📅

AGENTS.md — Projekt-spezifische Agenten-Konfiguration

🏆 Highlight

### LLMs belohnen Expertise — Terence Tao zeigt, wie es geht Zusammenfassung: Sean Goedeckes Analyse (1416↑ HN) von Terence Taos ChatGPT-Konversation über das Jacobian-Conjecture-Gegenbeispiel (1128↑ HN, 94 Kommentare) ist die wichtigste Lektüre des Tages für alle, die mit LLMs arbeiten. Kern-Insight: Tao fragt nicht "Erkläre mir das Jacobian-Conjecture-Gegenbeispiel." Er fr...

🔤 TOP 3 PROMPTS — Textgenerierung

1. Experten-Prompting nach Terence Tao-Methode

Prompt (vollständig, kopierbar):

Analysiere die folgende Argumentation kritisch. Identifiziere:
1. Welche Annahmen werden stillschweigend getroffen?
2. Gibt es einen alternativen Beweisweg oder eine andere Formulierung,
   die das Problem vereinfachen könnte?
3. Welche Teile der Argumentation "wirken seltsam" oder nicht natürlich?
4. Wenn Schritt X wahr ist und Schritt Y daraus folgt — warum dann Ergebnis A
   und nicht B? Wo liegt der Knick?

Gehe systematisch vor: Zitiere zuerst die relevante Passage, dann deine
Analyse, dann eine konkrete Empfehlung für den nächsten Schritt.
Vermeide allgemeine Floskeln — sei so spezifisch wie möglich.

Am besten mit: ChatGPT o1/o3, Claude Sonnet/Opus

Warum effektiv: Basierend auf Terence Taos berühmter ChatGPT-Konversation zum Jacobian-Conjecture-Gegenbeispiel (1128↑ HN). Tao fragt nie allgemein — er fragt konkret: "Funktioniert X hier?", "Warum A und nicht B, gegeben Y und Z?". Der Schlüssel ist nicht der Prompt selbst, sondern das domain-spezifische Wissen, das die Fragen antreibt. Wie Sean Goedecke in seinem viralen Artikel (1416↑ HN) schreibt: "The most important skill in prompting is expertise in the domain you're prompting for."

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

Community Resonanz: 1416 Upvotes auf HN, intensive Debatte in den Kommentaren. Mehrere Entwickler bestätigen das Muster: Domänenwissen ermöglicht es, LLMs "härter in die gewünschte Richtung zu steuern".

2. Selbst-generierte Prompts (Self-Prompting)

Prompt (vollständig, kopierbar):

Ich möchte folgende Information aus dem untenstehenden Text extrahieren:
[DEINE EXTRAKTIONSANFRAGE]

Schreibe zuerst einen präzisen Prompt, der ein LLM anweisen würde,
diese Information optimal aus einem wissenschaftlichen Text zu extrahieren.
Dann wende deinen eigenen Prompt auf den Text an und liefere das Ergebnis.

Text:
[EINZUFÜGENDER TEXT]

Am besten mit: GPT-4o, Claude Sonnet 5, Qwen2.5-72B

Warum effektiv: Neue arXiv-Studie (2608.19025) zeigt: LLMs können mit einfachen Instruktionen eigene Prompts schreiben, die nahezu so effektiv sind wie expertengeschriebene. Der Workflow: (1) Expert erstellt Prompt → gut, (2) LLM schreibt eigenen Prompt aus einfacher Instruktion → fast genauso gut. Besonders wertvoll bei der Extraktion kontextueller Daten aus wissenschaftlichen Artikeln, wo das LLM den wissenschaftlichen Kontext besser einschätzen kann als ein statischer Prompt.

Quelle: https://arxiv.org/abs/2608.19025 | arXiv 2608.19025

Community Resonanz: Auf HN als "Mathematics in the age of AI" diskutiert (167↑). Die vierstufige Workflow-Hierarchie (Experten-Prompt → Selbst-Prompt → autonome Literatursuche → Dataset-Generierung) definiert eine auditable Arbeitsteilung zwischen Mensch und Modell.

3. Kosten-begrenzte Selbstreflexion (EvoResearcher)

Prompt (vollständig, kopierbar):

Beantworte die folgende Frage, dann kritisiere deine eigene Antwort.
Bewerte deine Antwort nach:
- Korrektheit: Ist die Antwort faktisch richtig?
- Effizienz: Wurde der kürzeste Weg gewählt?
- Reflexionstiefe: Wurden Gegenargumente bedacht?

Wenn deine Kritik Mängel findet, überarbeite die Antwort.
Wiederhole diesen Zyklus maximal 3 Mal.
Wenn deine Kritik keine Mängel findet, antworte mit "✓ BESTÄTIGT"
und liefere die finale Antwort.

Frage: [DEINE FRAGE]

Am best mit: Qwen2.5-72B, Claude Sonnet, GPT-4o

Warum effektiv: arXiv-Paper 2608.18884 präsentiert EvoResearcher: ein training-freies Protokoll, das generate → self-critique → revise iteriert, bis ein CONFIRMED-Sentinel erreicht wird oder die maximale Tiefe erschöpft ist. 82-88% der Items werden bei gleicher Genauigkeit nach nur ~2,1 Generationen bestätigt — massive Token-Einsparung gegenüber unbegrenztem Reasoning. Vier Meta-Reward-Komponenten (Korrektheit, Effizienz, Reflexionstiefe, Tool-Call-Vielfalt) wirken als Prompt-Level-Mechanismen ohne Gradient-Updates.

Quelle: https://arxiv.org/abs/2608.18884 | arXiv 2608.18884

Community Resonanz: Noch neu, aber das Konzept der kosten-begrenzten Selbstverifikation trifft einen Nerv: Statt endloser Reasoning-Ketten wird ein harter Stopp gesetzt, wenn das Modell sich selbst bestätigt.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. CLAUDE.md AGENTS.md — System Prompt Standards

Prompt (vollständig, kopierbar):

# AGENTS.md — Projekt-spezifische Agenten-Konfiguration

## Rolle
Du bist ein Senior [DOMAIN]-Engineer, spezialisiert auf [TECHNOLOGIE].

## Regeln
- Antworte immer auf Deutsch, außer Code bleibt englisch
- Keine Erklärungen vor dem Code — Code zuerst, Erklärung danach
- Bei Unsicherheit: frage nach, statt zu raten

## Kontext
- Codebase-Struktur: [PFAD-BESCHREIBUNG]
- Wichtige Konventionen: [NAMING, ARCHITEKTUR]
- Verbotene Patterns: [ANTI-PATTERNS]

## Workflow
1. Verstehe die Anforderung vollständig
2. Skizziere den Ansatz in 2-3 Sätzen
3. Implementiere
4. Teste mental gegen Edge Cases

Am besten mit: Claude Code, Cursor, OpenClaw, Hermes Agent

Warum effektiv: Die HN-Diskussion "Feature Request: Support AGENTS.md" (246↑) zeigt: Die Community fordert offizielle AGENTS.md-Unterstützung in Claude Code. AGENTS.md wird zum de-facto Standard für projekt-spezifische Agenten-Konfiguration — parallel zu CLAUDE.md, aber agent-harness-agnostisch. OneCLI (YC S26, 75↑ HN) nutzt bereits "Skills" als abstrakte Ebene darüber.

Quelle: https://github.com/anthropics/claude-code/issues/6235 | 246 Upvotes

Community Resonanz: 36 Kommentare im Claude Code Issue, reger Austausch über Standardisierung von Agent-Konfigurationsdateien. Die Community will agent-agnostische Standards statt plattformspezifischer Formate.

2. Domänen-spezifisches Prompting für Mathematik

Prompt (vollständig, kopierbar):

Du diskutierst mit mir über ein mathematisches Problem. Verhalte dich
wie ein Kollege am Whiteboard:

1. Wenn ich eine Vermutung äußere, prüfe sie an einem konkreten Beispiel
2. Wenn ein Beweisschritt nicht klar ist, schlage eine alternative
   Formulierung vor
3. Markiere explizit, welche Teile der Argumentation "zu gut aussehen,
   um wahr zu sein" — dort liegen meist die Fallstricke
4. Zitiere bekannte Theoreme, die relevant sein könnten, aber wende sie
   nicht blind an

Problem: [DEIN MATHEMATISCHES PROBLEM]

Am besten mit: ChatGPT o3, Claude Opus, Gemini 2.5 Pro

Warum effektiv: Inspiriert von Terence Taos ChatGPT-Konversation zum Jacobian-Conjecture-Gegenbeispiel (1128↑ HN, 94 Kommentare). Tao nutzt das Modell nicht als Antwortmaschine, sondern als Diskussionspartner: Er zieht relevante Ideen aus mehrteiligen Antworten heraus, schlägt alternative Formulierungen vor und identifiziert, was "seltsam aussieht". Diese Technik überträgt sich auf jedes komplexe analytische Problem.

Quelle: https://chatgpt.com/share/6a5fdc7a-d6f8-83e8-bbea-8deb42cfed56 | 1128 Upvotes

Community Resonanz: "It's endlessly fascinating to read the transcript of an expert who really knows how to cut to the chase." — Top-Kommentar auf HN. Tao fragt spezifisch: "Gegeben Y und Z, warum A?" — nicht "Erkläre mir das Problem."

🎬 TOP 3 PROMPTS — Videogenerierung

(Keine signifikanten Video-Generierungs-Prompts in den letzten 24 Stunden identifiziert. Die Top-Themen heute lagen auf Textgenerierung, Agenten-Architektur und Mathematik.)

🧠 TOP 3 NEUE TECHNIKEN

1. Self-Prompting (Selbst-generierte Prompts)

Zusammenfassung: LLMs schreiben ihre eigenen Extraktions-Prompts — fast so gut wie Experten.

Erklärung: Die arXiv-Studie 2608.19025 demonstriert vier eskalierende Workflows. Der entscheidende Befund: Wenn man einem LLM eine einfache Instruktion gibt ("schreibe einen Prompt, der X aus Y extrahiert"), erzeugt das Modell eigene Prompts, die nahezu so effektiv sind wie manuell von Experten geschriebene. Der Vorteil: Das LLM versteht den wissenschaftlichen Kontext des Zieltexts besser als ein statischer, vorab geschriebener Prompt. Autonome Literatursuche durch Agenten scheiterte jedoch noch (Halluzinationen, übersehene Referenzen).

Beispielprompt:

Erstelle einen optimalen Prompt zur Extraktion der folgenden Information
aus wissenschaftlichen Texten: [BESCHREIBUNG DER ZIELINFORMATION]
Der Prompt soll: (a) den Kontext wissenschaftlicher Papers berücksichtigen,
(b) zwischen Hauptresultat und Nebenergebnis unterscheiden,
(c) unsichere Extraktionen markieren.
Wende den erstellten Prompt dann auf diesen Text an: [TEXT]

Geeignet für: GPT-4o, Claude Sonnet 5, Qwen2.5-72B

Ursprung: https://arxiv.org/abs/2608.19025

Warum heute wichtig: Reduziert den manuellen Aufwand für Prompt-Engineering erheblich. Statt stundenlang Prompts zu optimieren, lässt man das Modell die Arbeit machen — mit menschlicher Qualitätskontrolle im Loop. Besonders wertvoll für Forschungs- und Datenkuratierungs-Workflows.

2. Cost-Bounded Self-Reflection (Kosten-begrenzte Selbstreflexion)

Zusammenfassung: Generate → Self-Critique → Revise mit hartem Stopp bei Selbstbestätigung — spart 50-60% Tokens.

Erklärung: EvoResearcher (arXiv 2608.18884) addiert einem einzelnen frozen LLM ein Selbstreflexions-Protokoll ohne Training. Das Modell generiert eine Antwort, kritisiert sich selbst nach vier Meta-Reward-Komponenten (Korrektheit, Effizienz, Reflexionstiefe, Tool-Call-Vielfalt), überarbeitet bei Bedarf — und stoppt automatisch, wenn der CONFIRMED-Sentinel erreicht wird. Auf BBH, GSM8K und MATH validiert: 82-88% der Items werden bei gleicher Genauigkeit nach nur ~2,1 Generationen bestätigt. Kein Gradient-Update nötig — alles funktioniert auf Prompt-Ebene.

Beispielprompt:

Aufgabe: [AUFGABE]

Durchlaufe diesen Zyklus:
RUNDE 1: Generiere eine erste Antwort.
RUNDE 1-KRITIK: Bewerte nach (1) Korrektheit, (2) Effizienz,
  (3) Reflexionstiefe, (4) Alternativen berücksichtigt.
  Wenn Mängel → überarbeite. Wenn keine Mängel → "✓ BESTÄTIGT".
MAXIMAL 3 RUNDEN. Stoppe bei "✓ BESTÄTIGT".

Geeignet für: Qwen2.5-72B, Claude Sonnet, GPT-4o

Ursprung: https://arxiv.org/abs/2608.18884

Warum heute wichtig: Die Reasoning-Token-Kosten explodieren bei Modellen mit unbegrenzten Think-Ketten. Diese Technik bietet einen praktischen Ausweg: Selbstverifikation mit Budget-Limit. Statt 100% mehr Tokens für Reasoning zu bezahlen, bekommt man 82-88% der Verifikationsvorteile mit nur ~2× Tokens.

3. Expert-Grounded Prompting (Domänen-verankertes Prompting)

Zusammenfassung: Die beste Prompt-Technik ist kein Prompt — es ist echtes Fachwissen.

Erklärung: Sean Goedeckes Analyse (1416↑ HN) von Terence Taos ChatGPT-Konversation zeigt: Tao erreicht mit ChatGPT Ergebnisse, die unerreichbare Mathematiker nicht bekommen — nicht wegen besserer Prompts, sondern weil er die Mathematik versteht. Er kann relevante Ideen aus Multi-Paragraph-Antworten ziehen, alternative Formulierungen vorschlagen und erkennen, was "seltsam aussieht". Das Pattern überträgt sich auf Software-Engineering: Wer sein Codebase versteht, kann das LLM härter steuern ("Don't we already do X?", "Can we express this in familiar terms?").

Beispielprompt:

Ich arbeite an [PROJEKT/THHEMA] und kenne mich mit [DOMÄNE] aus.
Hier ist mein spezifisches Verständnis der Situation: [KONTEXT]

Ich will nicht die allgemeine Antwort — ich will deine Einschätzung
zu dieser konkreten Frage: [PRÄZISE FRAGE BASIEREND AUF DEINEM WISSEN]

Wenn du unsicher bist, sag es. Wenn meine Prämisse falsch ist,
korrigiere mich. Antworte nicht mit Allgemeinplätzen.

Geeignet für: Alle Modelle — besonders effektiv mit stärkeren Modellen

Ursprung: https://www.seangoedecke.com/llms-reward-expertise/ | 1416↑ HN

Warum heute wichtig: In einer Welt, in der alle den gleichen Modellen zugreifen, wird menschliche Expertise zum entscheidenden Differenzierungs-Faktor. Der Prompt ist nur das Vehikel — das Wissen dahinter macht den Unterschied.

🏆 Highlight des Tages

LLMs belohnen Expertise — Terence Tao zeigt, wie es geht

Zusammenfassung: Sean Goedeckes Analyse (1416↑ HN) von Terence Taos ChatGPT-Konversation über das Jacobian-Conjecture-Gegenbeispiel (1128↑ HN, 94 Kommentare) ist die wichtigste Lektüre des Tages für alle, die mit LLMs arbeiten.

Kern-Insight: Tao fragt nicht "Erkläre mir das Jacobian-Conjecture-Gegenbeispiel." Er fragt: "Gegeben Y und Z, warum A und nicht B?" Er zieht spezifische Ideen aus mehrteiligen Antworten heraus, schlägt alternative Beweiswege vor und identifiziert, welche Teile der Argumentation "zu gut aussehen, um wahr zu sein." Das Ergebnis: Eine Conversation, die Goedecke als GitHub-Programmierer nicht reproduzieren konnte — "not the same ChatGPT I talk to."

Die 3 Prinzipien aus Taos Technik:

  1. Spezifische Fragen, keine allgemeinen: "Funktioniert X hier?" statt "Was denkst du?"
  2. Aktives Herausziehen: Relevante Ideen aus Multi-Paragraph-Antworten identifizieren
  3. Alternativen vorschlagen: "Könnte man das nicht auch so formulieren?" statt passiv konsumieren

Für prompta.ch-Nutzer: Kopiert nicht Taos Prompt — kopiert seine Haltung. Der Prompt ist nur die Tür; das Domänenwissen ist der Schlüssel.

Quellen:

📰 Erlesene Artikel & Ressourcen

Extensible Software in the Age of LLMs — Jeremy Morrell (148↑ HN) https://jeremymorrell.dev/blog/extensible-software-in-the-age-of-llms/ Über warum LLMs alle zu Generalisten machen, aber echte Expertise den Unterschied bestimmt. System-Design-Probleme werden von konkreten Spezifiken dominiert, nicht von generischen Prinzipien.

Don't Paste the AI, Please — dontpastetheai.com (60↑ HN, 21 Kommentare) https://dontpastetheai.com/ Kampagnen-Seite: Wenn jemand dich etwas fragt, will er deine Antwort, nicht die eines Chatbots. Mit konkreten Alternativen: "Ich habe mit Claude geprüft und dieser Teil stimmt: ..."

OneCLI (YC S26) — Open-Source Agent-Harness für Teams (75↑ HN) https://github.com/onecli/onecli Sandboxed Agents pro Mitarbeiter, Gateway-gesteuerte Credential-Injection, human-in-the-loop Approvals, Slack-Integration. Rust-basiert, unterstützt Hermes, OpenClaw, NanoClaw.

Unsloth Dynamic 3.0 GGUFs — (259↑ HN) https://unsloth.ai/docs/basics/dynamic-3.0-ggufs Neue GGUF-Generierung mit dynamischer Quantisierung. Relevant für lokale LLM-Nutzer, die mit begrenztem RAM maximale Qualität wollen.

OpenRouter joins Stripe — (831↑ HN) https://openrouter.ai/blog/announcements/openrouter-is-joining-stripe/ OpenRouter wird Teil von Stripe. "Same mission, same name, same product, same roadmap." Wichtig für alle, die OpenRouter als Model-Gateway nutzen — keine Änderungen für bestehende Integrationen.

Self-prompting & Cross-Model Consensus — arXiv 2608.19025 https://arxiv.org/abs/2608.19025 LLMs schreiben eigene Prompts für Datenextraktion, fast so gut wie Experten. Vier Workflows: Expert-Prompt → Self-Prompt → Autonomous Discovery → Dataset Creation.

EvoResearcher: Cost-Bounded Self-Reflection — arXiv 2608.18884 https://arxiv.org/abs/2608.18884 Training-freies Self-Reflection-Protokoll mit CONFIRMED Early Stop. 82-88% der Items bei ~2,1 Generationen bestätigt. Vier Meta-Rewards als Prompt-Level-Mechanismen.

Mathematics in the Age of AI — arXiv 2608.16753 (167↑ HN) https://arxiv.org/abs/2608.16753 Terence Tao über die Rolle von AI in der mathematischen Forschung. "AI Capability Conjecture" und die Zukunft mathematischer Beweisführung.

Claude Code: Support AGENTS.md — GitHub Issue (246↑ HN) https://github.com/anthropics/claude-code/issues/6235 Feature Request für AGENTS.md-Unterstützung in Claude Code. 36 Kommentare über Standardisierung von Agent-Konfigurationsdateien über plattformübergreifende Tools hinweg.

Bericht erstellt am 20. August 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs