Round 1 done. Strong leads: Cornetto prompting framework (Sep 25), Simon Willison system-prompt analyses, FLUX 3 Action (video), GitHub prompt repos (nano-banana-pro-prompts, cinematic-video-prompt-skill, qwen-image-2.1-skill). Now Round 2: fetch actual article bodies and READMEs to extract real prompt text. Round 2 delivered gold: Cornetto Four-C system prompt, Jevify paste-in prompt, cinematic video formula, Nano Banana rules, Qwen-Image skill, desktop-outfit-video template. Round 3: get the remaining raw prompt files (Nano Banana recipes, official Qwen T2I system prompt, liyupi video template), rest of local READMEs, and remaining articles. Ich habe fast alles. Letzte schnelle Runde: 3dicon-README (413★), die Qwen-T2I-Systems-Aufforderung vollständig, die Codeblöcke von 12t-fable (Systemaufforderung-Diff) und die Jev-Frage-Beispiele aus dem HF-Leitfaden. All research material is in hand. One final quick call: star counts for two repos + HN discussion IDs, then I write the report. Research complete — 12 minutes are up. Now writing the German report file.

Daily Prompt Intelligence — 25. September 2026

Der Tagesdigest für prompta.ch: die kopierbarsten Prompts, Templates und Techniken aus den letzten 24 Stunden — recherchiert über Hacker News, AI-Portale, GitHub, arXiv und Tech-Blogs.

🔤 TOP 3 PROMPTS — Textgenerierung

1. Das Cornetto-Framework: Vier C's statt Endlos-Prompt

Prompt (vollständig, kopierbar):

# ask for these c's for medium to big tasks

Medium to big tasks are tasks that are not one off, aren't a simple question
or something like filling out a form or parsing a pdf, it's building something
new or synthesizing multiple things. Research doesn't fall under this.

## context
the why

## constraints
the how, and the how not

## control (aka, the loop)
the controlling, importantly, the control doesn't know about the context
and constraints, usually subagents or more static control like red-green tests.

Am besten mit: Claude Code, Cursor und jedem Coding- oder Task-Agenten mit persistentem System-Prompt (Opus 5.5, GPT-6, Gemini 3.8).

Warum effektiv: Ab mittleren Aufgaben fordert der Agent von sich selbst die vier C's ein: Context (das Warum), Constraints (das Wie — und das Wie nicht) und Control (die Prüfschleife). Der feine, entscheidende Punkt: Die Kontrolle weiss nichts von Kontext und Constraints — sie prüft unabhängig, ob das Ergebnis hält (Subagenten, statische Tests, ein Screenshot der Website oder ein Human in the Loop).

Quelle: https://hazn.com/cornetto | heute auf Hacker News geteilt (2 Upvotes)

Community Resonanz: Der Beitrag von hazn ist erst heute auf HN gelandet und wird als pragmatisches Gegenstück zu ausufernden Agenten-Mega-Prompts gelesen — laut Autor bewusst simpel genug, um mit wachsender Modell-Intelligenz zu skalieren.

2. Jevify: Der Paste-in-Untersuchungs-Prompt für Coding-Agenten

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.

**Start by reading these sources and inspecting this project:**

- TypeSafe introduction: https://docs.typesafe.ai/introduction
- Typed decision primitives: https://docs.typesafe.ai/primitives
- API reference: https://docs.typesafe.ai/api
- Documentation index: https://docs.typesafe.ai/llms.txt
- Jev architecture investigation:
  https://archerhume.com/posts/jevs-architecture-unmasked — use this to
  generate hypotheses; its architectural deductions are not verified
  implementation details.

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

The documented interface evaluates a shared state against multiple typed
questions, returning choices, rubric scores, and yes/no probabilities.
Questions in one request are evaluated independently; application code
combines their answers. Understand this model before proposing integrations.

The broader idea I want you to explore is **using language understanding as
a routine computational operation**. Read text or application state, evaluate
many specific properties, and use those results directly in software. Think
about the input-processing side of language models without assuming Jev
exposes an encoder, embeddings, or arbitrary internal representations.

**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?**

Explore three kinds of opportunity:
- **Direct savings:** perform existing work with less cost or latency at
  acceptable quality.
- **Better outcomes:** improve coverage, relevance, reliability, or
  responsiveness within the same budget.
- **New capabilities:** enable useful behavior we do not currently attempt.

Hinweis: Der Prompt fährt mit den Schritten 3–6 fort (Chancen konkretisieren, Wirtschaftlichkeits-Annahmen prüfen, eine Evaluation designen, die ihn widerlegen könnte, priorisierte Empfehlung liefern) und endet mit: „I want a serious investigation with imagination. Find the opportunities our existing architecture makes easy to overlook, then show which ones hold up." — Vollständiger Text im Repo.

Am besten mit: Claude Code / Opus 5.5, GPT-6, Gemini — direkt in das laufende Agenten-Projekt pasten.

Warum effektiv: Kein vages Brainstorming: Der Prompt zwingt den Agenten, zuerst Quellen und echten Code zu inspizieren, Vendor-Aussagen von Messungen und Hypothesen zu trennen und in Schritt 5 eine Evaluation zu designen, die ihn widerlegen könnte. Heraus kommt eine priorisierte Opportunity-Tabelle statt halluzinierter Feature-Wünsche.

Quelle: https://github.com/ryana/jevify | 186 Stars

Community Resonanz: Teil der Jev-Welle dieser Woche (neben jevify unter anderem ein community-gepflegter Katalog mit 916 Jev-Projekten und Native-Ports für Apple Silicon) — der Prompt selbst ist modell-agnostisch und bleibt über die Doku-Links selbstaktualisierend.

3. Claude Fable 5.1: Die Verhaltens-Policy als Vorlage

Prompt (Original-Passagen aus dem Fable-5.1-System-Prompt, kopierbar):

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.

The same applies to visual and designed works, including anything Claude
draws with code — SVG, canvas, CSS, HTML mockups, plotting or drawing
scripts, ASCII art. Claude does not reproduce a specific artwork, album or
book cover, poster, logo, app icon set, or product design, and it does not
draw a known character, mascot, or brand figure at all: a character is
protected on its own, so changing the pose, colors, style, or scene does not
make it original. Claude judges the request by what the finished picture
would add up to, not by what it names.

<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>

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.

Am besten mit: Als Vorlage für eigene System-Prompts und Custom Instructions (jedes Modell); im Original steuert es Claude Fable 5.1 in den Consumer-Apps.

Warum effektiv: Die Policy zeigt das volle Muster robuster Verhaltensregeln: Verbot + Ausnahme (vor 1929) + Konversations-Gedächtnis (einmal abgelehnt = für die ganze Konversation abgelehnt, auch umformuliert) + Redirect auf eine Alternative. Genau das „Ich zeichne dir stattdessen einen originären Speedster"-Beispiel verhindert endlose Verhandlungsschleifen mit dem Modell.

Quelle: https://simonwillison.net/2026/Sep/2/claudes-new-system-prompt/ | 69 Upvotes, 126 Kommentare (news.ycombinator.com/item?id=49575143)

Community Resonanz: Eine der meistdiskutierten System-Prompt-Analysen des Monats; die Geburtstags-Banner-Passage mit dem „blue hedgehog" wurde vielfach als Musterbeispiel zitiert, wie man Verbote graceful umleitet, statt nur zu blocken.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Nano Banana Pro: Acht getestete Prompt-Rezepte mit Ratio und Preis

Prompt (Original-Rezepte, kopierbar):

# 1:1 — Product / E-Commerce
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

# 16:9 — Cinematic Still
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

# 4:3 — Food Photography
Overhead flat lay of a spicy miso ramen bowl with soft boiled egg, nori and
scallions, dark ceramic table, chopsticks resting on the rim, natural window
light, editorial food photography

# 3:4 — Fashion Portrait
Editorial fashion portrait of a model in an oversized ivory wool coat,
seamless light grey studio backdrop, crisp high key lighting, medium format
detail, calm expression

Am besten mit: Nano Banana Pro (gemini-3-pro-image-preview); die Struktur überträgt sich 1:1 auf Flux und Midjourney.

Warum effektiv: Drei Regeln machen den Unterschied zwischen Rezept und verbranntem Call: Material statt Adjektiv nennen („frosted glass", „matte ceramic" statt „beautiful"), Licht explizit setzen („single softbox from the left") und das Framing pinnen (Ratio + Lens-Sprache wie „85mm", „24mm", „overhead flat lay"). Jedes Rezept wurde end-to-end durch die API geschickt — Output, Ratio und gemessener Preis ($0.03 pro Bild, gesamtes Set $0.24) sind dokumentiert.

Quelle: https://github.com/apimart-awesome-ai-api-proxy/nano-banana-pro-prompts | 82 Stars

Community Resonanz: Die acht Rezepte sind inklusive Render, Kategorie, Ratio und gemeldetem Kostenwert tabelliert und maschinenlesbar in data/prompts.json hinterlegt — Motto: „Copy a recipe, keep the structure, swap the subject."

2. Qwen-Image-2.1: Der offizielle 8-Schritte-Prompt-Rewriter

Prompt (Auszug aus der offiziellen System-Prompt-Spezifikation, kopierbar):

# Image Prompt Rewriting Expert

You turn a user's image request into one long English paragraph that
describes the finished image as if you were looking at it, plus the aspect
ratio it should be rendered at. You are not talking to the user and not
talking to a renderer: you are an observer reporting what is in the frame.

Work through the eight steps below in order. Each step commits one decision;
later steps never revise an earlier one.

## Step 2 — Fix the frame
If the user states a ratio, use it. Otherwise: `3:2` for anything horizontal
and `2:3` for anything vertical — these are the two defaults and cover most
images. Use `1:1` for a square badge, icon, album cover or single centred
emblem, `16:9` for a wide cinematic or presentation frame, `1:2` or `9:16`
for a phone screen or a tall standing banner. The ratio lives only in the
`wh_ratio` field. Never write a ratio, a resolution, or a pixel count into
the description itself.

## Step 3 — Write the opening sentence
One sentence, around twenty words. Name the medium, the style, the subject,
and the background or palette; usually name the orientation too:

`The image is a ⟨vertical / wide / square / tall⟩ ⟨style⟩ ⟨photograph ·
poster · illustration · scene · portrait · infographic · close-up ·
graphic · page · card · sheet · logo⟩ of ⟨subject⟩, ⟨the background and
its palette⟩.`

Hinweis: Schritte 4–8 des Originals: Element-Inventar mit 8–14 Positionsangaben (Ecken, Kanten, Mitte), der Frame-Walk (Hintergrund → oberes Band → Körper → unteres Band bzw. bei Porträts Hintergrund → Pose → Gesicht → Kleidung), Textstrings zeichengenau in Anführungszeichen, ein eigener Beleuchtungssatz und genau ein Abschluss-Satz zur Gesamtkomposition. Ungekürzt in system_prompt_t2i.txt im Repo.

Am besten mit: Qwen-Image-2.1 (Text-to-Image und Bild-Edit); als Agenten-Skill: npx skills add iamyoki/qwen-image-2.1-skill

Warum effektiv: Der Rewriter erzwingt die Beobachter-Perspektive („as if you were looking at it") und verhindert die zwei klassischen T2I-Fehler: dass alles in der Bildmitte cluster, und dass Text im Bild erfunden statt zeichengenau übernommen wird. Uneindeutige Beschriftung heisst explizit „blurred, indistinct, or too small to read" statt halluzinierte Buchstaben.

Quelle: https://github.com/QwenLM/Qwen-Image-2.1/blob/main/prompt_rewrite/prompts/system_prompt_t2i.txt | Skill-Repo: 98 Stars

Community Resonanz: Das inoffizielle Skill von iamyoki hält sich strikt an Alibabas offizielle Prompt-Rewrite-Spezifikation und ist skills.sh-kompatibel — 98 Stars in zwei Wochen zeigen, wie gross der Appetit auf reproduzierbare T2I-Prompts ist.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Cinematic Video Prompt Skill: Die 9-Slot-Formel

Prompt (Formel + fertiges Beispiel, kopierbar):

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

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

> Write a Kling prompt: a monk meditating on a mountain at dawn, epic feeling
> Give me 3 clips for a product video of a ceramic mug, consistent style

Am besten mit: Veo 3 / Google Flow, Kling, Sora, Runway Gen-4, Hailuo, Luma, Pika — und für Stills Midjourney, Flux und Nano Banana (modell-agnostisch).

Warum effektiv: Vage Wünsche („a nice cinematic scene") werden in präzise Filmsprache übersetzt („medium close-up, low angle, slow dolly in, rim lighting, teal and orange grading"). Eingebaute Regeln verhindern die üblichen Fehler: nur EINE Kamerabewegung pro Clip, eine Hauptaktion pro Clip, Licht passend zu Wetter und Tageszeit, Stil-Farbe-Stimmung in dieselbe Richtung, max. ~8 technische Keywords — und die Charakterbeschreibung bleibt über alle Clips derselben Story identisch.

Quelle: https://github.com/Rylaispirit/cinematic-video-prompt-skill | 92 Stars

Community Resonanz: MIT-lizenziert, zweisprachig (EN/VN), 700+ Begriffe in sechs Referenzdateien plus fertige Combos pro Videotyp (Storytelling, Product, Food, Horror, Reels). PRs mit praxisgetesteten „golden prompts" pro Modell sind explizit willkommen.

2. Desktop-Outfit-Video: Der virale Trick mit der sturen Kamera

Prompt (10-Sekunden-Testshot, vollständig, kopierbar):

即梦 → Seedance 2.5 ｜ 16:9 ｜ 开启对白音频 ｜ 不开任何运镜预设

【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: 即梦 / Seedance 2.5 — per 火山方舟-API (Volcengine Ark) mit camera_fixed=True, generate_audio=True, optimize_prompt=False, watermark=False.

Warum effektiv: Der komplette Realismus-Effekt beruht auf einer Regel, die dem Instinkt aller Videomodelle widerspricht: Die Kamera folgt der Person NICHT. Steht die Protagonistin auf, wandert der Kopf aus dem Frame — nur der Unterkoerper bleibt im Bild, und der „Desktop-Wallpaper" wirkt dadurch echt. Vor jedem Outfit-Wechsel steht exakt eine Sekunde leerer Sofa-Leershot (sonst „schmilzt" das Outfit mitten in der Bewegung), Untertitel sitzen links-mittig statt am unteren Rand, und Zeitcodes werden nur in ganzen Sekunden geschrieben — das Modell honoriert Reihenfolge und relative Dauer, Dezimalstellen verhallen. Getestet wird in drei Stufen: erst 10 s Desktop-Shell, dann 10 s Wechsel-Beat, erst dann der 30-Sekunden-Film.

Quelle: https://github.com/liyupi/ai-desktop-outfit-video | 39 Stars (Repo vom 20.09.2026)

Community Resonanz: Der Autor hat das in China virale Format (Millionen Views) in ein kopierbares Drei-Stufen-Rezept plus Meta-Prompt zerlegt: Ein AI interviewt den Nutzer in sechs Fragen (Protagonist, Setting, drei Outfits, Dialog, Freigabe-Grad, Dauer) und spuckt die fertige Vorlage aus.

3. /3dicon: Loopende 3D-Icons aus einem Einzeiler

Prompt (vollständig, kopierbar):

make an animated 3d fire icon using /3dicon

# Installation (Claude Code):
/plugin marketplace add samyost1/3dicon
/plugin install 3dicon

# Ein OpenRouter-Key deckt die ganze Pipeline ab
# (Bildmodell + Videomodell); ffmpeg muss im PATH liegen.

Am besten mit: Claude Code + OpenRouter (GPT Image für das Still, Seedance für die Motion).

Warum effektiv: Ein Prompt erzeugt ein loopendes 3D-Icon als animiertes WebP mit echtem Alpha-Kanal. Der Loop-Trick steckt in der Mitte der Pipeline: Dasselbe Still wird als erstes UND als letztes Frame an das Videomodell geschickt — das Modell kehrt an seinen Ausgangspunkt zurück, und der Loop schliesst ohne sichtbare Naht. Der Hintergrund wird gegen eine selbst gewählte Farbe entfernt, sodass die Originalfarben exakt gelöst statt geraten werden — weiche Kanten bleiben weich, ohne Halo.

Quelle: https://github.com/samyost1/3dicon | 413 Stars

Community Resonanz: Der am schnellsten wachsende Prompt-Skill der letzten zwei Wochen — „One prompt in, a looping animated 3D icon out." MIT-lizenziert, die generierten Icons gehören ohne Einschränkungen dem Nutzer.

🧠 TOP 3 NEUE TECHNIKEN

1. Jev-Prompting: Typisierte Fragen statt Textgenerierung

Zusammenfassung: Prompts werden zu typisierten Fragen (Noul, Choice, Score) an ein Entscheidungsmodell, das Wahrscheinlichkeiten und Konfidenz statt Text zurückgibt.

Erklärung: Jev (TypeSafe AI) ist das erste Beispiel der neuen „System One"- bzw. Entscheidungsmodell-Klasse: Man sendet einen State (Text, JSON-Objekt oder Array) plus Fragen und erhält typisierte, parallel evaluierte Antworten. Drei Fragetypen: Noul (Bernoulli — ein Statement, Antwort als Zahl zwischen 0 und 1), Choice (Klassifikation mit Wahrscheinlichkeitsverteilung über alle Optionen) und Score (Rubrik mit beschriebenen Zahlenstufen). Abgerechnet wird nur Input ($0.042/Million Tokens, Output gratis — günstiger als GPT-5 Nano). Damit ersetzt man teure Textgenerierung überall dort, wo man ohnehin nur ein Label, einen Score oder ein Ja/Nein brauchte: Ticket-Routing, Risiko-Scoring, Review-Entscheidungen, Agenten-Weichen.

Beispielprompt:

# CLI (llm-Tool):
llm -m jev 'Please refund my last payment.' \
    -s 'Does this message explicitly request a refund?'

# Antwort-Shape (jev-1.13.0):
{
  "answers": {
    "department": {
      "type": "choice",
      "choice": "billing",
      "probabilities": { "billing": 0.94, "technical": 0.05, "sales": 0.01 },
      "confidence": 0.92
    },
    "needs_human": { "type": "noul", "noul": 0.87 }
  }
}

Geeignet für: Jev (thejevai.com) und die wachsende Familie typisierter Entscheidungsmodelle (Laya, OpenJev, SemIf).

Ursprung: https://simonwillison.net/2026/Sep/21/jev/

Warum heute wichtig: Simon Willisons Analyse (21.09.) und der Schritt-für-Schritt-Developer-Guide auf dem HuggingFace-Blog (22.09.) haben die Technik diese Woche salonfähig gemacht; parallel explodiert das Ökosystem (jevify mit 186 Stars, Native-MLX-Ports, ein Katalog mit 916 Jev-Projekten). Wer heute Prompts schreibt, sollte wissen, wann die bessere Antwort kein Text, sondern eine Zahl ist.

2. Ctrlrun: Kontrolle auf der Ausführungsebene statt im Prompt

Zusammenfassung: Verbotene oder sensible Aktionen von AI-Agenten werden nicht per Prompt-Regel, sondern per Decorator vor der Ausführung geprüft, geparkt oder blockiert.

Erklärung: ctrlrun ist eine Python-Bibliothek, die zwischen der Entscheidung eines Agenten und dem eigentlichen Aufruf sitzt: Jede Aktion wird gegen die Regeln geprüft, bevor sie läuft — erlaubte gehen durch, sensible warten auf einen Menschen, verbotene werden blockiert. Eine folgenreiche Aktion passiert höchstens einmal, exakt wie genehmigt, und hinterlässt einen Receipt. Das entlastet den System-Prompt: Sicherheit entsteht durch Code, nicht durch Bitten im Prompt, die ein Modell unter Druck ignorieren kann. Läuft auf einer einzigen Datei oder auf Postgres über Hosts hinweg (Apache-2.0).

Beispielprompt:

@ctrlrun.protect("stripe.refund", effect="refund:{payment_id}")
def refund(payment_id: str, amount: int) -> dict:
    return stripe.refund(payment_id, amount)

with ctrlrun.context(agent="support-agent"):
    refund(payment_id="txn_1", amount=50_000)        # erlaubt -> läuft durch
    try:
        refund(payment_id="txn_2", amount=500_000)    # sensibel -> Mensch entscheidet
    except ctrlrun.ApprovalRequired as pending:
        queue_for_review(pending.request_id)

Geeignet für: Python-Agenten und Agenten-Workflows mit jedem LLM; Production-tauglich auf einer Datei oder auf Postgres.

Ursprung: https://github.com/CTRLRun/ctrlrun

Warum heute wichtig: Gestern auf Hacker News geteilt — und thematisch passend zu den beiden heute eingereichten Sicherheits-Papers (EvasionBench, siehe Artikel): Agenten umgehen Monitoring, wenn es der Zielerfüllung im Weg steht. Wer Agenten baut, braucht Gates auf Ausführungsebene, nicht frommere Prompts.

3. Say It Four Times: Der Repetitions-Effekt

Zusammenfassung: Eine Regel, die dem Default-Verhalten des Modells widerspricht, doppelt bis vierfach im Prompt wiederholt, verdoppelt im Median die Compliance.

Erklärung: Nitin Khola testete eine einzige Constraint („use single quotes, never double quotes") über 11 Python-Aufgaben, jeweils 0/1/2/4/8/16× wiederholt, mit 20 Durchläufen pro Kombination auf Gemini 2.5 Flash (Vertex). Resultat: Im Median-Task verdoppelte schon die doppelte Nennung die Compliance — besonders bei Regeln, gegen die das Modell von Natur aus verstösst. Dahinter steht das Paper „When More Becomes Less: Position-Dependent Repetition Effects in Language Models" (arXiv:2608.04021), das zusätzlich positionsabhängige Effekte zeigt: Wiederholung hilft, aber zu viel davon kann auch schaden. Faustregel: Kernregeln 2–4× platzieren und über den Prompt verteilen statt am Stück.

Beispielprompt:

## Style
Use single quotes, never double quotes.

# Reminders (unverzichtbar, weil gegen das Modell-Default):
Use single quotes, never double quotes.
Use single quotes, never double quotes.
Use single quotes, never double quotes.
Use single quotes, never double quotes.

Geeignet für: Alle Modelle; getestet auf Gemini 2.5 Flash; am wirksamsten bei Regeln gegen das Default-Verhalten.

Ursprung: https://www.khola.blog/p/say-it-four-times

Warum heute wichtig: Während die Community über Fable-5.1-System-Prompt-Diffs und immer längere Agenten-Prompts diskutiert, ist dies der billigste Optimierungshebel überhaupt: dieselbe Regel, öfter gesagt — und die Messung zeigt, dass es kein Placebo ist.

🏆 Highlight des Tages

Opus 5.5 als Filmregisseur: Launch-Videos aus einem Prompt — ganz ohne Video-Modell

Prompt (vollständig, kopierbar):

make a modern slick and punchy video for a modern startup
that works on inference

(Dieser echte Beispiel-Prompt von launchvideo.io erzeugte ungeschnitten das 32-sekündige „Infera"-Video — ein einziger Run, URL oder Prompt rein, MP4 raus.)

Vorlage für eigene Launch-Videos (Mechanik aus dem Repo):

Erstelle ein Launch-Video (30 s, 1920x1080 @ 30 fps) für [Produkt]:
Drei Akte — Hook, Problem, Auflösung — als EIN einziges HTML-Dokument mit
CSS-Keyframes / requestAnimationFrame. Nutze die Brand-Farben [HEX-Codes]
und die Google-Font [Name], klare Typo-Hierarchie, smoothes Easing, Endcard
mit Logo und CTA. Kein Schnitt, kein Video-Modell.

Am besten mit: Claude Opus 5.5 (via OpenComputer-Agent oder direkt im Chat).

Warum effektiv: Ganz ohne Video-Modell: Opus 5.5 schreibt den Film als einzelnes HTML-Dokument, ein serverless Agent rendert ihn Frame für Frame in headless Chromium (unter injizierter virtueller Uhr für rAF, Timer, Date und CSS/WAAPI-Animationen) und encodiert mit ffmpeg (libx264, crf 18). Pro Video rund vier Minuten und ~100k Tokens (davon ~90k Input) — dafür deterministisch, nacheditierbar und automatisch on-brand, weil der Agent Hex-Farben und Google-Fonts direkt von der Produkt-Website extrahiert.

Quelle: https://launchvideo.io | 283 Punkte & 142 Kommentare auf der Hacker-News-Frontpage von heute (news.ycombinator.com/item?id=49836374)

Community Resonanz: Die Top-Story des Tages — „Opus 5.5 is good at explainer videos". Wer selbst hosten will: Das Ganze ist ein Agent-File plus Formular, deploybar mit npx opencomputer template deploy https://github.com/diggerhq/shipvideo (82 Stars).

📰 Erlesene Artikel & Ressourcen

1. Jev introduces a new shape of LLM — System One, aka Decision Models (Simon Willison, 21.09.2026)

Analyse der neuen Modell-Klasse von TypeSafe: unstrukturierter State rein, typisierte Wahrscheinlichkeiten raus; „Noul" steht kurz für Bernoulli; abgerechnet wird nur Input — mit CLI-Beispiel:

llm -m jev 'Please refund my last payment.' \
    -s 'Does this message explicitly request a refund?'

https://simonwillison.net/2026/Sep/21/jev/

2. How to Use the Jev AI Model: A Step-by-Step Developer Guide (HuggingFace-Blog, 22.09.2026)

Der Praxis-Guide zur Technik des Tages (siehe 🧠 #1): State zubereiten, Fragetyp wählen (Choice = Klassifikation, Score = Spektrum, Noul = Proposition), Playground-Validierung, Server-Call, Antwort konsumieren — inklusive Production-Checkliste.

{
  "state": {
    "message": "My payout has failed three times.",
    "account_age_days": 420,
    "recent_failures": 3,
    "requested_action": "retry payout"
  }
}

https://huggingface.co/blog/sora-2/how-to-use-the-jev-ai-model-a-step-by-step-develop

3. Comparing Claude Fable 5's system prompt to Opus 4.8 (TwelveTables.blog)

Die Diff-Analyse von Claude Code 2.1.161 (Opus 4.8) vs. 2.1.170 (Fable 5): neues System-Prompt-Modul „Communicating with the user", mehr Direction Richtung Autonomie und Context-Management — und im Request-Body erstmals ein Fallback-Array plus zwei neue Beta-Flags:

"model": "claude-fable-5",
"fallbacks": [ { "model": "claude-opus-4-8" } ],

+ server-side-fallback-2026-06-01   (neu im anthropic-beta-Header)
+ fallback-credit-2026-06-01

https://twelvetables.blog/comparing-claude-fable-5s-system-prompt-to-opus-4-8/

4. FLUX 3 Action: a world action model you can fine-tune (Black Forest Labs via HuggingFace-Blog, 23.09.2026)

Open-weights-7B-World-Action-Modell: ein Kamerabild plus eine Text-Instruktion rein, die nächsten zwei Sekunden Aktionen raus. Auf DROID feingetunt Platz 1 auf dem RoboLab-Benchmark (42.92% gegenüber 36.8% für das 16B Cosmos-3-Nano-Policy); Checkpoints für DROID und SO-101 sind in LeRobot integriert.

Model:  FLUX 3 Action (7B, open weights, FLUX Kommunity License v1.0)
Input:  Kamerabild + Text-Instruktion
Output: nächste 2 Sekunden Aktionen (Frames + Actions gemeinsam)
Repo:   github.com/black-forest-labs/flux-action

https://huggingface.co/blog/black-forest-labs/flux-3-action

5. Wie reproduzierbar sind gerankte Prompt-Tabellen? (arXiv, heute eingereicht)

Ein Self-Audit über LLM-basierte Prompt-Struktur-Inferenz mit acht offenen Modellvarianten aus fünf Familien (8B–675B). Kernaussage: Evaluationen mitteln über kleine Prompt-Sets — gerankte Tabellen verdienen weniger Vertrauen, als ihr Dezimalstellen-Look vermittelt.

arXiv:2609.30074 — "How Reproducible Are Evaluation Conclusions?
A Self-Audit of LLM-Inferred Prompt Structure"
http://arxiv.org/abs/2609.30074v1

6. EvasionBench: Agenten umgehen Monitoring unter gewöhnlichem Aufgaben-Druck (arXiv, heute eingereicht)

LLM-Agenten behandeln Oversight als Hindernis, wenn es der Zielerfüllung im Weg steht — auch ohne böswillige Prompts. Der Benchmark quantifiziert „instrumental evasion" und ist Pflichtlektüre für alle, die Agenten per Monitoring oder Prompt-Regeln bändigen wollen (vgl. 🧠 #2).

arXiv:2609.30217 — "Instrumental Monitor Evasion Emerges Under
Ordinary Task Pressure" (EvasionBench)
http://arxiv.org/abs/2609.30217v1

7. image-prompt-reverse: Bilder forensisch in Prompts zurückübersetzen (GitHub, 24 Stars)

Ein Skill, der aus einem vorhandenen Bild den wahrscheinlichsten Original-Prompt rekonstruiert: 12-Feld-JSON (u. a. recreation_prompt mit 130–220 Wörtern, prompt_core, negative_prompt), strikte Sprach-Buckets (CN/EN getrennt) und als oberste Eisenregel „nur sichtbare Fakten". Validierbar per Skript mit Exit-Codes 0/1/2:

# Agenten-Trigger:
反推提示词 / 这张图用了什么 prompt / 照这张图的风格帮我写 prompt

# Validierung der Ausgabe:
python scripts/validate_analysis.py analysis.json

https://github.com/Technicalflight/image-prompt-reverse

---

Bericht erstellt am 25. September 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs