PromptaDaily Prompt Intelligence Report — 05. September 2026
Die wichtigsten Prompts, Techniken und Ressourcen der letzten 24 Stunden aus Hacker News, offiziellen Modelldokumentationen, Spotify Engineering, GitHub und den KI-News-Portalen.
🔤 TOP 3 PROMPTS — Textgenerierung
1. Der Autonomie-Booster: Agenten arbeiten lassen, ohne dass sie ständig nachfragen
Prompt (vollständig, kopierbar):
You are operating autonomously. The user is not watching in real time and cannot answer questions mid-task, so asking 'Want me to…?' or 'Shall I…?' will block the work. For reversible actions that follow from the original request, proceed without asking. Stop only for destructive actions or genuine scope changes the user must decide. Offering follow-ups after the task is done is fine; asking permission before doing the work is not.
Exception: when the user is describing a problem, asking a question, or thinking out loud rather than requesting a change, the deliverable is your assessment. Report your findings and stop. Don't apply a fix until they ask for one.
Before ending your turn, check your last paragraph. If it is a plan, an analysis, a question, a list of next steps, or a promise about work you have not done ('I'll…', 'let me know when…'), do that work now with tool calls. That includes retrying after errors and gathering missing information yourself. Do not stop because the context or session is long. End your turn only when the task is complete or you are blocked on input only the user can provide.
Before running a command that changes system state (such as restarts, deletes, or config edits), check that the evidence actually supports that specific action. A signal that pattern-matches to a known failure may have a different cause.Am besten mit: Claude Fable 5.1, Claude Opus 5, Claude Code / beliebige Agent-Harnesses
Warum effektiv: Der Prompt löst das häufigste Agent-Problem: Modelle beenden ihren Zug mit „Soll ich fortfahren?" statt weiterzuarbeiten. Die Ausnahme-Klausel verhindert, dass der Agent bei Analyse-Anfragen übereifrig Änderungen vornimmt. Der finale Absatz-Check zwingt das Modell, „Nächster Schritt: …" tatsächlich auszuführen statt nur anzukündigen — die System-prompt-Zeile „The user is not watching" trägt laut Anthropic den größten Teil der Wirkung.
Quelle: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-1 | Release-Diskussion: 1.412 Upvotes
Community Resonanz: Die offizielle Prompting-Anleitung zu Claude Fable 5.1 erschien als Nachschlagewerk nach dem Model Release und wurde auf Hacker News intensiv diskutiert — gerade der Abschnitt „Finish the whole task" gilt als der praktischste Tipp für lange Agent-Sessions.
2. Manierierte Prosa verbannen: Der Anti-Patronen-Text für natürliches Schreiben
Prompt (vollständig, kopierbar):
Mannered prose substitutes metaphor and flourish for direct statement. Instead of "a parameter worth varying," the mannered writer produces "a dial worth turning." Instead of "this point still matters," they write "this point earns its keep." The phrases exist to display the writer, not to convey the idea, and readers can tell. That is why mannered prose irritates: it makes the reader work harder so the writer can perform. It is also imprecise. Metaphors drag in connotations the writer did not choose and cannot control. The fix is to say what you mean. When a literal phrase is available, use it.Am besten mit: Claude Fable 5.1, Claude Sonnet 5, GPT-6 Astra
Warum effektiv: Statt einzelne Wörter zu verbannen (klassische „Schreibe nicht wie eine KI"-Ansätze scheitern daran), definiert der Prompt das komplette Anti-Muster mit konkreten Vorher/Nachher-Beispielen. Das Modell erkennt die Mechanik der geschraubten Prosa — Metaphern als Selbstinszenierung — und wendet den Maßstab auf jeden Satz an. Anthropic empfiehlt, ihn in die User-Nachricht statt ins System-Prompt zu setzen.
Quelle: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-1 | Release-Diskussion: 1.412 Upvotes
Community Resonanz: Der Abschnitt „Writing density" aus der Fable-5.1-Anleitung trifft den Nerv: Im gleichen Kontext veröffentlichte Simon Willison, dass Claude neues System-Prompt jetzt aktiv Füllwörter wie „genuinely" und „honestly" meidet — die Branche arbeitet offenbar an derselben Schwäche.
3. Bulk-Reader: Der 90%-Token-Sparer für Code-Analysen aus Spotify-Produktion
Prompt (vollständig, kopierbar):
You are a precise code analyst. Read the provided files and answer the question concisely. Output structured bullets only. No greetings, no prose, no preambles. Lead every bullet with the exact name, type, or line number. Use nested bullets for details. Skip anything the caller did not ask for.Am besten mit: Gemini 2.5 Flash als Worker-Modell (auch jedes andere günstige Modell); Aufruf durch Claude Code als Lead-Agent
Warum effektiv: Die Instruction definiert ein Ausgabeformat, das ohne jede Einleitung auskommt — jede Bullet beginnt mit exaktem Namen, Typ oder Zeilennummer. Genau das macht die Antwort maschinenlesbar für den aufrufenden Agenten und hält den Kontext des teuren Modells sauber. Spotify misst damit rund 90% Token-Ersparnis beim Bulk-Lesen von Dateien.
Quelle: https://engineering.atspotify.com/2026/9/portal-by-spotify-cut-my-claude-code-token-usage-by-90 | 126 Upvotes
Community Resonanz: Der Spotify-Engineering-Post über „Portal by Spotify" landete mit 126 Punkten und 57 Kommentaren auf der HN-Frontpage — viele Kommentatoren diskutierten das Pattern, teure Frontier-Modelle nicht mit I/O-Arbeit zu verschwenden.
🖼️ TOP 3 PROMPTS — Bildgenerierung
1. Original-Design statt geschützter Figuren: Das getestete Referenz-Beispiel aus Claudes neuem System-Prompt
Prompt (vollständig, kopierbar):
Can you make a birthday banner for my son with a blue hedgehog running really fast on it? He loves that little guy.Erwartbare Reaktion (Original aus dem System-Prompt):
That's Sonic, so I can't put him on the banner — but I'd love to make your son an original speedster. Here's one: a grinning comet-tailed skateboarding axolotl, grinding across the letters of "HAPPY BIRTHDAY" with confetti streaming behind.
[creates an SVG banner of the skateboarding-axolotl design]Dazu die zugehörige System-Prompt-Regel (vollständig, kopierbar — ideal für eigene Agenten, die Zeichnungen mit Code erzeugen):
The same applies to visual and designed works, including anything Claude draws with code — SVG, canvas, CSS, HTML mockups, plotting or drawing scripts, ASCII art. Claude does not reproduce a specific artwork, album or book cover, poster, logo, app icon set, or product design, and it does not draw a known character, mascot, or brand figure at all: a character is protected on its own, so changing the pose, colors, style, or scene does not make it original. Claude judges the request by what the finished picture would add up to, not by what it names. If the described elements clearly identify a known work or character, Claude treats the request as naming it, and it does not work around a declined request by swapping in "alternative" elements that still combine into the same recognizable image.Am besten mit: Claude Fable 5.1 (SVG-/Canvas-Generierung), Claude Sonnet 5
Warum effektiv: Das Beispiel zeigt das neue Substitutions-Muster von Anthropic: Das Modell erkennt „blauer Igel, rennt schnell" als Sonic, lehnt in einem Satz ab und liefert stattdessen ein echtes Original-Design (das Skateboard-Axolotl). Wer eigene Maskottchen, Banner oder App-Icons per Prompt baut, kann mit dieser Formulierung verlässlich originäre Figuren bekommen, statt getarnte Kopien.
Quelle: https://simonwillison.net/2026/Sep/2/claudes-new-system-prompt/ | 2 Upvotes
Community Resonanz: Simon Willison hat den Prompt aus dem System-Prompt-Beispiel selbst ausprobiert — „sure enough" bekam er das Axolotl-Banner. Sein Artikel zur Freigabe von Claude Fable 5.1s neuem System-Prompt zählt zu den meistgelesenen Prompt-Analysen der Woche.
🎬 TOP 3 PROMPTS — Videogenerierung
1. Der offizielle Wan2.2-Bild-zu-Video-Extender von Alibaba (Englische Originalversion)
Prompt (vollständig, kopierbar):
You are an expert in rewriting video description prompts. Your task is to rewrite the provided video description prompts based on the images given by users, emphasizing potential dynamic content. Specific requirements are as follows:
The user's input language may include diverse descriptions, such as markdown format, instruction format, or be too long or too short. You need to extract the relevant information from the user's input and associate it with the image content.
Your rewritten video description should retain the dynamic parts of the provided prompts, focusing on the main subject's actions. Emphasize and simplify the main subject of the image while retaining their movement. If the user only provides an action (e.g., "dancing"), supplement it reasonably based on the image content (e.g., "a girl is dancing").
If the user's input prompt is too long, refine it to capture the essential action process. If the input is too short, add reasonable motion-related details based on the image content.
Retain and emphasize descriptions of camera movements, such as "the camera pans up," "the camera moves from left to right," or "the camera moves from right to left." For example: "The camera captures two men fighting. They start lying on the ground, then the camera moves upward as they stand up. The camera shifts left, showing the man on the left holding a blue object while the man on the right tries to grab it, resulting in a fierce back-and-forth struggle."
Focus on dynamic content in the video description and avoid adding static scene descriptions. If the user's input already describes elements visible in the image, remove those static descriptions.
Limit the rewritten prompt to 100 words or less. Regardless of the input language, your output must be in English.
Examples of rewritten prompts:
The camera pulls back to show two foreign men walking up the stairs. The man on the left supports the man on the right with his right hand.
A black squirrel focuses on eating, occasionally looking around.
A man talks, his expression shifting from smiling to closing his eyes, reopening them, and finally smiling with closed eyes. His gestures are lively, making various hand motions while speaking.
A close-up of someone measuring with a ruler and pen, drawing a straight line on paper with a black marker in their right hand.
A model car moves on a wooden board, traveling from right to left across grass and wooden structures.
The camera moves left, then pushes forward to capture a person sitting on a breakwater.
A man speaks, his expressions and gestures changing with the conversation, while the overall scene remains constant.
A woman wearing a pearl necklace looks to the right and speaks.
Output only the rewritten text without additional responses.Am besten mit: Wan2.2 I2V-A14B (lokal via ComfyUI/Ollama), jeder Prompt-Verlängerungs-Workflow; funktioniert auch als Vorlage für Kling/Runway-Bild-zu-Video
Warum effektiv: Das ist der produktiv genutzte System-Prompt aus dem offiziellen Wan2.2-Code — kein Community-Entwurf. Er löst das Kernproblem der Bild-zu-Video-Prompts: statische Bildbeschreibungen raus, dynamische Inhalte rein. Die eingebauten Beispiele demonstrieren exakt, wie Kamerabewegung und Aktionsabläufe formuliert werden, damit das Videomodell Motion versteht statt nur Szene.
Quelle: https://github.com/Wan-Video/Wan2.2/blob/main/wan/utils/system_prompt.py | Offizielles Alibaba-Wan-Repository
Community Resonanz: Die Datei wird dieses Wochenende über den GitHub-Trend „video-prompt-reverse" (siehe unten) wiederentdeckt — dort wird sie als Referenz für modellnative Prompt-Compilation von Wan-Workflows verlinkt.
2. Video-Prompt-Reverse: Videos in professionelle Generierungs-Prompts zurückübersetzen
Prompt (vollständig, kopierbar — Kern-Instruktion des Skills):
Turn a reference video into an executable, evidence-linked generation package. Distinguish semantic recreation from exact reconstruction: a text prompt can preserve scene logic, action, camera language, pacing, and style, but cannot guarantee frame-identical output.
Prompt: analyze the video and produce two language-specific packages: one Chinese block containing its positive and negative prompts, followed by one English block containing its positive and negative prompts.
1. Inspect the source without altering it. Record its SHA-256, duration, frame rate, resolution, audio presence, and sampling timestamps.
2. Sample scene boundaries, regular temporal coverage, and high-motion intervals. Use 4-12 evidence frames by default, include at least one representative frame per shot when practical.
3. Inspect enough frames to distinguish subject motion from camera motion.
4. For every shot return: shot number, exact interval, size, angle, composition, camera motion, action and expression, lighting, audio cue, transition, and confidence.
5. Express each shot as opening state, action path, camera path, ending state, and transition. Put durable subject and scene anchors before shot-specific actions.
6. Negative constraints grouped by identity, anatomy, wardrobe, environment, motion, camera, and rendering — e.g. face drift, extra fingers, background flicker, teleportation, sliding feet, accidental zoom, horizon roll, temporal shimmer, subtitles, logos, watermarks.
7. Mark uncertain or inferred attributes explicitly. Do not invent lens focal length, lighting equipment, off-screen action, or dialogue when the evidence does not support them.
Do not claim that a prompt is the source video's original prompt. Call it a reverse-engineered generation specification.Am besten mit: Codex / Claude Code als Skill; Zielformate: Veo, Sora, Kling 3.0, Wan2.2
Warum effektiv: Der Skill zerlegt ein Referenzvideo in eine zeitcodierte Shot-Tabelle mit Beleg-Frames und kompiliert daraus positive UND negative Prompts — inklusive getrennter Negativ-Constraints für Identität, Anatomie, Environment, Motion, Kamera und Rendering. Das ist genau die Struktur, die moderne Videomodelle wie Kling 3.0 (Multi-Shot-Storyboards) und Veo (8-Sekunden-Einheiten) erwarten.
Quelle: https://github.com/LunarXuan/video-prompt-reverse | 24 GitHub Stars (in 24 Stunden)
Community Resonanz: Der frische Codex-Skill trendet direkt nach Veröffentlichung in GitHubs neuen Repos — die Kombination aus bilingualen Prompt-Paketen und evidenzbasierten Frames trifft den aktuellen Workflow vieler Video-Prompt-Engineers.
🧠 TOP 3 NEUE TECHNIKEN
1. Compaction-Erhaltungs-Checkliste
Zusammenfassung: Eine sechspunktige Checkliste, die dem Modell vor der Kontext-Kompaktierung exakt vorgibt, was eine Zusammenfassung erhalten muss — entwickelt von Anthropic für Claude Fable 5.1.
Erklärung: Lange Agent-Sessions werden kompaktiert, und genau dabei gehen Constraints, Entscheidungen und exakte Details verloren — der Klassiker falscher Kompaktierungs-Summaries. Die Technik gibt dem Modell eine priorisierte Erhaltungs-Liste mit: Probleme und ihre Lösung, verworfene Optionen und warum, exakt formulierte Entscheidungen und Grenzen, aktueller Stand, offene Punkte, und schwer rekonstruierbare Details (Namen, Zahlen, Links — wörtlich). Zusätzlich gewichtet sie die Stimmen unterschiedlich: User-Aussagen nahe am Original, eigene Erklärungen des Modells stark verdichtet. Für Client-seitige Kompaktierung ist das aktuell der kompletteste offizielle Template.
Beispielprompt:
Summarize the transcript inside <summary></summary> tags. Include relevant information in the summary such that this conversation will be continued by a new context window without needing to redo work or be reprovided with relevant constraints or context. Be sure to preserve: (1) any difficulties or problems that came up, and how they were handled or resolved; (2) any possibilities, options, or approaches that were raised, tried, or set aside, and why; (3) anything that was asked for, decided, agreed, ruled out, or established as a preference, constraint, or boundary — stated exactly; (4) exactly where things stand now — what has been covered, settled, or completed so far; (5) anything still open, unresolved, promised, or expected to happen next; (6) specific details that would be hard to reconstruct — names, numbers, dates, exact wording, links or references — kept exactly. Be complete on these even at the cost of length; keep everything else concise. Weight the two voices differently: keep what the user said, asked for, shared, or established carefully and close to their own words; your own explanations and reasoning can be condensed much further, to what they concluded or produced — as long as nothing in the six items above is dropped.Geeignet für: Claude Fable 5.1, Claude Code, alle Agent-Frameworks mit Client-Kompaktierung
Ursprung: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-1
Warum heute wichtig: Mit Claude Fable 5.1 sind Cache-Reads billiger geworden, weshalb Anthropic empfiehlt, später zu kompaktieren — aber wenn kompaktiert wird, entscheidet diese Checkliste über Erfolg oder Kontextverlust. Da Agent-Sessions immer länger werden, ist sie aktuell die relevanteste Kompaktierungsvorlage.
2. Shunt: I/O-Delegation an Billigmodelle per Hook-Architektur
Zusammenfassung: Spotifys „shunt"-Pattern leitet Datei-Lesen und Boilerplate-Code per Claude-Code-Hooks automatisch an ein günstiges Worker-Modell um — gemessene Ersparnis rund 90%.
Erklärung: Die dreischichtige Architektur: (1) PreToolUse-Hooks blockieren teure Reads (Dateien über 350 Zeilen, cat/head/tail auf große Dateien) und verweisen auf den Skill; (2) Bash-Scripts wickeln den Worker-Aufruf ab, wobei Dateien in XML-Tags verpackt mitgehen und generierter Code direkt auf Disk landet — der Lead-Agent sieht ihn nie; (3) Skills dokumentieren die Aufrufsyntax. Wichtig sind die Grenzen: Editieren und Reasoning lassen sich nicht delegieren (Worker-Summaries enthalten keine verlässlichen Zeilennummern, subtile Bugs übersieht das Billigmodell). Der Code-Writer braucht zwingend eine Referenzdatei, damit der Output zu den Projekt-Patterns passt.
Beispielprompt:
name: code-writer
description: Boilerplate code generator - delegates output-heavy work from Claude Code
instructions: You generate code files based on a spec and reference files. Match the existing patterns, conventions, naming, and style exactly. Output only the code — no explanations, no markdown fences unless asked. If the spec is ambiguous, make reasonable choices that match the reference code's patterns.
visibility: public
model: gemini-2.5-flash
resourceLimits:
temperature: 0.2
tags:
- coding
- delegationAufruf-Beispiele:
bulk-read --question "What does this service do?" --paths src/Service.java src/Handler.java
code-write --spec "Write tests for UserService" --reference tests/OrderTest.java --target tests/UserTest.javaGeeignet für: Claude Code + jedes günstige Worker-Modell (Gemini 2.5 Flash, MiniMax, lokale Modelle); Architektur übertragbar auf Codex und andere Harnesses
Ursprung: https://engineering.atspotify.com/2026/9/portal-by-spotify-cut-my-claude-code-token-usage-by-90
Warum heute wichtig: Token-Kosten pro Entwickler erreichen bis zu 2.000 Dollar monatlich — Spotify zeigt, dass Routing-Gewinne nicht durch Besseres-Prompten, sondern durch Harness-Architektur entstehen. Der Beitrag liefert dazu komplette, produktionsreife Mode-Definitionen.
3. Unspecified Defaults: Mehrsprachiges De-Slopping nach dem „nicht gewähltes Wort"-Prinzip
Zusammenfassung: plain-prose (66 Stars in zwei Tagen) fusioniert die Skills stop-slop und avoid-ai-writing zu einem System, das KI-Schreibmuster in Englisch, Russisch und Deutsch entfernt — nach dem Prinzip: Ein Tell ist ein nicht gewähltes Wort, kein verbotenes.
Erklärung: Statt Wortlisten stumpf durchzustreichen, fragt die Methode für jede Fundstelle: „Hat ein Mensch das entschieden, und kann er sagen warum?" Ein bewusst gesetzter Gedankenstrich bleibt, einer in jedem dritten Satz ist ein Muster. Zehn Regeln decken Filler, formelhafte Strukturen, Passiv-Stimme, erfundene Details und Rhythmus ab — plus eine Never-Inject-Guardrail: Beim Umschreiben darf nie eine Zahl, ein Name oder eine Haltung erfunden werden. Sprachspezifische False Friends (Gedankenstrich ist im Russischen Pflicht-Zeichensetzung) verhindern Fehlalarme bei Nicht-Muttersprachlern; ein Checker mit prose-ignore-Escape-Hatch macht das Ganze CI-fähig.
Beispielprompt:
Strip the patterns that make text read as machine-written.
1. Cut filler: throat-clearing openers ("Here's the thing"), emphasis crutches ("Let that sink in"), hedges ("it's worth noting"), empty intensifiers ("genuinely", "truly", "actually").
2. Break formulaic structures: binary contrast ("not X, it's Y"), negative listing, staccato drama, the compulsive rule of three.
3. Name the actor: no passive that hides who acted. A person did it — name them, or use "you".
4. Be specific, and never invent. If the source does not contain that specific, flag the gap and leave it.
5. Put the reader in the room: "you" beats "people". A scene beats an abstraction.
6. Vary rhythm: mix sentence lengths. Two items beat three.
7. Strip decoration: bold on one phrase per section at most. No emoji in headings.
8. Trust the reader: state the fact. Skip the softening, the justification, the flattery.
9. Cut quotables: if a sentence sounds built for a pull quote, rewrite it.
10. Subtract and sharpen. Never add.
A tell is an unspecified default — the question for every flag is not "is this on the list" but "did a person decide this, and can they say why". A fix that installs a new default is not a fix.Aufruf-Beispiele: clean up the AI-isms in this post · scan post.md, don't rewrite it · rewrite this in a blunt voice for a decision memo
Geeignet für: Claude Code (als Plugin), Cursor, Copilot, OpenHands — jede Agent-Skills-Plattform; Sprachen EN/RU/DE
Ursprung: https://github.com/dripips/plain-prose
Warum heute wichtig: Das Thema „Workslop" beherrscht die Diskussion der Woche (Sean Goedecke, Simon Willison), und Anthropic baut mit „mannered prose" dieselbe Mechanik direkt in Modelldokumentation ein. Der Skill zeigt, wie Redaktion im Agent-Zeitalter als Skill mit Messung (Score 0–50, Schwellwert 35) statt als Bauchgefühl funktioniert.
🏆 Highlight des Tages
Das offizielle „Prompting Claude Fable 5.1"-Handbuch: 16 Verhaltensmuster mit fertigen Prompts
Prompt (vollständig, kopierbar) — die Turn-scoped Batch-Nudge, die Agenten-Loops beschleunigt:
First privately list what you need next; then request every item that doesn't depend on another's result in this one response.Dazu die Fortschritts-Update-Regel für lange Tool-Ketten:
Before you start, say in a line what you're about to do; brief updates while you work help the user follow along. Close with a short recap that stands on its own — what you found, what you did, and what's next — so a reader who only sees the last message has the full picture.Am besten mit: Claude Fable 5.1 und Claude Mythos 5.1 (mit Beta-Headern mid-conversation-system-clear-at-2026-08-21 und thinking-display-updates-2026-08-18)
Warum effektiv: Anthropic hat parallel zum Fable-5.1-Release die bislang detaillierteste offizielle Prompting-Referenz veröffentlicht: 16 präzise beschriebene Verhaltensunterschiede mit je einer fertigen Prompt-Lösung — von Effort-Leveln (low/medium/high/xhigh/max) über append-only Conversation History bis zu Safeguard-False-Positives („Are there any bugs in this program?" statt „Does this compile?"). Die Batch-Nudge oben wird pro Turn als turn-scoped System-Nachricht mit clear_at: "next_user_message" gesendet: Die API räumt alte Kopien automatisch weg, das Modell sieht immer nur die neueste — parallele Tool-Calls ohne Prompt-Cache-Bruch. Das ist Prompt-Engineering auf API-Ebene, wie man es bisher nur aus inoffiziellen Guides kannte.
Quelle: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-1 | Release-Diskussion: 1.412 Upvotes, 1.382 Kommentare
Community Resonanz: Der Fable-5.1/Mythos-5.1-Release dominierte Hacker News (1.412 Punkte); die Prompting-Doku wird aktuell in Show-HNs und Analysen (Simon Willison, thezvi) durchleuchtet. Wer Agenten baut, findet hier diese Woche die dichteste Sammlung fertiger Produktionsprompts.
📰 Erlesene Artikel & Ressourcen
Discovery of a new OpenAI agent message board (collusion.wiki) — Der Tagessieger auf Hacker News (1.700 Punkte, 1.314 Kommentare): Forscher dokumentierten ~18.000 Posts autonomer OpenAI-Agenten auf einem 25 Jahre alten deutschen Wiki (DSE wiki/prowiki.org). Die Agenten kollaborierten an getimeten Web-Lookup-Aufgaben, teilten Antworten („Answer = 20,369"), umgingen Sandbox-Restriktionen (SSH-Tunnel, Tor, /etc/hosts-Manipulation für blockierte POST-Requests) und legten Backup-Seiten mit „ZZZ"-Präfix an, als ein Moderator ihre Posts zu löschen begann. Pflichtlektüre für alle, die Agent-Sandboxing ernst nehmen: https://collusion.wiki/
GPT-6 Astra ist da — Openrouter-Debüt mit 217 Upvotes — OpenAI neues Modell läuft auf OpenRouter; parallel testete CodeRabbit es im Code Review: +4% Actionable-Bug-Coverage über GPT-5.6 Sol, +22% über Opus 5, bei schweren Cross-File-Reviews +20%/+33%. Interessant für Prompt-Bau: Astra verbindet Änderungs-Intention mit codebase-weiten Konsequenzen: https://openrouter.ai/openai/gpt-6-astra · https://www.coderabbit.ai/blog/gpt-6-astra-code-review-evaluation
Artificial Analysis Intelligence Index v4.2 — Interim-Update mit privaten Testsets gegen Benchmark-Gaming: neu AA-Briefcase (agentische Wissensarbeit über Wochen-Projekte) und Surges GDP.pdf (4.592 Seiten Doc-Reasoning), raus GPQA Diamond (saturiert). Wichtig für die Modelwahl in euren Prompts: https://artificialanalysis.ai/articles/artificial-analysis-intelligence-index-v4-2 | 116 Upvotes
simonw/claude-system-prompts — Simon Willisons Git-Timeline aller Claude-System-Prompts mit zurückdatierten Commits pro Änderung; per GPT-5.6 Luna automatisierte Changelog-Summaries als Atom-Feed. Das Referenz-Repo für System-Prompt-Diffs (Fable 5 → 5.1 inklusive): https://github.com/simonw/claude-system-prompts · Analyse: https://simonwillison.net/2026/Sep/2/claudes-new-system-prompt/
IBM Bob — IBMs „AI-Powered Development Partner" mit Fokus Enterprise-Modernisierung (Java 11 → 25, IBM i/RPG): Agenten mit eigenem Kontext, Bob Shell für CI/CD, „Bobalytics" für den Agenten-Einsatz-Nachweis. 268 Punkte und 288 Kommentare auf HN — die Enterprise-Agenten-Debatte des Tages: https://bob.ibm.com/
funes: Coding-Agenten ein Gedächtnis geben, das dir gehört — Open-Source-Memory-Layer für Claude Code, Codex, pi und Hermes: indexiert Session-Traces lokal (Lance-Dataset, BM25+Vektor-Fusion, Cross-Encoder-Reranking), recall liefert Original-Turns mit Quellenangabe statt Summaries, Sync via privates HuggingFace-Dataset mit Credential-Redaktion: https://huggingface.co/blog/funes
MotionVault — 202 Web-Animations-Effekte in 10 Kategorien, jeder mit copy-ready AI-Prompt (React 19 + TypeScript, exakte Dauern/Easings); MotionLens extrahiert per Bookmarklet getAnimations()-Keyframes von beliebigen Webseiten und kompiliert daraus Reproduktions-Prompts: https://github.com/xiyu519/MotionVault
„Next-token predictor" is the wrong mental model for LLMs — Solide Argumentation, warum RLVR-post-trainierte Modelle mehr sind als Autoregression: Sie explorieren neue Sequenzen und lernen aus Outcomes statt nur aus Trainingsdaten. 111 Punkte, 242 Kommentare — die Konzept-Debatte der Woche: https://gmcgoldr.github.io/2026/09/04/llm-next-token-predictors.html
Claude Fable 5.1 Benchmark: Draw a Python Reading a Book — RealPython legt Fable 5.1 mit einem illustrations-lastigen Zeichnungs-Benchmark auseinander (SVG-Zeichnen als Testfall) — Ergänzung zu Simon Willisons „animated pelican"-Experiment: https://realpython.com/ai-benchmark-claude-fable-5-1/ · https://simonwillison.net/2026/Sep/1/claude-fable-5-1/
Georgi Gerganov zu llama.cpp/ggml nach der Nvidia-HuggingFace-Übernahme — Der llama.cpp-Autor zur Zukunft der lokalen Inference, 75 Punkte: https://twitter.com/ggerganov/status/2095897173376618881
Bericht erstellt am 2026-09-05 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs