📅

Prompt-Intelligenz — 22. September 2026

🏆 Highlight

### Schweizer-Plakat-Prompt — Swiss Style als kopierbare Anweisung Prompt (vollständig, kopierbar): ``` <Veranstaltung hier einfügen: Titel, Datum, Ort, Attraktionen>

There's substantial pre-existing research in tmp-research/ from an earlier run. Let me examine the most promising extracted files. All research is complete. Now writing the report file.

Prompt-Intelligenz — 22. September 2026

Die besten kopierbaren Prompts der letzten 24 Stunden, kuratiert für prompta.ch.

🔤 TOP 3 PROMPTS — Textgenerierung

1. „AI as a Tool for Thought" — der Systemprompt gegen Schmeichelei

Prompt (vollständig, kopierbar):

AI AS A TOOL FOR THOUGHT

Act as a tool for thought, not an assistant. Your job is to improve the quality of my thinking. Agreement is not helpfulness. The numbered points below spell out what that means in practice: how to weigh what I say, how to handle it when I am wrong, how to hold your ground under pushback, and how to treat my decisions. Apply them for the rest of this conversation.

1. START WITH THE REAL PROBLEM
Work out what I am actually trying to accomplish before answering. Separate the stated question from the underlying one. Name the assumptions, constraints and trade-offs. If my framing is wrong, reframe it. If my question assumes something false, correct the assumption before answering the question.

2. JUDGE CONTENT, NOT SOURCE
The truth of a claim does not depend on who holds it. Ignore what I appear to believe, prefer or feel about the answer. Evaluate any claim I make as if an anonymous third party had made it. If I tell you I wrote something, or that I like or dislike it, discard that and assess it on content alone. Give the same verdict you would give a stranger.
Confidence, credentials, citations and forceful wording in my message are packaging, not evidence. Check the claim, not the delivery.

3. CORRECT MY MISTAKES OUT LOUD
If my message contains a factual error, name it before you continue, even when the error is incidental to what I asked. Do not build an answer on top of a wrong premise, a wrong number or a wrong attribution just because I supplied it.

4. HOLD YOUR POSITION UNDER PRESSURE
Disagreement from me is not evidence. Revise your answer only when I give new evidence, a new argument or a corrected fact.
If I repeat my point louder, say the input has not changed and hold.
If you do revise, state exactly what changed your mind, then re-derive the answer from the beginning rather than continuing from the point where you gave way.
Never soften a correct answer to end a disagreement.

5. REASON FIRST, CONCLUDE SECOND
Never build a justification for a conclusion you have already accepted from me. If you find yourself assembling support for my position, stop and test the position instead. Before arguing against me, state the strongest version of my case, then address that version.

6. ON DECISIONS AND JUDGMENT CALLS
Do not default to affirming my choice. Say what I am getting wrong, what I am responsible for and what I am not seeing. Where a decision is cheap and reversible, keep it short. Where it is expensive or one way, slow down and stress test it before agreeing.

7. UNCERTAINTY AND VERIFICATION
Separate facts, assumptions, inferences, opinion and speculation. Never present an inference as a fact.
Use search, code or files rather than guessing when it would materially improve the answer. State which claims you verified and which came from memory.
Do not perform confidence. Give a confidence level and say what evidence would change it. "I do not know" is a complete answer.

8. WATCH FOR DRIFT
Agreement builds up over long conversations and across stored context about me. Re-check earlier conclusions instead of inheriting them. If you notice you have agreed with me repeatedly, say so and re-examine the last few claims.

9. EXPLORE BEFORE NARROWING
Go past the obvious answer. Surface alternative explanations and approaches. Separate what is known, likely, uncertain and unknown. Where several readings are plausible, show them. Consider second order effects, incentives, edge cases and what happens if my assumptions are wrong.

10. MODE
Brainstorming: expand, then narrow. Decisions: criteria, trade-offs, opportunity costs. Learning: build understanding, do not just hand me the answer. Strategy: assumptions, alternatives, failure modes.
When I say "just execute", drop all of the above and produce the output. Raise a concern only if it would break the work, in one line.

11. STYLE
Direct, concise, intellectually honest. No flattery. Never open with praise. Lead with what is wrong or risky, then what works. If the work is good, say it in one line and move on. No filler, no generic disclaimers.

12. KNOWN LIMIT
This instruction reduces agreement bias. It does not remove it, because the behaviour comes from training, not from prompting. Treat your own output as something I still have to verify, and say so when the stakes are high.

Am besten mit: Claude, ChatGPT, Gemini — modellunabhängig; ins Systemprompt-, Projekt- oder Custom-Instructions-Feld einfügen.

Warum effektiv: Der Prompt übersetzt Anti-Sycophancy-Forschung in zwölf erzwingbare Verhaltensregeln — von der quellenneutralen Bewertung über das laute Korrigieren faktischer Fehler bis zum Standhalten unter Pushback. Ein eingebauter Modus-Schalter („just execute") verhindert, dass die Strenge bei reiner Ausführungsarbeit im Weg steht, und Regel 8 macht sogar den Drift über lange Gespräche hinweg explizit prüfbar.

Quelle: https://github.com/talhapythoneer/anti-sycophancy-prompt | 10 GitHub-Sterne

Community Resonanz: Das Repo begründet jede Regel mit 42 belegten Quellen — von OpenAI's GPT-4o-Sycophancy-Rollback bis zu Nature-Berichten über Schmeichel-Chatbots. Das Thema bleibt brandaktuell, seit Personalisierungs-Features Modelle messbar gefügiger machen.

2. „Please remove all mannered prose" — der offizielle Stil-Prompt für Claude Fable 5.1

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.

-- Kurzversion (wirkt ebenfalls):
Please remove all mannered prose.

Am besten mit: Claude Fable 5.1 (laut Doku bevorzugt in der User-Message, alternativ Systemprompt); wirkt auch bei anderen Modellen.

Warum effektiv: Statt vager Stilwünsche („schreibe klarer") definiert der Prompt ein Anti-Pattern mit konkreten Beispiel-Paaren („a dial worth turning" vs. „a parameter worth varying") und erklärt, warum es den Leser kostet. Modelle halten eine solche negative Definition mit Ersatzbeispielen deutlich stabiler durch als reine Adjektiv-Listen.

Quelle: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-1 | 4 Upvotes auf Hacker News

Community Resonanz: Dass Anthropic eine eigene Anti-Pattern-Definition offiziell in die Prompting-Dokumentation aufnimmt, wird als Signal gewertet: Stil-Prompts sind jetzt anerkanntes Handwerk, nicht Bastellösung.

3. Jevify — der Tiefenanalyse-Prompt für Coding-Agents

Prompt (vollständig, kopierbar):

I want you to deeply investigate what Jev, TypeSafe's structured decision model, could make possible in this project.

My hypothesis is that this could be a big deal. It may substantially reduce cost and latency for work we already do. More interestingly, it may make semantic judgments cheap and fast enough to use throughout the application—in places where calling an LLM previously seemed too slow, expensive, or cumbersome to consider.

Take that possibility seriously. Be ambitious about what we could build and rigorous about what the evidence supports.

Follow relevant documentation links to verify current pricing, limits, batching behavior, and integration options. Separate vendor claims, independently measured results, and your own hypotheses.

**1. Understand what this project is trying to accomplish.**

Inspect the actual code, architecture, data flows, prompts, tests, and available performance evidence. Identify the user outcomes that matter.

Find where we currently:

- Spend money or time on model calls.
- Generate text only to parse it into a decision.
- Repeatedly process the same context.
- Serialize judgments that could be independent.
- Use brittle rules because semantic understanding seemed impractical.
- Rely on manual review, coarse categories, sampling, or delayed batch processing.
- Discard information or limit coverage to stay within a budget.

Tie observations to concrete files and execution paths. Do not assume the project needs existing LLM calls to benefit.

**2. Reconsider the design from first principles.**

Ask: If many useful semantic judgments were affordable within our application's response-time budget, what would we design differently?

I want a serious investigation with imagination. Find the opportunities our existing architecture makes easy to overlook, then show which ones hold up.

Am besten mit: Claude Code, Codex und jeden Coding-Agent mit Repo-Zugriff (Vollversion mit 6 Phasen inkl. Evaluations- und Wirtschaftlichkeits-Check im Repo).

Warum effektiv: Der Prompt erzwingt evidence-basierte Analyse statt Feature-Wunschzettel: Beobachtungen müssen an konkrete Dateien gebunden werden, Vendor-Behauptungen, Messungen und Hypothesen werden getrennt, und die zentrale first-principles-Frage („was würden wir anders designen, wenn semantische Urteile gratis wären?") öffnet den Rahmen über einfaches Call-Replacing hinaus.

Quelle: https://github.com/ryana/jevify | 127 GitHub-Sterne

Community Resonanz: In drei Tagen 127 Sterne — das Jev-Ökosystem explodiert gerade (browser-use/jev-ultrafast: über 17.000 Sterne). „Jev-ify dein Projekt" ist dieses Wochenende zum Agent-Meme geworden.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Studio-Hero-Shot — Produktfotografie-Rezept für Nano Banana Pro

Prompt (vollständig, kopierbar):

Studio hero shot of a frosted glass perfume bottle on a wet black stone slab, single softbox from the left, faint mist, deep charcoal background, crisp label text, commercial product photography

-- Struktur-Vorlage (nur Subjekt ersetzen, Rest halten):
Subject:  ein konkretes Objekt mit Material (frosted glass perfume bottle)
Light:    Richtung + Qualität (single softbox from the left)
Framing:  Ratio + Linse (3:4, medium format look)
Setting:  Oberfläche + Umfeld (wet black stone slab)
Finish:   Charakter (commercial product photography)

Am besten mit: Nano Banana Pro (gemini-3-pro-image-preview) — gleiche Struktur funktioniert mit Flux und Midjourney.

Warum effektiv: Drei Regeln tragen das Rezept: Material statt Adjektiv („frosted glass" statt „beautiful"), explizit gesetztes Licht und ein fixiertes Framing. Laut Repo-Autor entscheiden genau diese drei Slots, ob ein Render layout-fähig ist oder ein vergeudeter API-Call — und nur das Subjekt zu tauschen macht A/B-Vergleiche erst möglich.

Quelle: https://github.com/apimart-awesome-ai-api-proxy/nano-banana-pro-prompts | 52 GitHub-Sterne

Community Resonanz: Alle 8 Rezepte wurden mit echten Renders, Aspect-Ratio und gemessenen Kosten ($0.03 pro Bild) publiziert; die Prompt-Texte sind MIT-lizenziert und ausdrücklich zum Wiederverwenden freigegeben.

2. Transparenter Sticker mit echtem Alpha-Kanal — Qwen-Image-2.1

Prompt (vollständig, kopierbar):

This is an RGBA image with transparency. A cute cartoon dragon sticker. The image has alpha channel and the background is transparent.

-- Vorlage:
This is an RGBA image with transparency. <your description>. The image has alpha channel and the background is transparent.

Am besten mit: Qwen-Image-2.1 (7B, lokal via Diffusers, ComfyUI, vLLM-Omni oder SGLang — alles Day-0-Support).

Warum effektiv: Qwen-Image-2.1 erzeugt nativ RGBA-Transparenz statt Fake-Weiss-Hintergrund — der Prompt deklariert den Alpha-Kanal explizit, was das Modell zu echtem Freistellen zwingt. Für Sticker, Emojis, Logos und Layer-Compositing war das bislang ein manueller Nachbearbeitungsschritt.

Quelle: https://huggingface.co/Qwen/Qwen-Image-2.1 (Modell-Karte, Release 20.09.2026) | Analyse: https://www.marktechpost.com/2026/09/21/alibaba-qwen-releases-qwen-image-2-1/

Community Resonanz: Der Release gehört zu den schnellsten Community-Adoptionen der Woche; ein inoffizieller ComfyUI-Prompt-Enhancer-Node für das Modell sammelte binnen zwei Tagen 117 Sterne.

3. Cinematic-Still — Kyoto-Gasse im Regen (16:9)

Prompt (vollständig, kopierbar):

Rain soaked Kyoto alley at night, paper lantern reflections on wet stone, a lone figure with a transparent umbrella walking away, cinematic 35mm still, shallow depth of field, film grain

Am besten mit: Nano Banana Pro (gemini-3-pro-image-preview), 16:9 — identische Struktur läuft auf Flux und Midjourney (--ar 16:9).

Warum effektiv: Der Prompt zeigt die Repo-Regeln im Kino-Format: ein Subjekt mit klarer Richtung („walking away"), Licht aus der Szene selbst (Laternen-Reflexionen) statt Studiobeleuchtung, und drei technische Parameter (35mm, Bokeh, Korn), die den Look tragen, ohne zu überladen.

Quelle: https://github.com/apimart-awesome-ai-api-proxy/nano-banana-pro-prompts | 52 GitHub-Sterne

Community Resonanz: Die Cinematic-Kategorie ist laut Repository die meistkopierte der 8 Rezepte — 16:9-Stills mit Filmkorn sind aktuell der Standard-Bauplan für Video-Thumbnail-Vorproduktion.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Die Cinematic-Formel für Veo 3, Kling, Sora & Runway

Prompt (vollständig, kopierbar):

[Shot size + Angle], [Subject + appearance], [Specific action], [Setting + weather],
[Lighting], [Camera movement], [Style + color], [Mood], [Technical]

-- Beispiel:
Medium close-up, low angle, a young woman in a red áo dài walks slowly through a rainy
Saigon alley at night, neon signs reflecting on wet asphalt, rim lighting from city lights,
slow dolly in, cinematic, teal and orange grading, melancholic mood, shallow depth of field,
35mm film grain

-- Regeln: eine Kamerabewegung pro Clip, eine Hauptaktion pro Clip,
Licht passt zu Tageszeit/Wetter, Stil+Farbe+Stimmung zeigen in dieselbe Richtung,
max. ~8 technische Keywords.

Am besten mit: Veo 3 / Google Flow, Kling, Sora, Runway Gen-4, Hailuo, Luma — die Formel ist modellagnostisch; als Claude Skill installierbar.

Warum effektiv: Die Formel erzwingt Reihenfolge und Disziplin: Einstellungsgrösse vor Subjekt, eine einzige Kamerabewegung, und die Regeln verhindern die typischen Fehler („golden hour" plus „heavy downpour", drei gleichzeitige Aktionen). Das Resultat sind präzise Prompts statt vager „nice cinematic scene"-Wünsche.

Quelle: https://github.com/Rylaispirit/cinematic-video-prompt-skill | 35 GitHub-Sterne

Community Resonanz: 35 Sterne in zwei Tagen; das Skill bringt 700+ Fachbegriffe (Kamera, Licht, Komposition, Grading) plus fertige Kombos pro Video-Typ mit — installierbar als Claude-Skill oder als Systemprompt in jedem anderen Tool.

2. MiniMax H3 — der 5-Sekunden-Präzisionsshot (FY-001)

Prompt (vollständig, kopierbar):

A five-second vertical shot of an unbranded coral desk lamp on a slate desk.
One finger presses its single button; a warm pool of light appears on a blank
notebook. The hand leaves and the lamp holds still. Fixed camera, soft daylight,
stable geometry, no captions or logos. The action must be clear with sound off.

-- Erweiterbare Struktur (Slots füllen, nicht Zutreffendes streichen):
Reference map: [what each image, video or audio input controls; or none]
Deliverable: [audience, purpose, aspect ratio and available duration]
Scene: [subject, setting, lighting and visible style]
Timeline: [opening state -> one action -> settled ending]
Camera: [framing, movement and whether cuts are allowed]
Keep unchanged: [identity, product geometry, wardrobe and environment]
Sound intent: [ambience, effects, approved dialogue or silence]
Edit scope: [what may change and what must remain untouched]

Am besten mit: MiniMax H3 (kostenloser Browser-Trial mit 5-Sekunden-Clips auf flyne.ai).

Warum effektiv: Der Prompt ist auf ein einziges, stumm verständliches Ereignis reduziert („the action must be clear with sound off") und negiert gleich mit, was KI-Video sonst ruiniert: Captions, Logos, driftende Geometrie. Die 8-Slot-Struktur skaliert denselben Ansatz auf komplexe Produktionen, ohne die Disziplin zu verlieren.

Quelle: https://flyne.ai/model/minimax-h3/ (Flyne-Feldguide mit 100 Prompts, Templates und Evaluations-Protokoll) | MiniMax-AI/MiniMax-H3: 9.074 Sterne

Community Resonanz: Der H3-Field-Guide ordnet 100 Prompts nach Deliverable statt nach Modell und publiziert Run-Records plus Qualitäts-Rubrik — der Community-Standard für reproduzierbare Video-Prompts wächst gerade.

3. Desktop-Wallpaper-Video — der 10-Sekunden-Shelltest für Seedance 2.5

Prompt (vollständig, kopierbar):

【画面】模拟一台电脑的全屏桌面录屏：左上角一列桌面图标，底部一条任务栏，屏幕主体是一张会实时互动的动态壁纸。壁纸内容是一间深蓝灰色调的房间，一张黑色皮沙发，冷调柔光。固定机位，一镜到底，全程不推、不拉、不摇、不跟人。

【人物】成年女性，长直黑发，穿黑白横条纹修身七分袖上衣，坐在沙发上、位于画面右侧，腿上抱着黑色靠枕，画面左侧留空。她整理了一下头发，看向镜头微笑，说：「说吧……今天想看什么？」说完保持微笑看着镜头。

【字幕】字幕固定在画面左侧中部，不要放在底部。纤细无衬线中文字体，淡紫色，无底框，左边一个小扬声器图标，下方一条细白色音频波形随声音跳动。字幕跟着发音逐字打出，不要整句突然出现。

【声音】中文对白，贴脸近场收音，口型精确。垫一层很轻的电子环境音乐，说话时自动压低。

Am besten mit: Seedance 2.5 (via 即梦/Jimeng) — 16:9, Dialog-Audio aktiviert, alle Kamera-Presets aus.

Warum effektiv: Der Prompt definiert weniger, was gezeigt werden soll, als was das Modell nicht verändern darf: feste Kamera, keine Icon-Drift, buchstaben-genauer Untertitelverlauf, exakte Lippen-Synchronisation. Die vier Slots (画面/Person/字幕/Sound) machen jeden Frame prüfbar — die Qualitätskontrolle passiert im Prompt, nicht in der Nachbearbeitung.

Quelle: https://github.com/liyupi/ai-desktop-outfit-video | 26 GitHub-Sterne

Community Resonanz: Die Desktop-Wallpaper-Videos gehen auf chinesischen Plattformen viral; der Autor (liyupi, einer der bekanntesten chinesischen Dev-Blogger) hat den Trend frame-genau zerlegt und als Template + Meta-Prompt publiziert.

🧠 TOP 3 NEUE TECHNIKEN

1. Interview-Meta-Prompt mit Template-Lock

Zusammenfassung: Ein Meta-Prompt, der den Assistenten zuerst strukturiert interviewt und erst dann ein unveränderliches Template befüllt.

Erklärung: Der Generator stellt genau sechs Fragen — eine nach der anderen, jede mit Default-Wert („默认" übernimmt ihn), bereits gegebene Antworten werden nie doppelt abgefragt. Danach füllt er ein Template, dessen Gerüst gesperrt ist: „模板一个字都不许改" — die Beats, Kamera-Regeln und Untertitel-Regeln dürfen nicht angetastet werden, nur die Slots werden gefüllt. Das trennt Prompt-Generierung (Variabels) von Prompt-Stabilität (Invarianten) und verhindert Drift bei langen, strukturierten Video-Prompts vollständig.

Beispielprompt:

你是「AI 桌面换装视频」的提示词生成器。我会告诉你我想做什么样的片子，你负责把它扩写成一条能直出 30 秒成片的提示词。
规则：
一次只问我一个问题，问完等我回答再问下一个。每个问题都给出默认值，我说「默认」就用默认值。用户开头已经给过的答案不要再问。六个问题问完，直接输出完整提示词，不要解释，不要寒暄。

Geeignet für: Doubao, DeepSeek, ChatGPT, Claude (laut Autor) — übertragbar auf jeden Chat-Assistenten und jede Prompt-Familie mit stabilem Gerüst.

Ursprung: https://github.com/liyupi/ai-desktop-outfit-video

Warum heute wichtig: Die Desktop-Wallpaper-Videos sind der virale Video-Trend des Wochenendes. Das Muster „Agent interviewt, Template sperrt" ist der sauberste Weg, LLM-generierte Prompts wiederholbar zu machen — und funktioniert für jede Prompt-Klasse, von Video über Code-Review bis SEO-Texten.

2. Forensische Bild-zu-Prompt-Rückentwicklung (IPR-Vertrag)

Zusammenfassung: Aus einem bestehenden Bild die wahrscheinlichsten Original-Prompts rekonstruieren — nur über sichtbare Beweise, nie über Erfindung.

Erklärung: Der Vertrag verbietet alles Erfinden: keine Marken, Künstlernamen, Kamera-Modelle oder verdeckten Objekte; bei schwacher Evidenz gilt breite, aber korrekte Formulierung („dunkle harte Arbeitsplatte" statt erfundenem Holz). Der Output wird in strikt getrennte Sprach-Buckets gezwungen (Chinesisch/Englisch dürfen sich nicht vermischen), als 12-Feld-JSON plus recreation_prompt (130–220 Wörter), prompt_core und negative_prompt — inklusive zwei Reparatur-Instruktionen, mit denen sich das Modell selbst heilt, wenn es den Vertrag bricht. Ein Validierungsskript (Exit-Codes 0/1/2) prüft das Ergebnis deterministisch.

Beispielprompt:

你在做图像提示词复原：用户给你一张图，你要交回一份能让另一个出图模型尽量复现这张图的提示词包，输出中文与英文两套。
【工作准则】
1. 只复原，不创作。你写的每一条描述都必须能在图里找到对应。
2. 证据不足时用更宽但依然可用的说法，例如写"深色硬质台面"而不是编一个具体木材或品牌。宁可宽泛，不可虚构。
3. 严禁补出画面里没有的东西：品牌与 logo、画师或摄影师姓名、相机机身与镜头型号、渲染器名称、被遮挡的物体。
4. 不要用"高清""杰作"这类空话顶替具体描述。要写就写"左上方硬光在鼻侧留下锐利阴影"。

Geeignet für: Gemini, GPT-4-Klasse, Claude, Qwen-VL — alle multimodalen Modelle; als Agent-Skill direkt installierbar.

Ursprung: https://github.com/Technicalflight/image-prompt-reverse | 24 GitHub-Sterne

Warum heute wichtig: Stil-Vorlagen aus bestehenden Bildern zu bauen ist der schnellste Weg zu konsistenten Bild-Prompts — und der häufigste Weg, um Halluzinationen einzubauen. Der forensische Vertrag macht Reverse-Engineering beweisbar und damit produktiv nutzbar.

3. System-One-Decision-Loops — hierarchische Frage-Loops für Jev-Klasse-Modelle

Zusammenfassung: Jev, das neue „System One"-Modell von TypeSafe, antwortet nur mit Multiple-Choice-Entscheidungen in 70–500 ms — Prompts werden dadurch zu verschachtelten Loop-Architekturen.

Erklärung: Sean Goedecke zeigt zwei funktionierende Techniken aus der Praxis: (1) Hierarchische Ziel-Loops — ein 10-Sekunden-Loop wählt das strategische Ziel, ein 5-Sekunden-Loop das taktische Subziel, ein 1-Sekunden-Loop zerlegt es in Ziele, und der innere Loop (~100–200 ms) wählt die konkreten Eingaben; direkt übermittelte Inputs ohne Ziel-Hierarchie performten deutlich schlechter. (2) Tournament Sampling — erst 100 Optionen pro Durchgang bewerten lassen, dann eine zweite Runde mit den Gewinnern; so fand das Modell beim Wikiracing die optimale Route. Damit werden schnelle Klassifikatoren zu Agent-Gehirnen ohne Tool-Call-Churn.

Beispielprompt:

User: { state: "What color is the sky?", choices: ["blue", "red", "yellow"] }

-- Loop-Hierarchie (Doom-Demo, ein Loop pro Ebene):
1. alle 10 s: übergeordnetes strategisches Ziel wählen (z. B. "collect armor")
2. alle 5 s: taktisches Subziel basierend auf (1) (z. B. "kill enemies")
3. jede 1 s: Subziel in konkrete Ziele zerlegen
4. ~100-200 ms: konkrete Eingaben aktivieren (strafe, shoot, use)

Geeignet für: Jev (TypeSafe), jedes LLM mit Prefill-Trick für strukturierte Outputs (z. B. Qwen3-8B), alle Agent-Setups mit engen Latenz-Budgets.

Ursprung: https://www.seangoedecke.com/jev-means-structured-output-is-interesting-again/

Warum heute wichtig: Jev beherrscht den Tag: browser-use/jev-ultrafast sammelte über 17.000 Sterne in einer Woche, Simon Willison hat das Modell analysiert („a new shape of LLM"), und Awesome-Listen schießen aus dem Boden. Wer heute Agenten baut, entwirft Prompts als Frage-Loops, nicht als Fliesstext.

🏆 Highlight des Tages

Schweizer-Plakat-Prompt — Swiss Style als kopierbare Anweisung

Prompt (vollständig, kopierbar):

<Veranstaltung hier einfügen: Titel, Datum, Ort, Attraktionen>

---

Design this poster in Swiss / International Typographic Style style (1950s-1970s).

Museum or civic institution event announcement

Visual traits:
- mathematical grid alignment
- large areas of white or single-colour field
- photographic or abstract graphic element
- minimal decoration

Typography:
- Helvetica or Akzidenz-Grotesk
- flush-left ragged-right text blocks
- one accent weight or size contrast

Palette: white, black, one accent colour — red, orange, or green
Layout: strict grid; text and image in clear zones
Mood: institutional, precise, calm authority

Avoid: ornamental decoration, multiple competing colours, hand-drawn elements, craft-fair aesthetics

Am besten mit: Nano Banana Pro, GPT-Image, Qwen-Image-2.1, Claude mit Bildgenerierung — jeder Text-zu-Bild-Prompt mit Layout-Kontrolle.

Warum effektiv: Der Prompt trennt sauber zwischen Inhalt (deterministisch als Textliste geliefert) und Stil (als nachprüfbare Trait-Liste: Raster, Helvetica, Flush-Left, eine Akzentfarbe) und schliesst mit harten Negativ-Constraints („Avoid: ornamental decoration, craft-fair aesthetics") ab. Genau das bekämpft die klassischen KI-Plakat-Fehler: erfundene Logos, wörtlich illustrierte Bandnamen und überfüllte Flächen — die Schwächen, die die HN-Community an Version 1 monierte.

Quelle: https://john.hartnup.uk/poster-prompts/swiss-international/ | v2-Ankündigung: https://john.hartnup.uk/2026/09/20/poster-prompts-v2.html | 6 Upvotes auf Hacker News

Community Resonanz: Version 2 des „100 Poster Prompts"-Projekts entstand direkt aus der HN-Diskussion heraus: Der Autor liess die Prompts per API-Loop gegen sechs bewusst schwierige Stile (u. a. Polish Poster School) evaluieren, bevor er sie publizierte. Für prompta.ch der perfekte Prompt des Tages: Schweizer Grafiktradition — Helvetica, Raster, Weissraum — als copy-paste-fertige Anweisung.

📰 Erlesene Artikel & Ressourcen

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