavior> <product_information> Here is some information about Claude and Anthropic's products in case the person asks:

The currently selected version of Claude is Claude Opus 5. Claude Opus 5 is a powerful model for complex challenges.

Claude is accessible via this web-based, mobile, or desktop chat interface. If the person asks, Claude can tell them about the following products which also allow access to Claude.

Above Opus sits Anthropic's new Mythos tier. The first Mythos-class model, Claude Mythos Preview, is not currently available to the public.

<default_stance> Claude defaults to helping. Claude only declines a request when helping would create a concrete, specific risk of serious harm; requests that are merely edgy, hypothetical, playful, or uncomfortable do not meet that bar. </default_stance>

<tone_and_formatting> Claude uses a warm tone, treating people with kindness and without making negative assumptions about their judgement or abilities. Claude keeps responses focused, brief, and concise to avoid overwhelming the person. Disclaimers and caveats are brief, with most of the response on the main answer.

Claude avoids saying "genuinely", "honestly", or "straightforward". Claude is honest by default, and can state its point directly rather than trying to convince the person with the aforementioned modifiers.

A prompt implying a file is present doesn't mean one is, as the person may have forgotten to upload it, so Claude checks for itself. </tone_and_formatting>

<refusal_handling> If the conversation feels risky or off, saying less and giving shorter replies is safer and less likely to cause harm. If a user indicates they are ready to end the conversation, Claude respects that and doesn't ask them to stay. </refusal_handling>

<user_wellbeing> When a person is in crisis or expressing distress, Claude prioritizes their wellbeing over completing the task as asked. </user_wellbeing>
</claude_behavior>

Am besten mit: Claude Opus 5, Claude Sonnet 5

Warum effektiv: Vollständiger Einblick in den offiziellen System-Prompt von Anthropic. Zeigt exakt, welche Verhaltensregeln, Tone-Vorgaben und Sicherheitsanweisungen das Modell steuern. Ideal als Referenz für eigene System-Prompts — insbesondere die negativen Constraints ("vermeide 'genuinely', 'honestly', 'straightforward'") und die klare Trennung von Hilfe vs. Ablehnung.

Quelle: https://platform.claude.com/docs/en/release-notes/system-prompts | 745 Upvotes

Community Resonanz: Simon Willison hat die Prompt-Diffs zwischen Opus 4.8 und Opus 5 als Git-Commit-Historie dokumentiert. Community diskutiert, ob die 22KB System-Prompt nicht zu lang seien ("CYA document") — aber die negativen Constraints und Tone-Regeln gelten als Best Practice für jeden eigenen System-Prompt.

2. AI;DR — Policy-Prompt für KI-generierte Texte

Prompt (vollständig, kopierbar):

Wenn du mir ein Dokument schickst, das ganz oder teilweise von KI generiert wurde,
gilt folgende Regel:

If you're not bothered enough to review and edit it...
then I'm not going to bother reading it.

Bei KI-generierten Texten erwarte ich:
1. Maximal 1-2 Seiten statt 15+ Seiten Padding
2. Explizite Kürzung im Prompt: "Antworte in maximal 300 Wörtern"
3. Klare Kennzeichnung, welche Abschnitte von KI stammen
4. Der Prompt, mit dem der Text erstellt wurde, muss auf Anfrage geliefert werden

TL;DR war die Lösung für Social Media.
AI;DR (AI; Didn't Read) ist die Lösung für KI-Slop.

Am besten mit: Allen LLMs (als Nutzungsrichtlinie im Team-Chat, CLAUDE.md, AGENTS.md)

Warum effektiv: Keine technische Prompt-Technik, sondern eine Team-Policy, die als System-Prompt oder CLAUDE.md-Eintrag funktioniert. Schneidet das Kernproblem ab: KI generiert lange Texte, KI liest sie zusammen — kein Mensch denkt mit. Der Prompt setzt klare Erwartungen an Präzision statt Volumen.

Quelle: https://www.rickmanelius.com/p/aidr-ai-didnt-read | 858 Upvotes

Community Resonanz: 346K Views auf X, 16.6K Likes. "People have a website for this: dontpastetheai.com" — starke Community-Bewegung gegen ungeprüften KI-Slop.

3. Adversarial Review Prompt (Poor Man's Loop Engineering)

Prompt (vollständig, kopierbar):

Adversarial Review

When a task is complete, do not immediately mark it as finished.
Run an independent review using fresh agent context.

Review the implementation against:
- The original task or specification
- The current git diff
- Test results
- Relevant changed files

The reviewer should look for:
- Missing or partially implemented requirements
- Logic errors and regressions
- Security issues
- Edge cases
- Weak or missing tests
- Unnecessary complexity

The reviewer should actively try to find reasons the change should not be merged.

Return:
- PASS if no material issues are found
- FAIL with specific findings if problems remain

If the review fails:
1. Evaluate the findings
2. Fix valid issues
3. Re-run tests
4. Run the review again

Am besten mit: Claude Code, Codex, Cursor — zwei verschiedene Modelle für Cross-Model-Validierung

Warum effektiv: Konkretes Review-Prompt, das zwei isolierte Agenten-Sessions mit frischem Kontext nutzt, um Code-Ergebnisse gegenzuprüfen. Der Trick: Der Reviewer soll aktiv nach Gründen suchen, warum der Change NICHT gemerged werden sollte. Reduziert Halluzinationen und übersehene Bugs signifikant.

Quelle: https://awaitinginput.substack.com/p/poor-mans-loop-engineering | 4 Upvotes

Community Resonanz: "Let the agents do the write-test-fix merry-go-round while we keep the judgment calls." — Cross-Model-Validierung mit zwei Agenten als bewährtes Pattern.

🖼️ TOP 3 PROMPTS — Bildgenerierung

Heute keine neuen Bildgenerierungs-Prompts mit praktischem Nutzen gefunden. Dieser Bereich wird im nächsten Bericht aktualisiert.

🎬 TOP 3 PROMPTS — Videogenerierung

Heute keine neuen Videogenerierungs-Prompts mit praktischem Nutzen gefunden. Dieser Bereich wird im nächsten Bericht aktualisiert.

🧠 TOP 3 NEUE TECHNIKEN

1. Adversarial Review Loop

Zusammenfassung: Zwei unabhängige Agenten-Sessions mit frischem Kontext prüfen dasselbe Ergebnis — der Reviewer aktiv nach Fehlerquellen suchen lassen.

Erklärung: Anstatt einem Agenten zu vertrauen, dass seine Arbeit fertig ist, wird ein zweiter Agent mit komplett neuem Kontext beauftragt, die Arbeit zu reviewen. Der Clou: Der Reviewer soll gezielt nach Gründen suchen, warum der Change abgelehnt werden sollte. Für maximale Abdeckung werden zwei verschiedene Modelle eingesetzt (Cross-Model-Validierung). Diese Technik wurde beim "Bun in Rust umschreiben"-Projekt erfolgreich eingesetzt, um tausende Zeilen Code zu migrieren.

Beispielprompt:

Du bist ein unabhängiger Reviewer. Du bekommst:
1. Die originale Aufgabe
2. Den aktuellen Git-Diff
3. Die Testergebnisse

Deine Aufgabe: Finde aktiv Gründe, warum dieser Change NICHT gemerged werden sollte.
Suche nach: fehlenden Anforderungen, Logikfehlern, Sicherheitsproblemen, Edge Cases,
schwachen Tests, unnötiger Komplexität.

Antworte mit PASS (keine Probleme) oder FAIL mit konkreten Befunden.
Sei kritisch — ein FAIL ist besser als ein übersehener Bug in Production.

Geeignet für: Claude Code, Codex, Cursor, alle Agent-Harnesses

Ursprung: https://awaitinginput.substack.com/p/poor-mans-loop-engineering

Warum heute wichtig: Addy Osmani (Google) prägte "Loop Engineering" — aber die praktische Umsetzung mit adversarialem Review ist der echte Hebel. Agenten sind nicht deterministisch; zwei unabhängige Reviews decken deutlich mehr Failure-Patterns ab als ein einzelner Durchlauf.

2. Provenance-Based Prompt Injection Defense

Zusammenfassung: Prompt-Injection ohne Content-Inspection blockieren — durch reine Datenherkunfts-Prüfung (Provenance).

Erklärung: Ein MCP-Proxy sitzt vor allen MCP-Servern und klassifiziert sie als "trusted" oder "untrusted". Sobald eine Session Daten von einem untrusted Server erhält, werden alle Calls, die Daten nach außen senden oder Geld bewegen, für den Rest der Session blockiert. Kein Pattern-Matching, keine Content-Inspection — die Entscheidung ist eine reine Funktion der Datenherkunft. Das Blockiert 11 von 11 Injection-Szenarien, produziert aber 40% False Positives bei legitimen Workflows. Die Lösung: Payment-Sinks können hart blockiert werden (0 False Positives), External-Send-Sinks benötigen einen Approval-Path.

Beispielprompt:

# System-Regel für MCP-Proxy (Provenance-Based Defense)

Jeder upstream Server wird als "trusted" oder "untrusted" deklariert.

Regel: Sobald eine Session ein Ergebnis von einem untrusted Server erhält,
werden folgende Calls für den Rest der Session abgelehnt:
- Alle payment/transfer Calls → HARD BLOCK (kein False Positive erwartet)
- Alle external send Calls → REFUSE mit Approval-Path (Operator muss freigeben)
- Alle data egress Calls → REFUSE mit Approval-Path

Die Entscheidung basiert NUR auf der Herkunft der Daten, nicht auf dem Inhalt.
Content-Inspection und Pattern-Matching werden nicht verwendet.

Ein Approval-Path: Call wird verweigert mit Instruktionen, ein Operator
autorisiert einen Retry vom Terminal. Der Agent kann sich nicht selbst freigeben.

Geeignet für: MCP-Proxy-Architekturen, Agent-Sicherheitslayer

Ursprung: https://github.com/vineetpant/customhouse/blob/main/docs/false-positives.md

Warum heute wichtig: Erstmals werden echte False-Positive-Raten veröffentlicht (40%). Die Erkenntnis: Feinere Granularität (Fingerprinting der Daten) hilft nicht — das Problem ist die Ziel-Klassifizierung, nicht die Datenverfolgung. Payment-Sinks können hart blockiert werden, Send-Sinks benötigen Human-in-the-Loop.

3. Context Engineering als Datenproblem

Zusammenfassung: Unternehmenswissen für Agenten wird wie ein Data Warehouse gebaut — ETL/ELT-Pattern für Kontext.

Erklärung: Kontext-Engineering ist dieselbe Arbeit wie Data Engineering: Extrahieren, Filtern, Kuratieren, Modellieren und Publizieren von Artefakten, die der Organisation bessere Entscheidungen ermöglichen. Die Wissensdatenbank wird als "Compiler" für Agenten betrachtet — sie transformiert Rohmaterialien in LLM-optimierte Repräsentationen. Wie dbt-Modelle in der Datenwelt wird jede kuratierte Textdatei zu einem materialisierten View, optimiert für eine bestimmte Aufgabe. Direkter Zugriff auf alle Rohquellen löst das Problem nicht — bei einem gewissen Punkt muss Bedeutung codifiziert werden.

Beispielprompt:

# Context Engineering Pipeline (ETL-Pattern für Agenten-Kontext)

Ingestion:
- Slack, Drive, Looker, Slide-Decks als Rohquellen
- Transkription, Summarisierung, Text-Extraktion als Transformationen

Knowledge Build System:
1. Sinn machen: Rohdaten → strukturierte Bedeutung
2. Modellieren: OKRs, Definitionen, Konventionen als curierte Textdateien
3. Koordinieren: PR-Reviews, Feld-Umbenennungen, Diskussionen als Kompaktierung

Jede curierte Textdatei ist ein materialisierter View — optimiert für:
- Einen bestimmten Agenten-Typ
- Eine bestimmte Aufgabe
- Eine bestimmte Entscheidungssituation

Wichtig: Die Wissensdatenbank muss wie ein Datenprodukt gebaut,
getestet und released werden — nicht durch rohen Zugriff auf alle Quellen.

Geeignet für: Claude, GPT-5.6, alle Agent-Harnesses mit Datei-Zugriff

Ursprung: https://davidgasquez.com/context-engineering-is-a-data-problem

Warum heute wichtig: Verschiebt den Fokus von "mehr Kontext ins Prompt" hin zu "Kontext als kuratiertes Produkt". Die dbt/ETL-Analogie macht klar: Kontext muss getestet, versioniert und released werden — nicht einfach alles in den Kontext-Fenster kippen.

🏆 Highlight des Tages

Claude: System Prompts — Anthropic veröffentlicht alle System-Prompts

Anthropic hat erstmals die vollständigen System-Prompts für alle Claude-Modelle öffentlich dokumentiert — von Haiku 3 bis Opus 5. Das 22KB Opus-5-Prompt enthält exakte Verhaltensregeln, Tone-Vorgaben ("vermeide 'genuinely', 'honestly', 'straightforward'"), Sicherheitsanweisungen und Product-Information.

Simon Willison hat die Prompt-Diffs zwischen Modellversionen als Git-Commit-Historie dokumentiert, sodass sich exakt nachvollziehen lässt, was sich zwischen Versionen geändert hat. Zwischen Opus 4.8 und Opus 5: Export-Control-Hinweise für Fable/Mythos, präzisere Kinderschutz-Regeln, und die neue Regel "A prompt implying a file is present doesn't mean one is."

Warum wichtig für prompta.ch-Nutzer: Diese Prompts sind die beste verfügbare Referenz, um eigene System-Prompts zu schreiben. Die negativen Constraints, Tone-Regeln und refusal-handling Pattern funktionieren universell — nicht nur für Claude.

Quellen:

• https://platform.claude.com/docs/en/release-notes/system-prompts (745↑ HN)
• https://github.com/simonw/research/tree/main/extract-system-prompts

📰 Erlesene Artikel & Ressourcen

Poor Man's Loop Engineering (awaitinginput.substack.com) — Praktischer Guide für Agent-Loops: Testing, Adversarial Reviews mit Cross-Model-Validierung, Task-Loop-Prompt. "The goal isn't quite 'press go and come back tomorrow' — the goal is to automate iteration cycles." | 4 Upvotes

Context Engineering Is a Data Problem (davidgasquez.com) — Warum Unternehmenskontext für Agenten wie ein Data Warehouse gebaut werden sollte. ETL/ELT-Pattern, Knowledge Build System, materialisierte Views für Agenten. | 2 Upvotes

Blocking Prompt Injection Deterministically Costs 40% False Positives (github.com/vineetpant/customhouse) — MCP-Proxy, der Injection ohne Content-Inspection blockiert. Erstmals veröffentlichte False-Positive-Raten mit Breakdown nach Sink-Klasse. Payment: 0 FP, External Send: 3/7 FP, Data Egress: 1/2 FP. | 3 Upvotes

AI;DR (AI; Didn't Read) (rickmanelius.com) — Policy gegen ungeprüften KI-Slop: "If you're not bothered enough to review and edit it, then I'm not going to bother reading it." 346K Views auf X. | 858 Upvotes

Prime Agent: A Self-Improving RLM Agent (github.com/PrimeIntellect-ai/prime-agent) — Open-Source Coding Agent mit Recursive Language Model: Prompt-as-Variable, programmatisches Sub-Agent-Calling, Continual Harness mit /refine für evidenzbasierte Prompt-Verbesserung. Skills als importierbare Python-Pakete. | 4 Upvotes

Qwen3.8-27B: slower tokens, faster and better results (overbring.com) — Detaillierter Test des neuen Qwen3.8-27B auf realen Codebases. "Objectively, it's way more intelligent than anything else you can run locally on a budget right now." | 1 Upvote

Just Show Me the Prompt (leadinginproduct.com) — Essay über die "document laundering machine": KI generiert 15-Seiten-Dokumente, KI liest sie zusammen. "If you used AI to write a document, your prompt is the truest artifact of your thinking." | 1 Upvote

arXiv Papers (Aug 17):

• State-Semantic Injection in LLM-Driven Embodied Agents — State als Angriffsfläche
• TDD-Agent: Test-Driven Reasoning for Code Generation — TDD-Pattern für Agenten
• Le Critique: Privileged Value Functions for LLM RL — RL-Training mit privilegierten Value Functions

---

Bericht erstellt am 18. August 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs