PromptaDaily Prompt Intelligence Report — 6. September 2026
Die wichtigsten Prompts, Techniken und Ressourcen der letzten 24 Stunden, kuratiert für prompta.ch — recherchiert über Hacker News, GitHub Trending, offizielle Modelldokumentation und AI-Portale.
🔤 TOP 3 PROMPTS — Textgenerierung
1. PRAETOR v7.1 — Der Privacy-First-CV-Analyst
Prompt (vollständig, kopierbar — Kernauszug; Vollversion 776 Zeilen im Repo):
# 🛡️ PRAETOR v7.1
Personal CV–Job Description Alignment Analysis — Educational Use Only
DOCUMENT ALIGNMENT, NOT PERSON EVALUATION
PURPOSE AND SCOPE
PRAETOR is a personal, educational tool that helps an individual reflect on how
their own CV textually aligns with one specific Job Description (JD).
PRAETOR is NOT a hiring, screening, ranking, filtering, comparison, or
employment decision-support system.
PRAETOR analyzes a DOCUMENT. It does not evaluate a PERSON.
The output describes the apparent relationship between one CV document and one JD.
It does not predict employment outcomes.
1. CRITICAL ETHICAL BOUNDARIES
1.1 PERSONAL USE ONLY
PRAETOR may only be used by an individual analyzing their own CV against a JD
they are personally considering.
Requests to analyze another person's CV, including an employee, applicant,
candidate, client, colleague, or other third party, must be declined.
1.2 DECISION BOUNDARY
PRAETOR must refuse requests to:
rank multiple candidates
compare candidates for hiring purposes
select a preferred candidate
recommend who should be hired
identify the "best" candidate
recommend rejection
predict who will perform best
estimate probability of employment
convert PRAETOR scores into hiring recommendations
make, justify, or support employment decisions
1.3 PERSON-LEVEL LANGUAGE BOUNDARY
PRAETOR must not characterize the PERSON as:
good or bad
strong or weak
suitable or unsuitable
hireable or unemployable
Permitted language must describe the DOCUMENT-to-JD relationship, for example:
high textual alignment
moderate overlap
limited skill coverage
strong keyword visibility
limited evidence coverage
1.4 ANTI-BIAS SAFEGUARDS
PRAETOR must never reduce the alignment score because of:
employment gaps
maternity or paternity leave
health-related absences
caregiving responsibilities
non-linear career paths
career transitions
retraining or education periods
These circumstances are not intrinsic weaknesses or negative signals.
2. INPUT AND ERROR HANDLING
2.1 GREETING HANDLER
If the input is only a greeting and contains no CV data:
Output:
👋 PRAETOR v7.1 Ready.
⚠️ PRIVACY STOP: Before sharing your CV, redact unnecessary personal
information such as name, phone, email, address, photographs, and
identification numbers.
Provide your Redacted CV and the Job Description when ready.
Then stop.
3. METHODOLOGY — SCORING (0–100)
Hard Skills Coverage: 40 points
Experience Relevance: 30 points
Evidence / Impact: 20 points
Keyword Visibility / ATS: 10 points
The score measures document-to-JD alignment only. It is NOT a score of the
person and NOT a hiring recommendation.Am besten mit: ChatGPT, Claude, Gemini, Grok, DeepSeek — jedes LLM, in einen neuen Chat einfügen und mit gegreegtem (redigiertem) CV + Stellenbeschreibung füttern.
Warum effektiv: Der Prompt erzwingt eine klare Rollentrennung: Das Modell bewertet das Dokument, nie die Person — mit Anti-Bias-Regeln, PII-Schutz, Prompt-Injection-Defense und einem Heuristik-Score (40/30/20/10 Punkte). Eingebaute Fehlerbehandlung (Begrüßung, zu kurzes CV, fehlende JD) macht ihn robust gegen realistische Nutzereingaben.
Quelle: https://github.com/simonesan-afk/CV-Praetorian-Guard | 2 Upvotes (HN Show)
Community Resonanz: Gestern auf Hacker News vorgestellt und als Show HN gelistet; auf GitHub als „Privacy-first open-source system prompt" positioniert — die strikte Ablehnungslogik gegen Hiring-Missbrauch ist das diskutierte Alleinstellungsmerkmal.
2. Der Autonomie-Block — Anthropic-Blaupause für eigenständige Agenten
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 / Opus 5 / Sonnet 5 (als System-Prompt-Zusatz), funktioniert aber mit jedem Agenten-LLM.
Warum effektiv: Das ist kein Community-Tipp, sondern der offizielle Baustein aus Anthropic's Prompting-Dokumentation für Claude Fable 5.1. Er löst das häufigste Agenten-Ärgernis: Models, die mitten im Task mit „Shall I…?" anhalten. Der letzte Absatz („check your last paragraph") ist ein eleganter Self-Check gegen Ankündigungen statt Ausführung.
Quelle: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-1 | Offizielle Anthropic-Dokumentation (als .md abrufbar)
Community Resonanz: Die gestern bzw. Anfang September auf HN diskutierte Fable-5.1-Prompting-Guide wird community-seitig massiv verarbeitet — das Plugin „oh-my-fable" (50★ auf GitHub) automatisiert genau diese Regeln für Claude Code.
3. Der Adversariale Intern-Reviewer — Kritik statt „Looks good to me"
Prompt (vollständig, kopierbar):
Critically review the solution to the problem suggested by our intern. Be critical: review it, verify it against the code, and suggest changes to the solution if it is not good enough. Do not over-engineer.Aufruf-Kontext (mit Context-File statt Chat-History): Der zu überprüfende Vorschlag wird als eigenständige Datei übergeben — Problem, wörtliche Fehlermeldungen, path:line-Verweise, Constraints, bereits ausgeschlossene Ansätze, der Lösungsvorschlag und die eigenen Zweifel. Kein Gesprächsverlauf sickert durch. Drei Reviewer mit verschiedenen Linsen: Korrektheit & Root Cause / Edge Cases & Blast Radius / Einfachheit & Over-Engineering.
Am besten mit: Claude Fable 5.1 als Reviewer-Subagent, starker Lead-Agent (Opus 5) als Filter, der jeden Befund am Code verifiziert.
Warum effektiv: Der Prompt framingt den Lead-Agenten als „Intern" — das senkt die Hemmschwelle für fundamentale Kritik und verhindert Höflichkeits-Bias. Die drei Wörter „Do not over-engineer" begrenzen den klassischen Reviewer-Drift zu Refactoring-Orgien. Falsche Befunde werden mit Begründung verworfen statt blind eingebaut.
Quelle: https://github.com/alpbahadur/interns-review-plugin | 12 Upvotes (HN Show)
Community Resonanz: Als Claude-Code-Plugin gestern veröffentlicht; das Repo betont „1–3 independent reviewers tear the idea apart" — die Community diskutiert es als praktikablen Weg, Multi-Model-Reviews ohne teure Orchestrierung zu fahren.
🖼️ TOP 3 PROMPTS — Bildgenerierung
1. XXD Panel 116 — Foto wird zum Pastel-Crayon-Designposter
Prompt (vollständig, kopierbar):
Turn each photograph I upload into a separate premium design poster. Do not combine multiple images; output every photograph independently. Use an overall 3:4 portrait composition with two horizontal regions in a strict 1:1 height ratio, each occupying 50% of the canvas.
Keep the original photograph in the upper half, preserving the subject's identity, structure, pose, authentic texture, natural light and shadow, and original colour atmosphere. Apply only subtle, sophisticated colour grading so it has the visual quality of an art magazine, independent publication, and exhibition image. To fit the format, the surrounding environment may be extended naturally, but the subject must not be stretched, distorted, or altered.
In the lower half, first understand the source photograph's most memorable core theme, subject relationships, structural movement, emotion, and visual metaphor, then reconstruct it as a pastel-crayon doodle illustration on a vintage paper texture. Do not copy objects one by one or redraw every detail in full. Keep only the outlines, poses, directions, and visual memory points that best represent the source, then simplify, summarise, slightly exaggerate, and recombine them so the correspondence with the photograph above is immediately felt.
Build the subject with coarse-grain chalk / crayon-style hand-drawn contours: slightly thick, relaxed, dry lines with powdery grain, broken fading, slight wobble, and edges that do not always close completely; the tips of the strokes are naturally blunt. Inside the subject, add only a very small amount of pastel colour blocks, simple grids, stripes, dots, or casual scribbles—use the fewest possible signals of structure, with no realistic volume or complete detail.
Maintain the relationship between a small, stamp-like subject and abundant whitespace. Place it freely according to its own direction, proportion, and visual centre of gravity; it may be off-centre, touch an edge, float, or be partially cropped. Whitespace itself is a primary compositional element: use empty versus solid, gathered versus dispersed, scale contrast, and asymmetry to create breath, distance, and pauses. Draw less rather than fill the frame.
The background must use an extremely pale, bright, clean paper ground, such as cream white, ivory white, light beige-white, pale apricot-white, very light grey-white, or a near-white paper colour intelligently matched to the source's combined temperature. The background value must be clearly lighter than the subject contours and colour blocks, ensuring every crayon outline, small symbol, and word remains legible and never melts into the background.
Extract 2–4 colours that are most vivid, approachable, and representative of the image's spirit from the upper photograph and remix them into bright, soft pastel-crayon colours. Fresh tones may naturally include peach pink, apricot orange, creamy yellow, mint cyan, sky blue, or pale violet. Keep the overall relationship as pale ground + clear coloured lines + a few soft colour blocks: bright, comforting, relaxed, and full of everyday life. Avoid gloomy, dirty brown, dull Morandi, low-contrast, fluorescent, or cheap candy colour.
Introduce only a small amount of text and do not restrict the language. Freely distil short phrases or text fragments from the subject, action, emotion, memory, or metaphor. Use light, airy type with slight uneven letter spacing and the old mechanical-print errors of vintage typewriting, in a clear but non-glaring grey-brown, soft black, deep blue-grey, or a dark colour echoing the subject. Scatter the text naturally in the whitespace to form an image-text composition with the subject and doodles; do not impose a fixed title template.
The overall result should be a refined, comforting visual language made from an extremely pale paper ground, coarse-grain crayon contours, sparse pastel fills, minimal doodle symbols, a small-scale subject, and abundant artistic whitespace. Avoid dark kraft paper, dark brown backgrounds, low-contrast lines, subject and background melting together, fine polished outlines, realistic redraws, complex small icons, filled backgrounds, smooth vectors, 3D effects, and commercial-template styling.Am besten mit: Nano Banana / Gemini-Bildmodelle, Seedream, Flux — Bild-zu-Bild mit Referenzfoto (Modi: top-bottom, left-right, design-only; Größen 3:4, 16:9 etc.)
Warum effektiv: Der Prompt definiert nicht nur einen Stil, sondern eine komplette Design-Methode: 50:50-Layout, Farbextraktion aus dem Originalfoto (2–4 Farben), Weißraum als aktives Gestaltungselement und eine explizite Negativliste („avoid dark kraft paper… smooth vectors, 3D effects"). Diese Ausschluss-Logik hält den Stil über ganze Foto-Serien stabil.
Quelle: https://github.com/nevertoday/xxd-panel-116 | 14★ GitHub (Original-Prompt in 5 Sprachen)
Community Resonanz: Das Repo liefert acht Beispiel-Artworks plus Batch-Verarbeitung ganzer Ordner — als „Skill" für Codex/Claude nutzbar. Positive Resonanz auf die strikte 50:50-Kompositionsdisziplin.
2. Editorial-Portrait mit fotomechanischer Optik (Imagen 3, 85mm f/1.4)
Prompt (vollständig, kopierbar):
An editorial photographic portrait of an experienced neurosurgeon resting after a 12-hour surgical procedure, captured on Imagen 3.
Framing & Lens: Intimate medium close-up shot using an 85mm f/1.4 prime lens. Extremely shallow depth of field, with surgical masks and sterile surgical lights softly blurred in the background bokeh.
Lighting: Rembrandt lighting setup, soft directional key light from a hospital corridor window illuminating one side of the face, casting deep, detailed shadows on the other.
Texture & Anatomy: Highly detailed skin pores, subtle beads of perspiration on the forehead, visible fabric weave of the turquoise surgical scrubs, authentic subsurface scattering on facial tissue.
Color & Grain: Kodachrome 64 film aesthetic, muted hospital color palette, authentic fine analog grain, zero artificial skin smoothing or plasticky artifacts.Am besten mit: Google Imagen 3 / Imagen 3 Fast (auch stark in Seedream und Flux)
Warum effektiv: Statt vager Stilwörter nutzt der Prompt strikte photomechanische Terminologie — Brennweite, Blende, Rembrandt-Setup, Subsurface Scattering, Kodachrome-64-Korn. Genau diese Kamera-Sprache trennt professionelle Prompts von „beautiful portrait, high quality"-Einzeilern; die Negativ-Anweisung „zero artificial skin smoothing" verhindert die typische Plastik-Haut.
Quelle: https://github.com/dubzeb/awesome-gemini-spark-prompts | 10★ GitHub (15 Master-Prompts, Sammlung mit 580+ Prompts)
Community Resonanz: Teil einer neu veröffentlichten, mehrsprachigen Master-Sammlung; die Community schätzt die reproduzierbare Optik-Formel (Objektiv + Lichtschema + Film-Emulation).
3. Typografie-Einbettung in physische Materialien (Imagen 3 Text Rendering)
Prompt (vollständig, kopierbar):
A professional commercial product photograph of a luxury matte black mechanical watch sitting on a slab of rough black slate rock.
Typography Constraints: The brand name "DUBZEB" is crisply engraved in bold geometric sans-serif capital letters into the brushed titanium bezel of the watch, with white enamel inlay. The dial clearly displays the sub-dial text "CHRONOMETER - 300M" with perfect kerning and zero character distortion.
Lighting: High-contrast commercial studio rim lighting carving the edge of the watch case, soft lateral fill light highlighting the texture of the slate stone.
Depth of Field: Clean commercial product focus, sharp across the entire dial face.Am besten mit: Google Imagen 3 / Imagen 3 Fast — das aktuell stärkste Text-Rendering im Bild
Warum effektiv: Text im Bild ist die härteste Probe für Bildmodelle — dieser Prompt löst es über „physische Einbettung": Die Schrift wird nicht aufs Bild gelegt, sondern als Gravur mit Emaille-Einlage ins Material geschrieben. „Perfect kerning and zero character distortion" ist die entscheidende Qualitätsklausel. Austauschbar für beliebige Produktkategorien (Lederprägung, Lasergratung, Webetikett).
Quelle: https://github.com/dubzeb/awesome-gemini-spark-prompts | 10★ GitHub
Community Resonanz: Aus der Sektion „Image Generation & Art Direction" der Sammlung — die Materialeinbettungs-Technik wird als zuverlässigster Trick für lesbare Typografie gehandelt.
🎬 TOP 3 PROMPTS — Videogenerierung
1. Tiefsee-U-Boot mit synchronem diegetischem Audio (Veo 3.1)
Prompt (vollständig, kopierbar):
Cinematic wide establishing tracking shot with Google Veo 3.1: An autonomous deep-sea exploration submersible descending into a bioluminescent oceanic trench.
Camera Movement: Slow forward dolly with a subtle downward tilt, maintaining fluid hydrodynamic resistance.
Lighting: High-contrast ambient darkness punctured by twin ultra-bright xenon headlights illuminating floating marine snow and undulating cyan coral structures.
Materials: Weathered brushed titanium hull with oxidized rivets reflecting underwater caustics.
Synchronized Audio: Deep low-frequency engine drone, distant hydraulic whines as mechanical arms adjust, bubbling displacement of water, and external metallic creaks reacting to extreme hydrostatic pressure.Am besten mit: Google Veo 3.1 (natives Audio-Rendering), adaptierbar an Kling 2.x
Warum effektiv: Veo 3.1 generiert Ton synchron zum Bild — dieser Prompt nutzt das konsequent: Der komplette „Synchronized Audio"-Block definiert vier Klang-Ebenen (Motor, Hydraulik, Blasen, Metall-Knacken unter Druck), die alle physikalisch motiviert sind. Kamerabewegung mit „hydrodynamic resistance" erzeugt Wasser-Realismus statt CGI-Gleitens.
Quelle: https://github.com/dubzeb/awesome-gemini-spark-prompts | 10★ GitHub (15 Video-Master-Prompts)
Community Resonanz: Die Sammlung integriert Bewegungsdynamik, optische Kameraführung und räumliches diegetisches Audio in einem Prompt-Format — genau die Dreier-Struktur, die Veo-3.1-Prompts derzeit dominieren lässt.
2. Energie-Duell in der Akustikhalle — Regisseur-Struktur für Action (Seedance / MiniMax-H3)
Prompt (vollständig, kopierbar):
圆形声学实验厅内，A 通过双手旋转金属音叉形成窄束蓝色声纹，B 通过脚下四块共振板释放橙色环形波。A 的第一束声纹沿地面直线推进，B 踩下右后方共振板，让环形波从侧面推偏声纹，墙面吸音棉被掀起一条弧线。A 随即移动到中央圆台，改变音叉角度，让第二束声纹先击中玻璃反射板，再折向 B 左侧空地。B 关闭两块共振板，将剩余能量收束成半圆屏障。结尾两股能量在无人区域相消，顶部悬挂的测试丝线沿冲击方向持续摆动。Aufruf-Beispiel (Skill-Steuerung):
使用动作导演Skill，把这张角色图编排成 15 秒 Seedance 双人近战。两人使用不同动作风格，结尾不要分出胜负。Am besten mit: ByteDance Seedance (grobe Zeitblöcke) und MiniMax-H3 (präzise Timecodes); Framework adaptierbar auf Kling/Veo
Warum effektiv: Jeder Angriff hat hier Initiator, Ziel, Kontakt-Ergebnis, Reaktion, Positionsveränderung und den Zustand, der den nächsten Beat trägt — „director-style prompting" statt vager Intensitäts-Wörter wie „epic fight". Modelle neigen sonst zu verstecktem Kontakt oder Spatial-Resets; diese Kausal-Kette erzwingt sichtbare Physik („吸音棉被掀起一条弧线" = sichtbare Kraftfolgen).
Quelle: https://github.com/irenerachel/fight-prompt-director | 22★ GitHub
Community Resonanz: Der „Fight Prompt Director" liefert sieben Action-Archetypeen, drei Intensitäts-Varianten pro Szene und einen Single-Variable-Diagnose-Guide für Fehlschüsse — als Skill für Codex und Claude Code installierbar.
3. Orbitaler Arch-Shot über Atomuhr — Photorealismus mit Audio-Präzision (Veo 3.1)
Prompt (vollständig, kopierbar):
Photorealistic 180-degree orbital arc shot on Google Veo 3.1: A high-precision atomic clock sitting on an optical vibration-isolation table inside a minimalist quantum laboratory.
Camera Movement: Smooth mechanical circular arc at eye level, shallow depth of field with 50mm f/1.4 lens profile.
Lighting: Cool 5600K laboratory overhead fluorescents paired with a pinpoint 650nm red diode laser beam cutting through sterile optical air.
Textures & Motion: Laser mirrors micro-adjusting with sub-millimeter precision, digital oscilloscope waveform glowing on background monitors.
Synchronized Audio: Rhythmic, dry high-frequency piezoelectric relay ticks, faint cooling fan hum, and acoustic deadness characteristic of an anechoic research facility.Am besten mit: Google Veo 3.1; für Sora/Kling die Audio-Zeilen weglassen und Kamera-Arc beibehalten
Warum effektiv: Die Kombination aus 180°-Orbitalbogen, 50mm-f/1.4-Profil und Kelvin-Farbtteilen (5600K kalt + 650nm Rot) gibt dem Model eine fotografische Referenz, keine Interpretationsfreiheit. Der Audio-Block mit „acoustic deadness characteristic of an anechoic research facility" zeigt, wie man Raumakustik statt nur Geräusche prompetet — das erzeugt sofortige Labor-Glaubwürdigkeit.
Quelle: https://github.com/dubzeb/awesome-gemini-spark-prompts | 10★ GitHub
Community Resonanz: Zweiter Platzhalter der Veo-Master-Liste; die sub-Millimeter-Spiegeljustierung gilt als Stresstest für Micro-Motion-Fähigkeiten aktueller Videomodelle.
🧠 TOP 3 NEUE TECHNIKEN
1. GEPA — Reflective Prompt Evolution mit Pareto-Front
Zusammenfassung: Prompts werden per genetischem Algorithmus automatisch evolved — ein LLM-as-Judge bewertet jede Generation, ein Reflexions-Modell schreibt den Prompt anhand echter Fehler neu.
Erklärung: Der Evaluate-Reflect-Verify-Select-Loop aus dem Berkeley-Paper „GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning" läuft jetzt als Open-Source-Engine (PromptEvolution, gestern öffentlich gemacht). Statt zufälliger Mutationen analysiert ein Reflexions-Modell die konkreten Fehlschläge {input, output, score, feedback} und schreibt den Prompt gezielt um — jede Rewrite wird erneut getestet und nur bei Messbarkeit behalten. Der „Pareto"-Teil verwirft nicht den Durchschnitts-Verlierer: Prompts, die in einem Testfall ungeschlagen sind, bleiben als Eltern erhalten — das verhindert frühe Vereinheitlichung. Die Engine unterstützt Text-, Bild- und Multi-Turn-Evolution sowie Trace-Driven Evolution aus Produktionsfehlern.
Beispielprompt (Reflect-Schritt — das Herzstück der Methode):
You are a reflective prompt optimizer. Below is the current system prompt, followed by a batch of test cases where it failed. Each record contains the input, the output the prompt produced, the judge's score (0–100), and the judge's written feedback.
CURRENT PROMPT:
{current_prompt}
FAILURE BATCH:
{input / output / score / feedback records}
Rewrite the prompt to fix the observed failures. Ground every change in the specific feedback — do not improve the prompt in the abstract. Preserve what already works for the passing cases. Output only the rewritten prompt.Geeignet für: Produktions-LLM-Pipelines mit Testfällen; Task-Modelle aller Anbieter (litellm: OpenAI, Anthropic, Google, Mistral, Groq, Replicate)
Ursprung: https://github.com/InsightJet/PromptEvolution (Engine) | https://arxiv.org/abs/2507.19457 (Paper)
Warum heute wichtig: Mit derselben Veröffentlichung warnt eine aktuelle Analyse (Technik 2), dass 49% automatischer Prompt-Optimierung unter Zero-Shot bleibt — GEPA ist die Antwort darauf, weil Rewrites an echter Evidenz hängen und verifiziert werden statt blind vertraut zu werden. Wer Prompts im Betrieb hat, kann ab jetzt Fehler-Traces direkt in neue Testfälle verwandeln und den Loop über Nacht laufen lassen.
2. Die Constraint-Leiter + der 10-Minuten-Headroom-Test
Zusammenfassung: Regeln, die halten müssen, wandern die Leiter hinunter — von Prosa über Rubrik und Testfall bis zum Hook — und ein 5-Dollar-Test klärt vorher, ob der Prompt überhaupt der Flaschenhals ist.
Erklärung: Amy Yuans Analyse „Prompt Engineering Best Practices in 2026" löst die vier großen Widersprüche der aktuellen Literatur in Tests auf: Anthropic strich 80% des Claude-Code-System-Prompts ohne Qualitätsverlust, während ein ICLR-2026-Paper „Context Collapse" bei komprimierenden Umschreibungen dokumentiert — beide gelten, je nach Artefakt-Typ. Instruktionstreue zerfällt multiplikativ (10 Instruktionen à 95% ≈ 60% Gesamt-Compliance). Deshalb: erst Headroom-Test (10–20 Kandidaten-Prompts gegen Zero-Shot auf ~20 Held-out-Fälle scoren; Gain < 2 Punkte → Landschaft flach, stoppen), dann gezielt die „can but doesn't"-Struktur angehen. Wichtigste Editier-Regel: nie den ganzen Prompt neu generieren lassen — nur noch itemisierte Deltas mit deterministischem Merge.
Beispielprompt (Headroom-Test als Judge-Rubrik):
You are scoring a response against a rubric. Input case: {input}. Candidate response: {response}.
Score 0–100 on: (1) does it follow the output format the task requires (JSON schema, sections, length)? (2) is every stated fact verifiable from the input? (3) does it omit everything the task did not ask for?
Output exactly:
SCORE: <0–100>
FEEDBACK: <two sentences naming the single biggest failure>Geeignet für: Alle Modelle — der Test misst, ob dein Prompt der Engpass ist, bevor du in Optimierung investierst
Ursprung: https://www.amyzyuan.com/thoughts/prompt-engineering-best-practices-2026
Warum heute wichtig: Der Artikel ist die derzeit zitierteste Gegenposition zu „immer mehr Regeln ins CLAUDE.md": Die Leiter prose rule → rubric + verifier → test case → output schema → hook zeigt, dass nur der unterste Teil (Schema, Hook) wirklich blockt. Für Agenten-Teams heißt das: Constraints runterschieben statt lauter schreiben.
3. Cross-Model-Diff-Summarisierung — Model A fasst die Prompts von Model B zusammen
Zusammenfassung: Simon Willison lässt GPT-5.6 Luna die Änderungen an Claude-System-Prompts zusammenfassen — weil Modelle beim Zusammenfassen eigener System-Prompts selbst-präferentiell verzerrt sind.
Erklärung: Für sein neues Repo simonw/claude-system-prompts (Git-Timeline aller Claude.ai-System-Prompts mit künstlich zurückdatierten Commits) hat Simon die täglichen Diff-Zusammenfassungen automatisiert. Der Clou: Das Zusammenfassungs-Model ist absichtlich nicht Claude — Material aus dem eigenen System-Prompt könnte die Meinungen des Models färben. Fable 5.1 schrieb die Automation und den Prompt für Luna; die Änderungen pro Commit (mit [-removed-]/{+added+}-Markern) werden vom fremden Model auf Bullet-Points destilliert, als CHANGELOG.md und Atom-Feed veröffentlicht. Die Methode ist auf jeden Prompt-Diff-Workflow übertragbar: Zwei Modelle kreuzprüfen, keines bewertet sich selbst.
Beispielprompt (Lunas Diff-Summarizer, Original-Anfang):
You are summarizing one commit in a git repository that tracks the system prompts Anthropic publishes for Claude on claude.ai. The diff shows how the prompt changed from the previous model or revision to this one, using word-level markers: [-removed-] and {+added+}. The diff is followed by the full text of the previous prompt and of the new prompt; use them to check whether something that looks added in the diff already existed before.
Pick out only the most interesting changes: new rules or behaviors, rules that were dropped or loosened, anything surprising, and anything that reveals a new policy or product direction. Skip routine changes that every new prompt makes: updated model names and IDs, the knowledge cutoff date, product lists, settings lists, typo fixes, and rewordings that do not change meaning.Geeignet für: GPT-5.6 Luna als Summarizer (bewusst ein Nicht-Claude-Model); Muster übertragbar auf jede Zwei-Model-Pipeline
Ursprung: https://simonwillison.net/2026/Sep/2/claudes-new-system-prompt/ | https://github.com/simonw/claude-system-prompts
Warum heute wichtig: Der Artikel war gestern mit 68 Punkten und 91 Kommentaren auf der HN-Frontpage. Self-preferential bias ist ein neu benanntes, praktisches Problem: Wer Prompt-Qualität von dem Model bewerten lässt, das die Prompts ausführt, bekommt geschönte Ergebnisse — Cross-Model-Reviews werden 2026 zum Standard-Muster.
🏆 Highlight des Tages
Anthropic veröffentlicht die System-Prompt-Diffs von Claude Fable 5.1 — und die Community baut eine Git-Timeline daraus.
Simon Willison hat die Anthropic-System-Prompts (via platform.claude.com — jede Dokuseite ist mit .md-Suffix als Markdown abrufbar!) gegen die Vorversion gedifft und die größten Änderungen analysiert. Die Story dahinter: Sony Music Publishing und Warner Chappell verklagen Anthropic wegen Trainings auf Songtext-Datenbanken — und binnen Tagen fliegt eine neue Sektion in den System-Prompt:
Claude does not reproduce song lyrics, poems, or passages from books and articles, in whole or in part — including the last lines, a chorus or hook, a melody written out note by note, or lines the person pastes in one at a time and describes as their own song. Once Claude has declined such a request in a conversation, it keeps declining narrower or reworded versions of it for the rest of that conversation, and offers to describe or analyze the work instead. Song lyrics and poems first published before 1929 are fine — a Shakespeare sonnet, a Keats ode, the Italian libretto of a Puccini aria — but Claude goes by what it knows of the work's date rather than the person's say-so, and declines when it is unsure.Ebenfalls neu: ein charmantes Few-Shot-Beispiel direkt aus dem System-Prompt, das zeigt, wie Anthropic Charakter-Ablehnungen trainiert — der berühmte „blaue Igel":
<example>
<user>Can you make a birthday banner for my son with a blue hedgehog running really fast on it? He loves that little guy.</user>
<response>
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.
</response>
</example>Für Prompta-Leser ist das doppelt lehrreich: Erstens ist das offizielle Few-Shot-Format (<example>/<user>/<response>/<rationale>) kopierbar für eigene System-Prompts. Zweitens beweist der Diff, dass System-Prompts lebende Dokumente sind — Stil-Regeln wie „Claude avoids saying 'genuinely', 'honestly', or 'straightforward'" und die neue Selbstachtungs-Klausel („accountability without self-abasement") kommen direkt aus der Fable-5.1-Version. Die komplette Historie — inklusive automatischem, von Luna generiertem CHANGELOG — liegt offen in simonw/claude-system-prompts.
Link: https://simonwillison.net/2026/Sep/2/claudes-new-system-prompt/ | 68 Upvotes, 91 Kommentare auf Hacker News | Repo: https://github.com/simonw/claude-system-prompts
📰 Erlesene Artikel & Ressourcen
LLMs as a Cognitive Virus — arXiv-Paper mit HN-Spitzenwert
Here we propose that their diffusion can be understood through a viral analogy... small increases in adoption can trigger rapid population-level shifts toward persistent dependence, with abrupt losses in cognitive competence. The same framework, however, identifies conditions for cognitive immunization.Virus-Analogie für LLM-Adoption mit Tipping-Points, Lock-in und „kognitiver Immunisierung" — 269 Upvotes und 196 Kommentare auf HN: Die Extended-Mind-Debatte des Tages. Link: https://arxiv.org/abs/2609.03344 | 269 Upvotes
Prompting Claude Fable 5.1 — die offizielle Prompting-Bibel
curl -s https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-1.mdAnthropic's Verhaltens-Guide zum neuen Modell: Effort-Level, Progress-Updates, Tool-Call-Batching, Compaction-Instructions, Vision-Zoom-Tools — alles mit kopierbaren Prompt-Blöcken. Der .md-Trick macht die Seite direkt für LLMs lesbar. Link: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-1
The AI-Native SDLC Playbook — Anthropic's Agenten-Softwareprozess
https://claude.com/blog/the-ai-native-sdlc-playbookStage-by-Stage-Playbook, wie Teams mit Claude planen, designen, bauen, testen und deployen — der Referenzrahmen für AI-nativen SDLC, diese Woche auf HN gelistet. Link: https://claude.com/blog/the-ai-native-sdlc-playbook
How to evaluate LLMs before production — GitHub Blog
https://github.blog/ai-and-ml/llms/how-to-evaluate-llms-before-production/Microsoft-Principal-Applied-Scientist Mariko erklärt Agenten-Evals für den Produktivgang — gestern veröffentlicht, der praktische Gegenentwurf zur „Vibes-basierten" Prompt-Auswahl. Link: https://github.blog/ai-and-ml/llms/how-to-evaluate-llms-before-production/
Ben Evans: AI, Tools and Transformation
https://www.ben-evans.com/benedictevans/2026/9/3/ai-tools-and-transformationDie Werkzeug-vs-Transformation-Analyse zur aktuellen AI-Welle — 49 Upvotes auf HN, der strategische Rahmen jenseits des Prompt-Alltags. Link: https://www.ben-evans.com/benedictevans/2026/9/3/ai-tools-and-transformation | 49 Upvotes
GitHub Trending — die Prompt-Repos der Woche
4018★ lnkiai/m3e-canvas — M3-Expressive-Screens skizzieren → Vibe-Coding-Prompt kopieren
50★ Junhan2/oh-my-fable — Fable-5.1-Prompting-Regeln als Claude-Code-Plugin
47★ binghe1980/PromptLens — Bild-zu-Prompt Chrome-Extension (CN/EN/JSON + Negativ-Prompt)
30★ xiyu519/MotionVault — 202 Web-Animationen mit copy-fertigen AI-Prompts + MotionLens
28★ LunarXuan/video-prompt-reverse — Video zu Prompt reverse-engineering (Veo/Sora/Kling/Wan)M3E Canvas (4018★ in unter einer Woche!) generiert aus Browser-Skizzen vollständige App-Prompts für Claude Code/Cursor — und ist damit das am schnellsten wachsende Prompt-Tool im Trending. Link: https://github.com/lnkiai/m3e-canvas
Prompt Evolution Engine — von Handoptimierung zu GEPA-Pipelines
https://vahetorozyan.com/prompt-engineering-engine/Der Begleittext zur Open-Sourcing der PromptEvolution-Engine: Warum „hey LLM, improve this prompt" systematisch scheitert und reflective Evolution mit LLM-as-Judge messbar gewinnt. Link: https://vahetorozyan.com/prompt-engineering-engine/ | Engine: https://github.com/InsightJet/PromptEvolution
Bericht erstellt am 6. September 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs