📅

🧠 Daily Prompt Intelligence — 22. August 2026

🏆 Highlight

### Claudette: Make Claude stop talking like a BuzzFeed article Das Nobuzz-Projekt liefert den bisher elegantesten Fix für das weitverbreitete Problem der theatralischen LLM-Ausgaben. Statt das Modell zu bitten, sich selbst zu korrigieren (was denselben Buzzfeed-Stil reintroduziert), wird die Antwort an ein anderes Modell (Gemini via Antigravity CLI) übergeben mit einem strikten Stil-Prompt....

🧠 Daily Prompt Intelligence — 22. August 2026

🔤 TOP 3 PROMPTS — Textgenerierung

1. Debuzz-Prompt (Claudette-Skill)

Prompt (vollständig, kopierbar):

Translate the following text to plain, professional English. Keep all file paths, line numbers, and code blocks exactly as they are. Do not add any introductory or concluding sentences. Do not use phrases like "Here's where it gets interesting", "Three things jumped out at me", or "this is the kicker". Write like a senior engineer writing a bug report to a colleague:

[TEXT TO DEBUZZ]

Am besten mit: Gemini (via Antigravity CLI) oder Claude Opus 5

Warum effektiv: Der Prompt entfernt die typische „TED-Talk"-Rhetorik von LLM-Antworten — nummerierte Erkenntnisse, dramatische Übergänge, moralische Schlussfolgerungen — und liefert stattdessen denselben Inhalt in direkter, technischer Sprache. Das /debuzz-Skill aus dem Nobuzz-Projekt (261↑ HN) nutzt genau diesen Ansatz: Claude schreibt seine eigene Antwort in eine Temp-Datei, übergibt sie an Gemini mit diesem Prompt, und druckt das Ergebnis 1:1 aus. Drei Modi: colleague (Ingenieur-Stil), manager (1/3 Länge, kein Code), director (3-5 Sätze: Outcome, Impact, Ask).

Quelle: https://github.com/adnanakil/nobuzz/blob/main/README.md | 261 Upvotes

Community Resonanz: 261↑ auf HN, diskutiert als Lösung für das weitverbreitete Problem der „over-theatrical" Claude-Ausgaben. User berichten, dass der Colleague-Modus ihre PR-Kommentare von 300 auf 80 Wörter reduziert.

2. Experten-Signaling Prompt (Tao-Pattern)

Prompt (vollständig, kopierbar):

You are discussing {DOMAIN} at the level of a practicing expert. Assume I understand {PREREQUISITE_1}, {PREREQUISITE_2}, and {PREREQUISITE_3}. Do not explain basic concepts. When I ask a question, answer with:
1. The most direct technical answer
2. Any relevant caveats or edge cases
3. Point me to the specific theorem, function, or section I should read next if I want deeper detail

My question: {YOUR_QUESTION}

Am besten mit: Claude Opus 5, GPT-5.6 Sol

Warum effektiv: Basierend auf Sean Goedeckes Analyse (github.com) von Terence Tao's ChatGPT-Gesprächen über die Jacobische Vermutung. Das Kernprinzip: Experten-Signaling verschiebt das Modell vom „Erkläre-es-einem-Anfänger"-Modus in den „Kollegen-Modus". Tao schreibt kurze, präzise Nachrichten, widerspricht nicht direkt sondern sagt „das sieht komplexer aus als hoped", und macht eigene inhaltliche Sprünge. Der Trick: Man kann Tao's Technik nicht kopieren ohne das Fachwissen — aber man kann dem Modell signalisieren, dass man Fachwissen hat.

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

Community Resonanz: Einer der meistkommentierten Beiträge der Woche. Die Diskussion dreht sich darum, ob Experten-Signaling allein ausreicht oder ob tatsächliches Domain-Wissen nötig ist — Konsens: Beides.

3. Halluzinierte Klassifizierung (Doug Turnbull)

Prompt (vollständig, kopierbar):

Your task is to create novel, never-seen-before classification categories that best fit the following content. Do NOT use any existing vocabulary. Invent categories that might exist in a well-organized knowledge system. Categories might look like:

Category / Subcategory / Sub-subcategory / Specific Item
Parent / Child / Grandchild / Leaf

Here's the content to classify:

[CONTENT TEXT]

Return only the classification paths, one per line.

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

Warum effektiv: Statt Modelle zu zwingen, aus einer riesigen bestehenden Taxonomie (z.B. 1.850 Tags) zu wählen — was den Kontext sprengt — lässt man sie frei „halluzinieren" und matched die erfundenen Kategorien anschließend per Vector-Embedding gegen das echte Tag-Korpus. Simon Willison hat dies von Doug Turnbull aufgegriffen: Man gibt dem Modell nur ein Beispiel der gewünschten Tag-Struktur (z.B. Furniture / Living Room / Coffee Tables), und es erfindet passende Kategorien. Die Embedding-Suche findet dann die real existierenden Tags, die am nächsten liegen.

Quelle: https://simonwillison.net/2026/Aug/14/dont-classify-hallucinate/ | via Doug Turnbull

Community Resonanz: Eleganter Workaround für das Problem „zu viele Tags für den Kontext". Funktioniert besonders gut bei großen Content-Korpora mit hunderten von Kategorien.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Muse Glimmer Vision-Prompt (Meta 30B)

Prompt (vollständig, kopierbar):

describe image

Am besten mit: Muse Glimmer 30B (Apache 2.0, via LM Studio oder Ollama), ~18 GB VRAM/RAM

Warum effektiv: Meta's neues Muse Glimmer 30B ist ein Multimodales Modell unter Apache 2.0 Lizenz — kein janky Llama-License-Mehr. Es beherrscht End-to-End Agentic Task Completion, zuverlässige Tool-Nutzung und Multi-Step Reasoning. Simon Willison testete es mit einem einfachen describe image-Prompt auf einem Pelikan-Foto und erhielt eine detaillierte, wissenschaftlich präzise Beschreibung der Spezies (Pelecanus occidentalis), inklusive Gefieder-Musterung, Körperhaltung und Komposition. Das Modell ist besonders für lokale Nutzung interessant: bei 32 GB RAM läuft es neben anderen Anwendungen.

Quelle: https://simonwillison.net/2026/Aug/10/introducing-muse-glimmer/ | 1118↑ HN

Community Resonanz: Starkes Interesse an der Apache-2.0-Lizenz — ein Schritt weg von den restriktiven Llama-Lizenzen. Besonders für lokale AI-Enthusiasten relevant.

🎬 TOP 3 PROMPTS — Videogenerierung

(Keine neuen Video-Prompts mit kopierbarem Text in den letzten 24 Stunden identifiziert.)

🧠 TOP 3 NEUE TECHNIKEN

1. Hallucinate-to-Classify

Zusammenfassung: Statt Modelle aus einer bestehenden Taxonomie wählen zu lassen, lässt man sie frei Kategorien erfinden und matched diese per Embedding zurück.

Erklärung: Das Problem: Bei 1.850+ Tags im System sprengt die volle Tag-Liste den Kontext-Fenster. Doug Turnbulls Lösung ist elegant: Sag dem Modell, es soll völlig neue, nie dagewesene Kategorien erfinden, die zum Content passen. Gib nur ein Format-Beispiel (z.B. Parent / Child / Grandchild). Die erfundenen Kategorien werden dann per Vector-Embedding gegen das echte Tag-Korpus gematched — die nächsten Treffer sind die passenden existierenden Tags. Das Modell muss die Taxonomie nicht kennen, nur deren Struktur.

Beispielprompt:

Create novel classification paths for the following product. Use the format:
Category / Subcategory / Specific Type

Example paths might look like:
Furniture / Living Room Furniture / Coffee Tables
Décor / Decorative Pillows / Throw Pillows

Product: brown wooden coffee table with storage compartment

Geeignet für: Claude Opus 5, GPT-5.6, alle Modelle mit Embedding-Zugang

Ursprung: Doug Turnbull, via Simon Willison (simonwillison.net/2026/Aug/14/dont-classify-hallucinate/)

Warum heute wichtig: Löst ein fundamentales RAG-Problem: Wie klassifiziere ich Content, wenn die Taxonomie größer ist als mein Kontext-Fenster? Besonders relevant für Content-Management-Systeme, E-Commerce-Plattformen und Wissensdatenbanken mit tausenden von Kategorien.

2. Debuzz / Stil-Translation durch Modell-Wechsel

Zusammenfassung: Statt ein Modell zu bitten, seinen eigenen Stil zu korrigieren (was denselben Stil reintroduziert), übergib die Antwort an ein anderes Modell mit expliziten Stil-Regeln.

Erklärung: Claudette (Nobuzz-Projekt) zeigt: Wenn du Claude bittest, „weniger theatralisch" zu schreiben, wird es trotzdem theatraisch darüber schreiben, weniger theatraisch zu sein. Die Lösung ist architektonisch: Claude schreibt seine Antwort in eine Datei, Google's Antigravity CLI (Gemini) übersetzt sie mit einem strikten Prompt, und das Ergebnis wird 1:1 ausgegeben. Der Schlüssel: Das Übersetzungsmodell darf NICHT vom selben Modell stammen wie die Original-Antwort. Drei Zielgruppen-Modi: colleague (technisch, direkt), manager (1/3 Länge, was/warum/was als nächstes), director (3-5 Sätze: Outcome, Impact, Ask).

Beispielprompt:

Rewrite the following text for a technical audience. Rules:
- Remove ALL introductory and concluding sentences
- Remove phrases like "Here's where it gets interesting", "the kicker", "most instructive"
- Keep all technical details, file paths, and code references
- Use direct, declarative sentences
- Maximum 5 sentences
- Do not add any meta-commentary about the rewriting

Text: [ORIGINAL TEXT]

Geeignet für: Gemini + Claude Kombination, oder beliebige Cross-Model-Paare

Ursprung: github.com/adnanakil/nobuzz (Claudette /debuzz Skill), 261↑ HN

Warum heute wichtig: Jedes Coding-Agent-Nutzer kennt das Problem: LLMs reden wie TED-Speaker über ihre eigenen PRs. Diese Technik liefert das gleiche Ergebnis ohne die theatralische Verpackung — und funktioniert besser als Prompting desselben Modells.

3. Experten-Signaling als Prompt-Strategie

Zusammenfassung: Signalisiere dem Modell durch kurze, präzise, fachlich dichte Nachrichten, dass du Experte bist — und es wechselt vom Erklär- in den Kollegen-Modus.

Erklärung: Terence Tao's ChatGPT-Gespräche über die Jacobische Vermutung zeigen ein klares Muster: extrem kurze Nachrichten, keine Punkt-für-Punkt-Antworten, Pushback durch „das sieht komplexer aus als hoped" statt direktem Widerspruch, eigene inhaltliche Sprünge. Aber der entscheidende Faktor ist das Domain-Wissen selbst — Tao kann relevanten Content aus mehrzeiligen Antworten extrahieren, alternative Formulierungen vorschlagen und erkennen, was „komisch aussieht". Für Nicht-Mathematiker übertragbar: Wenn du dein Codebase kennst, kannst du fragen „macht das nicht X schon?", „könnte das simpler sein?", „kann man das in bekannte Begriffe fassen?".

Beispielprompt:

I'm working on {SYSTEM} which uses {TECH_1}, {TECH_2}, and {TECH_3}. 
I already understand {CONCEPT_1} and {CONCEPT_2}. 

Don't explain these. Instead, focus on:
- The specific issue I'm asking about
- Edge cases specific to this stack
- Trade-offs I should consider

Question: {YOUR_QUESTION}

Geeignet für: Claude Opus 5, GPT-5.6 Sol, Qwen 3.8

Ursprung: Sean Goedecke, Analyse von Terence Tao's ChatGPT-Gesprächen (seangoedecke.com/llms-reward-expertise/), 1416↑ HN

Warum heute wichtig: Mit stärkeren Modellen wird der Flaschenhals nicht mehr das Modell, sondern die Fähigkeit des Users, präzise zu kommunizieren, was er will. Domain-Wissen wird zur Superpower im Prompting — nicht weil es bessere Prompts schreibt, sondern weil es bessere Fragen stellt.

🏆 Highlight des Tages

Claudette: Make Claude stop talking like a BuzzFeed article

Das Nobuzz-Projekt liefert den bisher elegantesten Fix für das weitverbreitete Problem der theatralischen LLM-Ausgaben. Statt das Modell zu bitten, sich selbst zu korrigieren (was denselben Buzzfeed-Stil reintroduziert), wird die Antwort an ein anderes Modell (Gemini via Antigravity CLI) übergeben mit einem strikten Stil-Prompt.

Installations-Prompt für Claude Code Skills:

git clone https://github.com/adnanakil/nobuzz
mkdir -p ~/.claude/skills
cp -r nobuzz/debuzz ~/.claude/skills/

Danach in Claude Code einfach /debuzz eingeben, und die letzte Antwort wird im Colleague-Modus übersetzt. Funktioniert auch mit /debuzz manager oder /debuzz director für kürzere Zusammenfassungen. Das Projekt hat 261↑ auf HN und löst ein Problem, das jeden betrifft, der Coding Agents täglich nutzt.

Quelle: https://github.com/adnanakil/nobuzz/blob/main/README.md | 261↑ HN

📰 Erlesene Artikel & Ressourcen

Bericht erstellt am 22. August 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs