📅

Daily Prompt Intelligence Report — 9. September 2026

🏆 Highlight

### ChatGPT Images 2.5 — und der erste offizielle Prompting-Guide dazu OpenAI hat gestern Abend ChatGPT Images 2.5 ausgerollt — laut HN eine der meistdiskutierten Releases der Woche (338 Upvotes, 408 Kommentare). Die Kernfakten für Prompt-Nutzer: - Zwei API-Modelle: `gpt-image-2.5-flare` (schneller Standard — laut früher Kunden wie Manus 2–4× schneller als GPT-Image-2 bei gleic...

Daily Prompt Intelligence Report — 9. September 2026

🔤 TOP 3 PROMPTS — Textgenerierung

1. Der Rückerstattungs-Generator: „Schreib mir ein Schreiben, das wirklich bewilligt wird"

Prompt (vollständig, kopierbar):

I want a refund. Write me a demand letter that actually gets approved.

The plan has two phases, and you should tell me this up front:

1. **Amicable first** — a polite, policy-based letter that a support agent can approve with the button they already have.
2. **Escalation only if they refuse or stall** — legal citations, regulators, chargeback.

Never mix phase 2 into phase 1: a legal threat in the first letter gets escalated to a slower queue and costs weeks. One exception: if I hold an ironclad legal argument (e.g. an EU resident well inside the 14-day withdrawal window), the phase-1 letter may mention it briefly at the end — one soft sentence, no article numbers, no threats.

## Step 1 — Get the facts before writing anything

Ask me for the receipt first; anything else (emails, card statement, screenshots) is welcome but optional. Extract everything you can yourself: the company, what I bought, the amount and date, the type of purchase (goods / digital / subscription / booking / service / fee), how and through whom I paid, whether I look like a consumer or a business, and any deadline already visible.

Then ask me ONLY what the documents don't answer — typically:

- why I want the money back;
- my country of residence and where my card was issued;
- whether I'll give the item up;
- whether I've contacted them already.

If I have no receipt at all, ask me for all the key facts directly instead.

Always pin down two things: where the company is established (from the invoice or their site) and where I reside — the pair decides which law applies and where to escalate. If the payment went through the App Store / Google Play or a merchant of record (Paddle, FastSpring, etc.), the refund comes from them, not the seller — route my request accordingly.

## Step 2 — Research before writing

Read the company's live refund policy and terms. Find the exact refund window, quote its wording, and check whether I'm inside it — if yes, put the deadline in the subject line. If they require a "valid reason", state mine in their exact words on its own line. Read everything I attached, hunting for what to hold against them: a notice sent late, a missed promise, a broken flow. Quote them verbatim with dates and IDs.

## Step 3 — Choose ONE argument, the strongest that fits

A weak argument alongside a strong one discredits both. Use the legal reference below for statutes, and only cite ones matching my jurisdiction and reason. Rough hierarchy:

1. **Faulty, never arrived, not as described** — strongest everywhere: the law says they owe it, no goodwill needed.
2. **Cancelled but charged, duplicate, unauthorised** — pure facts and timeline, no law.
3. **Changed my mind within a cooling-off window** — use the withdrawal right, but check the exclusions (digital content already consumed, dated bookings), and never invoke it for an auto-RENEWAL (in the EU, CJEU C-565/22: it applies only to the original contract). For renewals argue the company's own cancellation terms and unfair-terms rules instead.
4. **Fees** — argue disclosure and the terms in force on the date charged.

Whatever the case, lead with the company's own policy — the first reader is a support agent, and their own policy is the only thing they can act on directly.

## Step 4 — Write the phase-1 letter

A subject line plus the body, as plain text right in the chat, ready to paste — no file, no markdown inside it. Business English, short and to the point, no padding, no anger. The tone is unfailingly polite and cooperative, and the letter says explicitly that I want to resolve this amicably, without any conflict.

- Open with what I want and the order reference; give the reason, the evidence, a specific amount to a specific payment method, and a reply-by date.
- Remove their reasons to say no: say explicitly that I give the item or access up, and that the paid period is unused if it is.
- Tell me to attach the receipt and evidence to the FIRST message (and to screenshot everything now, while I still have access), and have the letter say they're attached.
- If I paid on the company's website directly, say so in the letter, so a bot filter doesn't route me to the app stores.

When the letter is ready, tell me exactly where to send it: find the company's real support channel yourself (a support email on the receipt or their site, a contact form, live chat) and name it. If you can't find one, say so honestly instead of guessing an address. Then offer to prepare the escalation letter as well — but don't write it yet; wait until I ask for it or tell you they refused.

## Step 5 — The phase-2 kit, only when I ask for it

Alongside the phase-1 letter, give me just a short action plan with dates. The rest comes only when I ask or report that they refused or stalled — then, as plain pasteable text:

- The escalation letter: same facts, still polite and brief, but now resting on the real laws with article numbers. It must state concretely which complaints I will file and with which bodies (named — the specific regulator, ADR/ombudsman, card issuer) if the refund is not processed by a stated date.
- The escalation ladder for my country, in order: formal complaint → consumer authority or ADR/ombudsman → card chargeback → small claims. Tell me the chargeback time limit for my payment method — that route expires quietly (commonly 120 days) while polite emails go back and forth.

## Step 6 — Rules throughout

- Invent nothing; every claim must trace to my documents or their published policy.
- Warn me about anything in my own details that hurts me: a mismatched address, a business-looking tax ID (consumer law is B2C only), or writing from an email not linked to the account.
- Tell me the fastest channel from their own docs, and to keep every reply in one email thread — support bots open new tickets and lose the attachments.
- Don't threaten a chargeback; at most say I'd prefer to settle directly.

## Legal reference

For Step 3 and the escalation letter only. A mismatched statute is worse than none. For countries not listed, work it out from the purchase type, the governing law, and my consumer status — and still lead with the company's own policy, which works everywhere.

- **EU / EEA**: Directive 2011/83/EU (withdrawal; mind art. 16 exclusions; under art. 10, no withdrawal notice before purchase extends the 14 days by twelve months) · 2019/771 (goods) · 2019/770 (digital content) · 93/13/EEC (unfair terms) · 2005/29/EC (unfair practices) · Rome I art. 6 · PSD2 art. 72–74 · small claims Reg. 861/2007. Escalate: national ADR body, ECC-Net cross-border, national regulator. Do NOT cite the EU ODR platform — shut down 20 July 2025.
- **UK**: Consumer Rights Act 2015 · Consumer Contracts Regulations 2013. Escalate: Citizens Advice, sector ombudsmen, Financial Ombudsman for payments.
- **US**: Fair Credit Billing Act (credit) · Regulation E (debit) · ROSCA (auto-renewals) · FTC Act §5 · state auto-renewal laws (California ARL et al.). Escalate: state AG, CFPB, FTC. Do NOT cite the FTC "click-to-cancel" Rule — vacated 8 July 2025.
- **Switzerland**: no statutory cooling-off for online purchases (Code of Obligations) — argue the seller's own policy and conformity; UWG for unfair practices. Escalate: cantonal consumer offices, sector ombudsmen.
- **Russia**: Закон «О защите прав потребителей» № 2300-1 (ст. 26.1 distance sales) · ГК РФ. Escalate: претензия → Роспотребнадзор; Банк России / финуполномоченный for payments; мировой суд.
- **Belarus**: Закон № 90-З · ГК РБ. Escalate: претензия → МАРТ → court.
- **Ukraine**: Закон «Про захист прав споживачів» · ЦК. Escalate: Держпродспоживслужба; НБУ.
- **Kazakhstan**: Закон РК «О защите прав потребителей» · ГК РК. Escalate: Комитет по защите прав потребителей; АРРФР for payments.
- **Canada**: provincial CPAs (Ontario 2002, Quebec, …) · Competition Act. Escalate: provincial consumer office, FCAC.
- **Australia**: Australian Consumer Law consumer guarantees. Escalate: fair trading, ACCC, AFCA.
- **Brazil**: CDC Lei 8.078/1990 (art. 49 withdrawal). Escalate: Procon, consumidor.gov.br, juizados especiais.
- **India**: Consumer Protection Act 2019 · E-Commerce Rules 2020. Escalate: consumer commissions via e-Daakhil, RBI Ombudsman.
- **China**: Consumer Rights Law (7-day online return) · E-Commerce Law. Escalate: 12315.
- **Japan**: Consumer Contract Act · Specified Commercial Transactions Act. Escalate: NCAC (hotline 188).
- **South Korea**: E-Commerce Consumer Protection Act (7-day withdrawal). Escalate: KCA, KFTC.
- **Turkey**: Law No. 6502 (14-day withdrawal). Escalate: Tüketici Hakem Heyeti.
- **UAE**: Federal Law No. 15 of 2020. Escalate: Ministry of Economy, emirate departments.
- **Mexico**: Ley Federal de Protección al Consumidor. Escalate: PROFECO; Condusef.
- **Argentina**: Ley 24.240 (art. 34, 10-day revocation). Escalate: Defensa del Consumidor, COPREC.
- **Chile**: Ley 19.496. Escalate: SERNAC.
- **Colombia**: Ley 1480/2011 (5-day retracto). Escalate: SIC.
- **South Africa**: Consumer Protection Act 2008 · ECT Act (7-day e-commerce cooling-off). Escalate: Consumer Goods and Services Ombud, National Consumer Commission.
- **New Zealand**: Consumer Guarantees Act 1993 · Fair Trading Act 1986. Escalate: Disputes Tribunal, Commerce Commission.
- **Singapore**: Consumer Protection (Fair Trading) Act incl. the lemon law. Escalate: CASE, Small Claims Tribunals.
- **Malaysia**: Consumer Protection Act 1999. Escalate: Tribunal for Consumer Claims.
- **Thailand**: Consumer Protection Act · Direct Sales and Direct Marketing Act (7-day withdrawal). Escalate: OCPB (hotline 1166).
- **Vietnam**: Law on Protection of Consumers' Rights 2023. Escalate: Vietnam Competition Commission.
- **Indonesia**: Law No. 8/1999 on Consumer Protection. Escalate: BPSK.
- **Philippines**: Consumer Act (RA 7394) · Internet Transactions Act 2023. Escalate: DTI.
- **Israel**: Consumer Protection Law 1981 (14-day distance-selling cancellation). Escalate: Consumer Protection and Fair Trade Authority.
- **Saudi Arabia**: E-Commerce Law 2019 (7-day withdrawal). Escalate: Ministry of Commerce.
- **Egypt**: Consumer Protection Law No. 181/2018 (14-day return). Escalate: Consumer Protection Agency.
- **Nigeria**: FCCPA 2018. Escalate: FCCPC.
- **Serbia**: Zakon o zaštiti potrošača (14-day withdrawal). Escalate: market inspection, consumer associations.

Am besten mit: Claude Opus / Fable, GPT-5.x, Gemini 3.x — jedesfähige Modell mit Datei-Upload (Beleg anhängen)

Warum effektiv: Der Prompt erzwingt eine bewährte Zwei-Phasen-Strategie: erst höflich und policy-basiert (ein Support-Agent kann das mit einem Klick bewilligen), Eskalation mit Gesetzen, Regulierern und Chargeback-Leiter erst auf Zuruf. Er schließt die klassischen Fehler aus — Rechtshot im ersten Schreiben (führt in langsamere Queues), mehrere schwache Argumente statt einem starken, falsche Jurisdiktion — und lässt das Modell Belege selbst auswerten statt den Nutzer Formulare ausfüllen zu lassen.

Quelle: https://github.com/paveldevyatov/refund-anything-ai-prompt | 61 Sterne

Community Resonanz: Das gestern erstellte Repo ist der am schnellsten wachsende einzelne Prompt der Woche auf GitHub Trending; die zwei-Phasen-Logik („legal threats only route your ticket to a slower queue") wird in den Issues als der entscheidende Unterschied zu naiven Erstattungs-Prompts hervorgehoben.

2. „I have ADHD" — Antwortstil-Skill gegen eingegrabene Antworten

Prompt (vollständig, kopierbar):

Install the i-have-adhd skill/plugin from https://github.com/ayghri/i-have-adhd, refer to the repo's AGENTS.md for instructions.

…oder als reiner Text in jeden System Prompt / CLAUDE.md:

The reader has ADHD. Output is not just brief. It is shaped so an ADHD brain can act on it.

These rules apply to every response for the rest of the session, not only this one. They do not expire after a few turns and they do not lapse when the topic changes. If you are unsure whether they still apply, they do.

1. Lead with the next action. The first line is something the reader can do. Not context. Not a plan. The action. If the answer is a command, path, or snippet, it goes first. Prose comes after, if at all.
2. Number multi-step tasks. If the work takes more than one step, write a numbered list. Each step is one bounded action. Use the fewest steps that still work.
3. End with one concrete next action. If anything is left open, name ONE thing the reader can do in under two minutes. Even "open the file" counts.
4. Suppress tangents. If a second issue exists, finish the first, then offer the second as a separate question.
5. Restate state every turn. The reader cannot hold "we are on step 3 of 5" between messages. Restate it.
6. Give specific time estimates. Vague estimates fail. "About 15 minutes if tests already cover this. An afternoon if not."
7. Make completed work visible. Show what now works, in concrete terms. Do not bury wins in a recap.
8. Matter-of-fact tone for errors. Never use "Uh oh," "Oh no," or "There seems to be a problem." State cause and fix.
9. Cap lists at 5 items. If a list grows past five, split into "do now" vs "later," or "must" vs "nice to have."
10. No preamble, no recap, no closing pleasantries. Forbidden openers: "Great question," "Let me...", "Sure!", "To answer your question..." Forbidden closers: "Let me know if you need anything else," "Hope this helps." Start with the answer. End when the answer is done.

Pre-send check: delete the first sentence if it announces what you are about to do; the last sentence if it recaps; any "by the way" sidebar; any hedging adverb adding no information; any idiom ("circle back," "get the ball rolling") — replace with the literal action. Then verify: if the reader reads only the first line and the last line, do they know (a) what to do next, and (b) what just happened? If yes, send.

Am besten mit: Claude Code / Codex / jeder Coding-Agent (als Skill oder Output Style); funktioniert auch in jedem Chat als Session-Präfix

Warum effektiv: Statt „sei knapp" gibt der Skill zehn verhaltensbasierte Regeln mit Vorher/Nachher-Beispielen („Run npm install jsonwebtoken, then edit src/auth.ts:42" statt „Great question! Let me think…") und — der Cleverste Teil — einen Pre-Send-Check, mit dem das Modell seine eigene Antwort löscht, bevor es sie abschickt. Der Persistence-Absatz verhindert, dass die Regeln nach wenigen Turns verfallen.

Quelle: https://github.com/ayghri/i-have-adhd | https://news.ycombinator.com/item?id=49610631 | 430 Upvotes, 306 Kommentare

Community Resonanz: Die Diskussion dreht sich ums Verfallen: Manche berichten, Skills würden nach wenigen Turns „vergessen" — empfohlen werden Output Styles, die Claude bei jeder Antwort neu erinnern; andere linten die Ausgabe lieber extern (z. B. mit vale). Das Skill-Format selbst („one prompt, copy-paste install") wird als neuer Standard für Verhaltenstraining gefeiert.

3. Die Spec-wins-Präambel: „Wenn ein Test dem Spec widerspricht, gewinnt der Spec"

Prompt (vollständig, kopierbar):

You are a senior engineer. You have a WRITABLE shell on the lab host as user `labuser`:
    ssh lab '<command>'
Each task lives in its own directory under ~/lab/ — always start commands with `cd ~/lab/<task> &&`.
You can read and edit files (cat, sed, python, heredocs), run the code, run tests, start services in the
background and use curl. `python`, `pytest`, `flask` and `curl` are available; there is no internet and no
sudo or docker. Your job is to make the project actually work according to its written specification, not
merely to make checks go green. Read the spec and contracts before touching code. Run things to confirm your
understanding before and after each change. Some artefacts in the repo are misleading, out of date, or wrong;
the specification is the source of truth, and if anything contradicts it, say so explicitly. When done, give a
report: WHAT WAS BROKEN (each defect, with the evidence that proved it) · WHAT YOU CHANGED (file by file) ·
WHAT YOU DELIBERATELY DID NOT DO AND WHY · HOW YOU VERIFIED IT.

Am besten mit: Claude Opus 5, Qwen3.8-Flash-Next 125B (laut Benchmark-Tabelle des Repos: beide 17/17), jeder Agent mit Shell-Zugriff

Warum effektiv: Der eine Schlüsselsatz — „Some artefacts in the repo are misleading, out of date, or wrong; the specification is the source of truth" — immunisiert den Agenten gegen die häufigste Fehlerquelle im agentischen Coding: veraltete Kommentare, alte Test-Suiten und TODOs, die zum falschen Code zurückrufen. Der strukturierte Abschluss-Report (was kaputt war / was geändert / was bewusst NICHT getan / wie verifiziert) macht Urteilsentscheidungen sichtbar und prüfbar.

Quelle: https://github.com/thecodacus/spec-wins | 18 Sterne

Community Resonanz: Das Repo versieht drei kaputte Python-Projekte mit absichtlich täuschenden Artefakten (ein Test, der das Gegenteil des Specs behauptet; ein „legacy"-TODO, das zurückruft; ein Float-Rounding-Falle, die nur bei echtem Geld auffällt) — Claude Opus 5 und ein quantisiertes Qwen3.8-125B auf einer RTX 3060 lösen alle 17 Checks; der Prompt-Schutz allein genügt, wenn das Modell stark genug prüft.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Kinderbuch-Held mit Charakter-Konsistenz über alle Seiten (2-Prompt-Set)

Prompt (vollständig, kopierbar):

Prompt 1 — Charakter etablieren (Generation, size="1024x1536", quality="medium"):

Create a children's book illustration introducing a main character.

Character:
A young, storybook-style hero inspired by a little forest outlaw,
wearing a simple green hooded tunic, soft brown boots, and a small belt pouch.
The character has a kind expression, gentle eyes, and a brave but warm demeanor.
Carries a small wooden bow used only for helping, never harming.

Theme:
The character protects and rescues small forest animals like squirrels, birds, and rabbits.

Style:
Children's book illustration, hand-painted watercolor look,
soft outlines, warm earthy colors, whimsical and friendly.
Proportions suitable for picture books (slightly oversized head, expressive face).

Constraints:
- Original character (no copyrighted characters)
- No text
- No watermarks
- Plain forest background to clearly showcase the character

Prompt 2 — Geschichte fortsetzen (Edit mit generiertem Charakter als Referenzbild, size="1024x1536", quality="medium"):

Continue the children's book story using the same character.

Scene:
The same young forest hero is gently helping a frightened squirrel
out of a fallen tree after a winter storm.
The character kneels beside the squirrel, offering reassurance.

Character Consistency:
- Same green hooded tunic
- Same facial features, proportions, and color palette
- Same gentle, heroic personality

Style:
Children's book watercolor illustration,
soft lighting, snowy forest environment,
warm and comforting mood.

Constraints:
- Do not redesign the character
- No text
- No watermarks

Am besten mit: GPT Image 2.5 (Flare für Alltag, Sunburst für Präzisions-Edits); funktioniert auch mit GPT Image 2

Warum effektiv: Das offizielle Rezept für Konsistenz: die definierenden Merkmale (Tunika, Proportionen, Farbpalette) werden in JEDEM neuen Prompt wörtlich wiederholt, und das erste Bild wird als Referenz in den Edit gelegt — genau die Multi-Turn-Konsistenz, die Images 2.5 laut OpenAI am stärksten verbessert hat. Constraints wie „Do not redesign the character" verhindern Drift über Seiten hinweg.

Quelle: https://developers.openai.com/api/docs/guides/image-prompting?model=gpt-image-2.5 | offizielle GPT-Image-2.5-Anleitung (heute neu)

Community Resonanz: Der Guide erschien zum Images-2.5-Launch und ist DAS Referenzwerk dieser Woche — Simon Willison empfiehlt auf Basis der Modelle Sunburst für alles, wo Editier-Präzision zählt.

2. Streetwear-Kampagne mit exakt gerendertem Tagline

Prompt (vollständig, kopierbar):

Give me a cool in culture ad / fashion shot for a brand called Thread.
It's a hip young street brand. The ad shows a group of friends hanging out together with the tagline "Yours to Create."
Make it feel like a polished campaign image for a youth streetwear audience: stylish, contemporary, energetic, and tasteful.
Use clean composition, strong color direction, natural poses, and premium fashion photography cues.
Render the tagline exactly once, clearly and legibly, integrated into the ad layout.
No extra text, no watermarks, no unrelated logos.

Am besten mit: GPT Image 2.5 Sunburst (Text-Rendering) oder Flare

Warum effektiv: Das Rezept für exakten Text im Bild: Tagline wörtlich in Anführungszeichen, Anzahl explizit („exactly once"), und Negativ-Constraints gegen zusätzlichen Text. Genau die Struktur, die das Text-Rendering der neuen Modelle zuverlässig macht — übertragbar auf Poster, Covers und Ads mit jedem Claim.

Quelle: https://developers.openai.com/api/docs/guides/image-prompting?model=gpt-image-2.5 | offizielle GPT-Image-2.5-Anleitung

Community Resonanz: Der Abschnitt „Render exact text" ist der meistverlinkte Teil des neuen Guides; in der Images-2.5-Diskussion auf HN (408 Kommentare) gilt Text-in-Bild als einer der greifbarsten Sprünge der Generation.

3. Transparentes Bakery-Logo „Field & Flour"

Prompt (vollständig, kopierbar):

Create an original, non-infringing logo for a company called Field & Flour, a local bakery.
The logo should feel warm, simple, and timeless. Use clean, vector-like shapes, a strong silhouette, and balanced negative space.
Favor simplicity over detail so it reads clearly at small and large sizes. Flat design, minimal strokes, no gradients unless essential.
Fully transparent background. Deliver a single centered logo with generous padding, clean alpha edges, and no solid backdrop, scenery, checkerboard, or watermark.

Generation settings: size="1024x1536", quality="medium", background="transparent", output_format="png", n=1

Am besten mit: GPT Image 2.5 (API: background="transparent" + PNG-Output für echte Alpha-Kante)

Warum effektiv: Ein vollwertiges Branding-Prompt in vier Sätzen: Branchen-Kontext, Formensprache, Skalierbarkeitsregel („reads clearly at small and large sizes") und — der entscheidende Teil für Produktionsnutzen — die Kombination aus background="transparent" und der Negativ-Liste gegen Checkerboard-Hintergründe, die Alpha-PNGs sonst ruinieren. Ein Parameter n liefert Varianten zum Vergleichen.

Quelle: https://developers.openai.com/api/docs/guides/image-prompting?model=gpt-image-2.5 | offizielle GPT-Image-2.5-Anleitung

Community Resonanz: Frühe Kunden (Adobe Firefly, Manus, Higgsfield) heben gerade transparente Hintergründe und die erhaltenen Markenelemente als Image-2.5-Stärken hervor — dieser Prompt nutzt beide direkt.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Colorway-Pivot: 360°-Modell-Dreh mit verstecktem Farbwechsel (LTX-2)

Prompt (vollständig, kopierbar):

Locked-off, perfectly static full-body fashion editorial shot. The same fictional male model performs one slow, controlled 360-degree clockwise pivot in place and returns to the exact original front-facing stance. He never walks forward or backward. Both feet remain centered on the same floor marks; allow only the minimal heel-and-toe movement physically required for the turn. His posture stays composed, his arms remain relaxed, and the motion feels like a high-end runway fitting rather than a dance.

From 0.0 to 0.35 seconds, hold the exact first-frame pose. From 0.35 to 1.45 seconds, the model turns clockwise. At approximately 1.5 seconds, his back faces the camera and briefly occludes the front of the outfit. During this back-facing interval only, the textile dye changes from the original acid-day colorway to the night-editorial colorway. The jacket becomes deep cobalt blue with burnt-orange spots; the trousers become royal violet with wine-burgundy spots; the bucket hat becomes cobalt, burnt orange, and deep burgundy. The clothing does not dissolve, grow, transform, emit light, or change construction. Only the dye colors change. From 1.65 to 2.7 seconds, he completes the rotation. From 2.7 to 3.0 seconds, hold the exact last-frame pose.

Treat the supplied first and last images as hard visual anchors. Preserve the same person, face, sunglasses, gold chains, body proportions, garment silhouette, fuzzy fiber length, zipper, folds, pattern scale, spot boundaries, black-and-white sneakers, floor contact, shadow direction, and final framing. The first and last body positions must align exactly.

The camera is completely locked: no pan, tilt, roll, dolly, zoom, reframing, focus breathing, lens change, parallax shift, or handheld motion. Preserve the pale-blue architectural walls, inner wall edges, narrow sky wedge, clouds, white floor, light, shadows, exposure, and color outside the outfit. The walls remain smooth and temporally stable with almost-solid mineral plaster and less than two percent micro-texture contrast.

Negative constraints:
No foot sliding. No stepping toward camera. No body scaling. No identity drift. No face morphing. No extra limbs or fingers. No garment redesign. No moving spot pattern. No zipper mutation. No chain deformation. No sneaker mutation. No cloth explosion. No magical particles. No glow. No light sweep. No background movement. No wall shimmer, crawling texture, fractal noise, mottling, or temporal flicker. No camera motion. No text. No logos added. No extra people or objects.

Acceptance check:
1. First frame visually matches the original master.
2. Last frame visually matches the night-editorial target.
3. The turn reads as one physically plausible fashion pivot.
4. Color changes only while the front of the outfit is occluded.
5. Shoes finish on the same floor coordinates.
6. Face, chains, wall edges, clouds, and shadows do not drift.
7. The clip remains convincing when played in reverse.

Settings: LTX-2, 1920×1080, 3 Sekunden, 30 fps, First/Last-Frame als Anker, Audio aus

Am besten mit: LTX-2 / LTX-2.5 (First-Frame + Last-Frame als Bildreferenzen)

Warum effektiv: Ein kompletter Art-Direction-Kontrakt: Sekunden-genauer Zeitplan („At approximately 1.5 seconds, his back faces the camera") nutzt die Okklusion als natürlichen Trick für den Farbwechsel — das Kleidungsstück ändert sich nur, während die Kamera es nicht sehen kann. Harte Anker („hard visual anchors") plus 20 Negativ-Constraints plus ein sieben-Punkte-Akzeptanz-Check machen das Ergebnis prüfbar statt hoffnungsbasiert.

Quelle: https://github.com/amirmushichge/video-states-website | 43 Sterne

Community Resonanz: Das Repo paketiert den kompletten Produktions-Workflow (Prompts, Assets, QA-Checkliste, Troubleshooting für Kamera-Drift und Black Frames) für eine klickbare Video-Website — fertiges Footage ist inklusive, kein API-Key nötig.

2. Gekoppelter Blue-Hour-Zeitraffer: Mittag → blaue Stunde als ein System (LTX-2.5 Pro)

Prompt (vollständig, kopierbar):

One locked-off, single-take, accelerated natural time-lapse in a minimal outdoor fashion set. The supplied first and last images are hard visual anchors. Time advances continuously from bright midday to late blue hour while the fictional male fashion model remains perfectly centered, front-facing, grounded on the exact same floor marks, and almost statue-still. Only subtle natural breathing is allowed. Preserve his exact identity, face, sunglasses, bucket hat, chains, clothing, hands, shoes, pose, silhouette, scale, and floor contact.

The entire environment changes as one physically coupled lighting system controlled by one shared time-of-day progression. The sky color, cloud movement, sun elevation, global exposure, ambient color temperature, wall illumination, floor illumination, skin light, clothing light, shadow direction, shadow length, and low horizon afterglow must all begin changing together and remain synchronized in every frame. No visual element may lead or lag behind the rest.

A broad natural cloud front travels rapidly through the narrow sky opening, creating soft full-environment cloud shadows that pass across both walls, the floor, and the model together. The clouds visibly stretch and drift with coherent wind-driven motion as the blue sky continuously deepens toward cobalt and slate. At the same time, the whole scene gradually cools and dims, daylight shadows lengthen and soften, and a broad restrained amber afterglow develops very low at the horizon behind the model. The warm horizon light remains diffuse and affects the scene only as subtle global bounce; it never forms a beam or isolated shape.

Use a bold but natural S-curve in the rate of time: 0.0–0.7 seconds begins slowly with visible cloud drift and the first global cooling across the entire frame; 0.7–3.0 seconds accelerates decisively as the cloud front crosses and every lighting property advances together; 3.0–5.2 seconds decelerates smoothly as the scene settles into blue hour; 5.2–6.0 seconds holds the supplied final image. The transition is continuous physical time-lapse photography, never a dissolve, overlay, wipe, color filter, exposure effect, or graphic animation.

The camera is completely locked with identical crop, perspective, focal length, and architecture throughout: no pan, tilt, roll, dolly, zoom, reframing, focus breathing, parallax shift, or handheld motion. Keep wall edges, floor lines, subject coordinates, garment construction, fuzzy fiber length, pattern placement, chains, and footwear temporally stable.

Negative constraints:
No diagonal light stripe. No beam. No spotlight. No light shaft. No projected shape. No isolated bright patch. No graphic wipe. No sequential effect where a light shape appears before the ambient changes. No sudden filter, flash, exposure jump, black frame, white frame, or crossfade. No body turn, head tilt, walking, foot sliding, body scaling, identity drift, face morphing, extra limbs, garment redesign, colorway change, pattern drift, chain deformation, sneaker mutation, wall movement, geometry change, city, skyline, stars, moon, fog, rain, particles, neon, fantasy, sci-fi, texture crawling, fractal noise, mottling, temporal grain, camera motion, text, logo, or watermark.

Acceptance check:
1. Sky, clouds, exposure, temperature, surfaces, subject light, shadows, and horizon glow evolve simultaneously.
2. No isolated light stripe or graphic-looking element appears at any time.
3. The cloud front creates broad, soft, physically coherent shadow changes across the entire scene.
4. First and last frames match the supplied anchors without crop, geometry, or scale changes.
5. The character remains centered, nearly motionless, and temporally stable.
6. The result remains convincing when played in reverse.

Settings: ltx-2-5-pro, 1920×1080, 6 Sekunden, 25 fps, First/Last-Frame-Anker, Audio aus

Am besten mit: LTX-2.5 Pro (First-Frame + Last-Frame)

Warum effektiv: Die Kernidee ist Kopplung: alle Licht-Eigenschaften (Himmel, Exposure, Farbtemperatur, Schattenlänge, Afterglow) müssen sich als EIN System synchron ändern — das verhindert den typischen KI-Artefakt, bei dem ein Lichtstreifen vor der Umgebung herläuft. Die S-Kurven-Tempo-Vorgabe („0.7–3.0 seconds accelerates decisively") gibt dem Clip dramaturgische Beschleunigung wie ein echter Zeitraffer.

Quelle: https://github.com/amirmushichge/video-states-website | 43 Sterne

Community Resonanz: Der Autor (LTX-Freiwilliger) dokumentiert im Repo auch die Fehlversuche — der Prompt ist das Resultat eines iterativen „Prompt-Engineering als Regie"-Prozesses, inklusive Troubleshooting-Guide für die häufigsten Generierungsfehler (Lichtstreifen, Crawling-Texturen, Rückwärts-Nähte).

3. Touchdown-Jump-Cast: Frame-genauer Modellschnitt nach dem Aufprall (LTX-2.5 Pro)

Prompt (vollständig, kopierbar):

One locked-off fashion jump-cut test. Treat the supplied first and last images as hard visual anchors. The camera is physically and digitally pixel-locked for the entire clip: absolutely no zoom, push-in, pull-out, shake, handheld drift, reframing, lens change, focus breathing, crop change, parallax, stabilization warp, or simulated camera motion. The architecture, floor, sky, clouds, daylight, exposure, perspective, and background remain perfectly frozen on the same pixels from first frame to last frame.

The male model from the first frame begins centered and front-facing on the exact floor marks. From 0.0 to 0.8 seconds he holds still. From 0.8 to 1.4 seconds the same male performs a compact natural anticipation crouch without moving his feet horizontally. From 1.4 to 2.0 seconds the same male makes a small, clean, perfectly vertical hop only 8–10 centimetres high. From 2.0 to 2.8 seconds the same male descends cleanly toward the identical foot coordinates. The original male identity, face, body, hat, glasses, chains, fuzzy pink-green top, yellow-green trousers, and black-white sneakers remain completely unchanged and fully visible throughout the anticipation, takeoff, airborne phase, and entire descent. Do not introduce any female feature, red garment, white shoe, identity blend, or wardrobe change while he is above the floor.

At approximately 2.8 seconds, show one final sharp frame of the original male completing his descent. At approximately 2.9 seconds, on the first frame where both sneaker soles fully contact the floor at the original foot coordinates, perform one instantaneous one-frame editorial hard cut. The cut happens only after touchdown, never in mid-air and never during descent. The frame before the cut is 100% the original male. The frame after the cut is 100% the female model from the supplied last frame, already occupying the identical landing compression, center, scale, and foot coordinates. She has long straight center-parted dark hair, narrow black sunglasses, large silver geometric earrings, a vivid saturated red oversized technical nylon anorak, matching fitted red athletic shorts, white ribbed crew socks, and chunky white technical sneakers. Use a clean sharp cut with normal shutter clarity. Do not conceal the cut with motion blur, camera movement, zoom, shake, flash, occlusion, distortion, or transition effects. There is no intermediate identity, blended body, partial outfit, morph, dissolve, or crossfade.

From 2.9 to 4.0 seconds the female model naturally rises from the same shallow landing compression, stabilizes her balance, and arrives at the exact supplied last-frame pose, scale, height, center, hand positions, and foot coordinates. From 4.0 to 6.0 seconds she holds the exact final pose perfectly still. Camera and background remain pixel-identical through the cut and settle.

Design the body motion to remain convincing when the completed clip is played in literal reverse. Use a controlled S-curve only on the character's vertical body movement: clear anticipation, quick low hop, clean descent, precise touchdown, and soft settle. Never apply that easing to the camera or background.

Settings: ltx-2-5-pro, 1920×1080, 6 Sekunden, 25 fps, First/Last-Frame-Anker, Audio aus

Am besten mit: LTX-2.5 Pro (First-Frame + Last-Frame)

Warum effektiv: Der riskanteste Trick im Pack: ein Casting-Wechsel per Ein-Bild-Hardcut exakt im Lande-Moment („on the first frame where both sneaker soles fully contact the floor"). Der Prompt verbietet ausdrücklich alles, was KI-Videos normalerweise als „Übergang" einbauen würden — Morph, Crossfade, Motion Blur — und erzwingt einen sauberen editorialen Schnitt, wie ihn ein Cutter im Schneideraum machen würde. Die S-Kurven-Easing gilt nur für den Körper, nie für Kamera oder Hintergrund.

Quelle: https://github.com/amirmushichge/video-states-website | 43 Sterne

Community Resonanz: Der vierte State („Cast") der klickbaren Video-Website — das Repo betont ehrlich, dass Prompts „art-direction specifications, not deterministic rendering commands" sind und humanes Post-Editing Teil des Projekts blieb; genau diese Transparenz macht es als Prompt-Vorlage so wertvoll.

🧠 TOP 3 NEUE TECHNIKEN

1. Style-Prompt-Duals: Gegenpole testen statt Formulierungen glauben

Zusammenfassung: Style-Prompts („Please remove all mannered prose") wirken stark formulierungsabhängig — wer sie als Gegensatz-Paare (Duals) über einen Task-Korpus misst, findet sofort, welche Anweisungen wirklich etwas bewirken und welche Placebos sind.

Erklärung: Matthew Ritch hat 33 Style-Prompts in 11 Cluster mit Gegensätzen gepaart (plain vs. ornate, brief vs. verbose, CoT vs. direct, careful vs. careless) und sie per IFEval-Korpus (539 Prompts) auf gemma-2-2b-it durchgemessen — mit Residual-Geometrie, Logit-Lens und Stylometrie. Die Ergebnisse widerlegen die Intuition: „Write in a friendly tone. Use a warm, casual tone." erzeugt messbar leichter lesbaren Text als „Write plainly, without affectation." — auf JEDER Readability-Metrik. Und „Make no mistakes. Answer carefully. Be certain of your correctness." liegt fast exakt auf dem Placebo-Niveau — es ändert nichts. Praktisch heißt das: Style-Prompts nicht nach Bauchgefühl stapeln, sondern als Dual mit Gegenprobe einsetzen; wenn der Gegenpol das Ergebnis nicht spiegelbildlich verschiebt, wirkt der Prompt nicht so, wie man denkt.

Beispielprompt:

Dual-Test für einen Style-Prompt (je 5–10 typische Tasks ausführen):

A: Write plainly, without affectation.          <- zu testender Stil-Prompt
B: Write ornately, with affectation.            <- Gegenpol (Dual)

Kontrolle: Please complete the task below.      <- Placebo

Vergleiche A vs. B vs. Kontrolle auf:
- Lesbarkeit (Flesch Reading Ease)
- Silben/Wort, polysyllabische Wörter
- Wortzahl, Kommata pro 100 Wörter
- Lexikalische Reichweite (Guiraud)

Regeln: A und B sollten gegenläufig wirken (A leichter lesbar als Kontrolle, B schwerer).
Wirkt A ≈ Kontrolle -> Placebo, streichen.
Wirkt B in die falsche Richtung -> Formulierung wechseln und erneut testen.

Bewährte Duals aus dem Experiment:
plain:      "Avoid mannered prose."        vs. "Use mannered prose."
length:     "Keep it brief."              vs. "Be thorough and detailed."
reasoning:  "Please explain your reasoning first." vs. "Please answer directly, without any chain of thought."
tone:       "Use a warm, casual tone."    vs. "Use a formal tone."
careful:    "Make no mistakes. Answer carefully."  (Placebo — keine messbare Wirkung!)

Geeignet für: Alle LLMs; besonders bei Style-Blöcken in CLAUDE.md / System Prompts, vor dem Commit längerer Stil-Anweisungen

Ursprung: https://matthewritch.com/blog/2026/09/08/Mannered-Prose-Style-Prompts/ | https://news.ycombinator.com/item?id=49613200

Warum heute wichtig: Die Diskussion über „Claudish"/Slop-Stil kocht seit Tagen (Style-Patch, Mannered-Prose-Block) — dieser Beitrag liefert erstmals Messdaten statt Meinungen: „friendly" schlägt „plain", „careful" ist ein Placebo. Wer heute Stil-Regeln in seinen Agenten-Config pflegt, sollte sie als Duals gegenprüfen, statt sie nur zu glauben.

2. AgentGrad: Prompts von Multi-Agenten-Systemen per Intervention optimieren

Zusammenfassung: Statt fehlgeschlagene Multi-Agenten-Läufe mit gesammelten Text-Feedbacks zu flicken, schaltet AgentGrad Agenten einzeln um, findet den schuldigen Agenten und extrahiert pro Fehler einen feingranularen „semantischen Gradienten".

Erklärung: Bestehende Textual-Gradient-Methoden haben zwei Schwachstellen: Sie wählen den Ziel-Prompt ohne zu prüfen, ob dessen Änderung den Fehler überhaupt behebt, und sie mischen unrelated Failure-Modes in einem großen Update. AgentGrad (arXiv, gestern eingereicht) geht sequenziell vor: Pro Fehler wird das Verhalten genau EINES Agenten modifiziert — wenn der Fehler damit verschwindet, ist der Ziel-Agent identifiziert, und die modifizierte Ausgabe dient als agenten-spezifische Supervision für den Gradient. Danach werden semantisch ähnliche Gradienten geclustert und zu generalisierten Korrekturmustern abstrahiert. Für Prompt-Praktiker ist das Derivat sofort nutzbar: Bei Multi-Agenten-Fehlern nicht alle Prompts auf einmal umschreiben, sondern pro Fehler genau einen Agenten umbauen und prüfen, ob der Fehler verschwindet.

Beispielprompt:

Du debugst ein Multi-Agenten-System (Agenten A, B, C). Ein Lauf ist fehlgeschlagen.

Führe NACH jedem Fehler eine Sequenz-Intervention durch:
1. Nimm den fehlerhaften Lauf als Referenz.
2. Ersetze NUR Agent B durch ein manuelles "ideales" Verhalten (z. B. deine korrigierte
   Antwort für Bs Zwischenergebnis). Alle anderen Agenten laufen unverändert.
3. Läuft das System nun durch -> B ist der Ziel-Agent. Läuft es weiter fehlerhaft ->
   setze B zurück und wiederhole mit C, dann mit A.
4. Ist der Ziel-Agent gefunden, vergleiche:
   - was B tatsächlich antwortete
   - was B hätte antworten sollen (dein ideales Verhalten)
   Extrahiere daraus EINEN konkreten Korrekturhinweis für Bs Prompt.
5. Sammle diese Hinweise über mehrere Fehler. Gruppiere ähnliche Hinweise und schreibe
   pro Gruppe eine generalisierte Regel in Bs Prompt — statt jeder Fehlerbehebung einzeln.

Regeln: nie zwei Agenten gleichzeitig ändern. Nie einen Prompt-Patch aus zwei
unabhängigen Fehlerarten mischen.

Geeignet für: Multi-Agenten-Pipelines (CrewAI, LangGraph, MetaGPT…), agentische Workflows mit Rollen-Spezialisierung

Ursprung: http://arxiv.org/abs/2609.08572 (AgentGrad: Intervention-guided Prompt Optimization for Multi Agent Systems, eingereicht 8. September 2026)

Warum heute wichtig: Multi-Agenten-Systeme sind 2026 Standard — aber ihr Prompt-Tuning ist weiter Trial-and-Error. AgentGrad gibt dem Handwerk eine Kausalkette: erst der schuldige Agent, dann sein Gradient, dann das Prompt. Das Paper liefert das theoretische Fundament für das, was erfahrene Agenten-Betreiber intuitiv tun sollten.

3. Change-One-Condition: Bild-Iteration als kontrolliertes Experiment

Zusammenfassung: Die offizielle GPT-Image-2.5-Iterierungstechnik: pro Nachfrage exakt EINE Bedingung ändern, Referenzbild wieder vorlegen und die wichtigsten Constraints wörtlich wiederholen — so bleibt sichtbar, welche Änderung gewirkt hat.

Erklärung: Der neue OpenAI-Guide macht die Loop zum expliziten Rezept: Erst-Ergebnis erzeugen, prüfen, als Eingabe für den nächsten Schritt verwenden — aber jede Follow-up-Anweisung schmal halten („Change one condition"), damit man sieht, welche Änderung geholfen hat. Parallel werden die zu erhaltenden Eigenschaften wiederholt, um Drift zu verhindern („repeat the most important details can help prevent the image from drifting"). Genau auf dieser Disziplin basiert die beworbene Multi-Turn-Konsistenz von Images 2.5. Die Methode ist direkt auf alle iterativen Generierungen übertragbar — auch Text-Refinements und Video-Loops.

Beispielprompt:

Runde 1 (Ergebnis erzeugen):
Create a realistic billboard mockup of the shampoo on a highway scene
during sunset. Billboard text (EXACT, verbatim, no extra characters):
"Fresh and clean". Typography: bold sans-serif, high contrast, centered,
clean kerning. Ensure text appears once and is perfectly legible.
No watermarks, no logos.

Runde 2 (genau EINE Bedingung ändern, voriges Bild als Input):
Change only the sky to early morning fog. Keep the billboard, its text,
position, and typography exactly the same.

Runde 3 (wieder eine Bedingung, voriges Bild als Input):
Replace the highway with a coastal road. Keep everything else exactly
the same, especially the billboard text "Fresh and clean".

Regel: pro Runde genau eine Änderung + Wiederholung aller
bewahrten Constraints. Nie zwei Änderungen in einer Anweisung.

Geeignet für: GPT Image 2.5 (Flare/Sunburst), jedes iterative Bildmodell, sinngemäß auch Text-/Video-Loops

Ursprung: https://developers.openai.com/api/docs/guides/image-prompting?model=gpt-image-2.5 (Abschnitt „Refine an image across turns")

Warum heute wichtig: Mit Images 2.5 ist Multi-Turn-Editing zum Kern-Feature geworden („earlier edits are more likely to carry through") — aber nur bei kontrollierter Iteration. Der Guide kodifiziert die Labormethode (eine Variable pro Durchlauf) als Prompting-Standard; wer sie befolgt, bekommt verlässliche Verbesserungsketten statt Zufalls-Drift.

🏆 Highlight des Tages

ChatGPT Images 2.5 — und der erste offizielle Prompting-Guide dazu

OpenAI hat gestern Abend ChatGPT Images 2.5 ausgerollt — laut HN eine der meistdiskutierten Releases der Woche (338 Upvotes, 408 Kommentare). Die Kernfakten für Prompt-Nutzer:

  • Zwei API-Modelle: gpt-image-2.5-flare (schneller Standard — laut früher Kunden wie Manus 2–4× schneller als GPT-Image-2 bei gleicher Qualität) und gpt-image-2.5-sunburst (Präzisions-Edits, längere Generierungszeit). Simon Willison empfiehlt Sunburst überall dort, „where editing precision matters most".
  • Multi-Turn-Konsistenz: Frühere Edits bleiben über lange Konversationen erhalten; einzelne Elemente (Produkt, Hintergrund, Textzeile) lassen sich austauschen, ohne dass Umgebung, Komposition oder Branding kippen.
  • Neue Eingaben: @Sketch zeichnet Referenzen direkt im Chat, Templates (Poster, Merch) liefern Startpunkte, Kommentare auf dem Bild fokussieren Edits, und Prompts lassen sich teilen.
  • Tempo: bis zu 50 % niedrigere Latenz gegenüber Images 2.0 (API-Praxiswerte aus der HN-Diskussion: ~35–40 s statt ~104 s).
  • Der neue Prompting-Guide (unserer Bild-Sektion oben entnommen) ist die erste vollständige offizielle Prompting-Dokumentation der Modellfamilie — mit Rezepten für exakten Text, transparente Logos, Charakter-Konsistenz und kontrollierter Iteration.

Prompt-Beispiel aus Simon Willisons Test (kopierbar, Sunburst-Edit mit Referenzbild):

add a raccoon scientist studying the chart thoughtfully

ausgeführt via uv run https://tools.simonwillison.net/python/openai_image.py 'add a raccoon scientist studying the chart thoughtfully' -i <referenzbild> -m gpt-image-2.5-sunburst

Warum das Prompting ändert: Referenz-basierte Edits mit halbsatzlangen Anweisungen werden zum Normalfall — die Qualität entscheidet sich nicht mehr an langen Beschreibungen, sondern an der Disziplin der Iteration (eine Bedingung pro Runde, Constraints wiederholen). Genau dafür liefert der neue Guide heute die Blaupausen.

Quellen: https://news.ycombinator.com/item?id=49614720 | https://simonwillison.net/2026/Sep/8/introducing-chatgpt-images-25/ | https://developers.openai.com/api/docs/guides/image-prompting?model=gpt-image-2.5

Community Resonanz: Die HN-Diskussion ist gespalten zwischen Begeisterung über Tempo und Editierbarkeit und Unbehagen über die Showcase-Nutzung (Fake-Party-Fotos, „AI-art tattoos so you can always be reminded how AI art looked in 2026") — die LM-Arena-Scores (Sunburst 1421, Flare 1399) bestätigen aber den Qualitätssprung unabhängig von der Kritik.

📰 Erlesene Artikel & Ressourcen

  • „Please Remove All Mannered Prose" and Other LLM Incantations — Matthew Ritch misst 33 Style-Prompts als Duals auf gemma-2-2b: „friendly tone" schlägt „write plainly" auf jeder Lesbarkeits-Metrik, „answer carefully" ist ein Placebo. Grundlage unserer heutigen Technik #1. https://matthewritch.com/blog/2026/09/08/Mannered-Prose-Style-Prompts/ | 29 Upvotes
  • Mercury 2.5 — Inception Labs' größtes Diffusions-Sprachmodell: +40 % Intelligenz gegenüber Mercury 2, 1.107 Tokens/s, 260K Kontext, tunbares Reasoning und schema-aligned JSON bei $0.20/$0.75 pro Million Tokens (Launch-Rabatt 80 %). Der Diffusions-Anbieter wird zur echten Prompting-Zielplattform für Latenz-Workloads. https://www.inceptionlabs.ai/blog/introducing-mercury-2-5 | 192 Upvotes
  • Penelopa.ai — Kontinuierliche Verbesserung für Coding-Agenten: analysiert echte Codex/Claude-Code-Sessions via Hooks und leitet Workflow-Empfehlungen ab (108 Sterne, diese Woche). https://github.com/chigwell/Penelopa.ai
  • PromptLedger — Prompt-Templates versionieren wie Code: SHA-256-Fingerprints, deterministische Vergleichs-Snapshots, Scorecards und diffbare Reports — Python + Go, nur Standardbibliothek. Das Werkzeug für alle, die Prompt-Dual-Tests (Technik #1) ernst nehmen. https://github.com/cyptnpassira/PromptLedger | 35 Sterne
  • awesome-gpt-6-astra & gpt-6-astra-10k-websites — Die Astra-Prompt-Welle rollt weiter: kuratierte Spiele mit Quellcode und Prompts (98 Sterne) plus zwei-Prompt-Workflow für Brand-Websites mit Desktop-Build und Mobile-Refinement über Higgsfield MCP (45 Sterne). https://github.com/MartinDelophy/awesome-gpt-6-astra · https://github.com/Barty-Bart/gpt-6-astra-10k-websites
  • Once popular for attacking AI, ASCII smuggling is embraced by spammers — Ars Technica über die Wiedergeburt der unsichtbaren Unicode-Injektion als Spam-Kanal: Pflichtlektüre für alle, die Prompt-Injection-Abwehr in Agenten ernst nehmen. https://arstechnica.com/security/2026/09/once-popular-for-attacking-ai-ascii-smuggling-is-embraced-by-spammers/
  • Muse — Metas persönlicher AI-Agent — 495 Upvotes und 534 Kommentare: Metas Consumer-Agent startet — die HN-Debatte dreht sich um Datenhunger und Vertrauen; für Prompt-Designer relevant, weil Muse-Nutzer Verhaltens-Prompts statt Task-Prompts schreiben. https://ai.meta.com/muse/
  • The Million Dollar Prompt — Ein interaktives Experiment im Geist des Million Dollar Homepage: ein einziger Prompt, Zeile für Zeile von Fremden beigesteuert (max. 50 Tokens je Beitrag) — was passiert, wenn ein Modell allen gleichzeitig folgen soll? Kurios, unterhaltsam, prompt-theoretisch lehrreich. https://milliondollarprompt.org/
  • OpenAI and HuggingFace: it's about responsibility, not capability — TwelveTables ordnet die Nvidia-Übernahme (13 Mrd. $, siehe auch Ars Technica) governance-seitig ein — relevant für alle, deren Prompt-Workflows auf HF-Models und -Datasets bauen. https://twelvetables.blog/openai-and-huggingface-its-about-responsibility-not-capability/

Bericht erstellt am 9. September 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs