📅

Daily Prompt Intelligence Report — 19. Oktober 2026

🏆 Highlight

### Harness Engineering 101 — Das Buch zum Trend des Tages, gratis Heute erschien «Harness Engineering 101» von Isuru Wijesiri («The LLM is the brain, the harness is the body») direkt auf die HN-Frontseite: 16 Kapitel, ein wachsender ~300-Zeilen-Toy-Agent in plain Python, komplett als mdBook lesbar. Die Kernthese: Ein LLM-API ist stateless — jede Runde schickt man das gesamte Gespräch...

Daily Prompt Intelligence Report — 19. Oktober 2026

🔤 TOP 3 PROMPTS — Textgenerierung

1. TV-Detox: Der Android-TV-Entrümpler

Prompt (vollständig, kopierbar):

Help me clean up my Android TV and make it faster.
My TV is a <brand and model>.

1. Connect to my TV over Wi-Fi. Walk me through anything
   I need to tap on the TV.
2. Before changing anything, list every app in plain English:
   safe to turn off, needed by the TV, and apps I use.
   Check free memory.
3. Ask me before every change. Turn apps off instead of
   deleting them. Never turn off Google Play, the keyboard,
   Bluetooth or my HDMI inputs. Keep a list of what you
   changed and how to undo it.
4. Install the home screen: download
   https://github.com/Ansub/tv-detox and run its
   install.sh with my TV and these apps: <your apps>.
5. Turn off animations and the screensaver, and make the TV
   sleep after 5 minutes.
6. Restart the TV and show me free memory before and after.

Am besten mit: Claude Code oder Codex (auf dem Laptop, im selben WLAN wie der TV)

Warum effektiv: Der Prompt nummeriert sechs konkrete Schritte und baut Guardrails direkt ein: «Ask me before every change», «Turn apps off instead of deleting» und eine Undo-Liste. Der Erfolg wird messbar gemacht (freier Speicher vor/nach dem Neustart), und kritische Apps sind per Negativ-Liste geschützt.

Quelle: https://github.com/Ansub/tv-detox | 229 Stars

Community Resonanz: 229 Stars in kurzer Zeit, dazu ein YouTube-Video, das den kompletten Ablauf an einem echten TV in 4 Minuten zeigt; funktioniert auf Android TV 9–12 und Google TV 14, jede Änderung wird automatisch auf Emulatoren getestet.

2. Motion Explainer: Erklärvideo-Set für dein Fachgebiet

Prompt (vollständig, kopierbar):

Read PROMPT.md and follow it.
Field: <your field, e.g. "coffee brewing", "stage lighting", "UI components">
Who it is for: <e.g. "people who ask AI image models for product photos">

Am besten mit: Claude Code, Codex, Cursor (mit Node.js 18+ und ffmpeg)

Warum effektiv: Ein einziger Satz lädt die komplette Arbeitsanleitung aus dem Repo und parametrisiert sie mit nur zwei Feldern. Das Ergebnis: drei Looping-Videos mit je 8 animierten Karten («24 Namen deines Fachgebiets») plus einseitiger Cheat-Sheet — in der Sprache, in der man schreibt.

Quelle: https://github.com/showheyohtaki/motion-explainer | 50 Stars

Community Resonanz: Aus der viralen X-Videoserie von Shohei Ohtaki entstanden; der Kern kam aus einem Kommentar: «What was holding me back wasn't a lack of imagination. It was not knowing what this kind of movement is called.» Mehrsprachige READMEs (EN/JA/ZH/KO/ES), Community-Posts unter #MotionExplainer.

3. Spec-Handover: Ein Approval statt 40 Rückfragen

Prompt (vollständig, kopierbar):

Build me a static site generator from this spec

Add CSV export with column widths to the existing app

This test fails on leap days: find the root cause and fix it

Am besten mit: Claude Code + Superlite-Plugin (/plugin marketplace add iha2/superlite, dann /plugin install superlite@superlite-dev)

Warum effektiv: Eine Zeile oder eine Spec-Datei genügt — Superlite stellt dann eine Batch von max. vier Fragen, schreibt einmal Design-und-Plan und baut danach parallel. Der Prompt zeigt die drei Einstiegsformen aus dem Originalartikel: neues Projekt, Erweiterung, Bugfix mit Root-Cause-Analyse.

Quelle: https://contextfirst.blog/superlite-hand-an-agent-a-spec/ | 109 Upvotes

Community Resonanz: 30 HN-Kommentare zur Frage, wie viel Prozess aktuelle Modelle noch brauchen; Benchmarks im Artikel: 177/177 versteckte Tests bestanden — in etwa der halben Zeit eines superpowers-orchestrierten Runs.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Scene-Master-Scaffold: Modellneutraler Bildprompt in fester Reihenfolge

Prompt (vollständig, kopierbar):

Grounded scene: establish era, place, time, weather, and the fixed event.

Story beat: identify what just happened, the concrete current action, and the implied next event.

Character identity and blocking: describe who is present, where each person is, what each person is physically doing, and how objects occupy their hands or attention.

Environment and topology: establish usable entrances, exits, surfaces, routes, causal traces of use, and the relationship between foreground, midground, and background.

Visual center: state what the eye discovers first and what remains secondary, hidden, or unresolved.

Camera witness position: place a real camera at a specific location and height; define observation distance, subject scale, focal behavior, boundary or obstruction, and movement only when motivated.

Source light map: name the primary source, limited secondary sources, protected shadow zones, highlight surfaces, exposure behavior, and resulting color relationship.

Material behavior: describe how the important surfaces respond to weight, moisture, age, movement, contact, and the mapped sources.

Capture behavior: add only a few compatible traits such as natural exposure, soft highlight roll-off, plausible motion blur, focus imperfection, restrained grain, or source-bound halation.

Delivery: preserve the requested aspect ratio, visible text, reference-image roles, restrictions, and likely scene-specific failure modes.

Am besten mit: GPT Image 2.5, Midjourney, Seedream 5.0 Pro, Nano Banana (jeweils über den Modell-Adapter)

Warum effektiv: Zehn Zeilen in fester Drafting-Ordnung: erst die Fakten der Szene, dann der «Zeuge» (Kamera), erst zum Schluss die Modell-Syntax. Das verhindert Prompt-Salate, weil Bildinhalt und Kameraaussage getrennt entschieden werden, bevor ein Modell-Compiler das Ganze übersetzt.

Quelle: https://github.com/popopo-99/zy-cinematic-realism | 597 Stars

Community Resonanz: Version 2.5.0 «Story to Frame» des 597-Sterne-Skills; enthält zusätzlich Dream-Decode-Referenzanalyse, Continuity-Bible und einen Repair-Modus für misslungene Generierungen.

2. MOSS-Image-Kompilationsrezept: Positive/Negative-Paar mit Realismus-Lock

Prompt (vollständig, kopierbar):

Positive: A young woman with long platinum hair, wearing an oversized
beige wool coat and jeans, standing under the awning of a corner cafe,
holding a paper cup with both hands, rain-wet pavement reflecting the
warm shop-window light, candid posture, gentle smile, everyday
clothing, natural interaction with the scene, unretouched
medium-format analog film photograph, shot on Hasselblad 500C/M with
Kodak Portra 400, soft diffused natural daylight

Negative: nudity, nude, topless, shirtless, cleavage, see-through
clothing, lingerie, underwear visible, erotic, seductive pose,
suggestive pose, explicit, nsfw, anime, 2d, illustration, cel shading,
cosplay, censored, watermark, english text

Parameter: 640 x 960 (Portrait, eine Person), Steps 25, CFG 3.5,
SLG single_layers "" (leer = Fotorealismus)

Am besten mit: MOSS-Image (OpenMOSS: Qwen3.5-9B-Text-Encoder + 5B single-stream DiT)

Warum effektiv: Die Regel-Engine (CC BY-NC-ND 4.0, Attribution an Moeblack) übersetzt Danbooru-Tags in echte Foto-Beschreibungen, löscht Copyright- und Artist-Tags und setzt als Schluss-Satz einen «Realismus-Lock» (Mittelformat-Analog-Formulierung), der das Bild am Ende ins Fotoreale zieht. Die Negative-Pole sperrt oben NSFW und die komplette 2D-Richtung — 121 Testreihen haben diese Parameterbasis bestätigt.

Quelle: https://github.com/Moeblack/moss-image-prompt-skill | 44 Stars

Community Resonanz: Kompilations-Engine mit Evidenz-Graden (A = im A/B-Vergleich bestätigt, B = einmal beobachtet, C = Hypothese, D = widerlegt und verboten); drei Modi: 3D-Realistisch (Default), 2D-Anime und hybrides 2D-in-3D.

3. Top-Down-Floorplan: Meta-Prompt fürs Raumgeometrie-Locking

Prompt (vollständig, kopierbar):

Build a top-down floor plan for [SCENE]. Mark every character with
their position, which direction they're facing, and who they're
looking at. Include distance between characters and a scale.

Below the diagram, write a paste-ready blocking note for Seedance —
one short paragraph per character covering: where they are, which way
they face, gaze line, pose, what they're touching.

Render as an HTML artifact.

Scene: [DESCRIPTION]

Am besten mit: Claude (Planung), danach Seedance oder ein Bildmodell für die Generierung

Warum effektiv: «The map is for YOU. The prose is for the model» — der Grundriss ist ein Authoring-Werkzeug zum Prüfen der Geometrie, in den Prompt wandert nur die Blocking-Note. So verhindert man die klassische Spatial-Awareness-Katastrophe bei Mehrpersonen-Shots, bevor ein einziges Bild/Video generiert wird.

Quelle: https://github.com/OSideMedia/higgsfield-ai-prompt-skill | 762 Stars

Community Resonanz: Teil der aktiv gepflegten Skill-Suite (Higgsfield-Prompting für Kling, Veo, Seedance, FLUX, Hailuo); Schwester-Template staging-reference.md ergänzt die frontale Positions-Referenz, die als Bild angehängt wird.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Neo-Noir-Alley: Zwei-Charakter-Anchor für Seedance 2.5

Prompt (vollständig, kopierbar):

At 0 seconds, two characters in frame.

Character A — Roco (Soul ID @Image1).
  Screen position: left third, x-position 30%, y-position 55%,
    frame occupancy 28%.
  Depth layer: midground.
  Body orientation: three-quarter toward Lulu, screen-right.
  Pose: standing, weight on back foot, right hand resting on coat
    pocket.
  Gaze: locked on Lulu's eyes.
  Contact points: boots planted on wet asphalt, shoulders square.
  State lock: composed, alert, controlled aggression.

Character B — Lulu (Soul ID @Image2).
  Screen position: right third, x-position 70%, y-position 60%,
    frame occupancy 24%.
  Depth layer: midground (1 meter behind Roco's depth plane).
  Body orientation: three-quarter toward Roco, screen-left.
  Pose: backing one step at a time, hands raised at chest height,
    palms out.
  Gaze: darting between Roco's eyes and the alley behind her.
  Contact points: back nearly touching chain-link fence, boots
    sliding on wet asphalt.
  State lock: cornered, calculating, afraid but controlled.

Cross-character relationships:
  Distance between Roco and Lulu: ~3 meters, closing.
  Eyeline: Roco → Lulu sustained; Lulu → Roco intermittent.
  Crossing rule: neither crosses the central vertical axis of the
    frame in this shot.
  Negative space: centered between them, narrowing as Roco advances.

Camera: medium-two-shot, low angle (camera at chest height), FOV 63
  degrees, anamorphic optical character, slow dolly-in 0.5m over the
  shot duration.
Setting: rain-soaked alleyway, 2am, light rain, sodium-vapor street
  lamp from screen-right above, steam from a manhole behind Lulu,
  garbage bags + chain-link fence + brick walls.
Aesthetic: neo-noir, high-contrast key-and-fill with deep shadows,
  desaturated palette with sodium-orange highlights, film grain
  visible, no VFX.
Audio: light rain continuous, distant traffic, Roco's footstep on
  wet asphalt at 2s, Lulu's breath audible, no music.
Continuity locks: Lulu's hands stay raised throughout; Roco's right
  hand stays on coat pocket; neither character changes position by
  more than ~1m.
Final frame: Roco one step closer, Lulu's back touching the fence,
  eyeline locked, negative space narrowed to half the original.

Am besten mit: Seedance 2.5 (mit Soul-ID-Referenzbildern @Image1/@Image2)

Warum effektiv: Jeder Charakter ist mit 10 Attributen verankert (Position in Prozent, Depth-Layer, Blick, Kontaktpunkte, State-Lock) — plus Querverhältnisse: Distanz, Eyelines, Crossing-Rule und negativer Raum. Continuity-Locks und ein definiertes Final Frame halten den Shot über die gesamte Dauer stabil.

Quelle: https://github.com/OSideMedia/higgsfield-ai-prompt-skill | 762 Stars

Community Resonanz: Das ausgearbeitete End-to-End-Beispiel («worked example») des Multi-Character-Anchor-Templates; die Suite dokumentiert Failure-Modes wie Multi-Motion-Camera-Overload und spatial Fehlrekonstruktion gleich mit.

2. Single-Character-Position: Eintage-Personen-Shots sauber verankern

Prompt (vollständig, kopierbar):

[At/from N seconds] One character in frame.

[Identity, Soul ID handle].
  Screen position: [left third / center / right third],
  x-position [%], y-position [%], frame occupancy [%].
  Depth layer: [foreground / midground / background].
  Body orientation: [toward camera / away / profile-left /
    profile-right / three-quarter].
  Pose: [physical configuration].
  Gaze: [where they look — frame-position or off-screen direction].
  Contact points: [physical surfaces — feet planted, hand on doorframe].
  State lock: [emotional or physical state].

One dominant action: [single action — one motion verb at the spine
  of the shot per § Single-vs-multi-shot decision].
Motion: [secondary motion — hair, fabric, breath; eye motion].

Camera: [shot size], [angle], [lens], [movement — one dominant
  motion per § Multi-motion camera overload guidance].
Setting: [location, time, weather, atmosphere].
Aesthetic: [genre, lighting, color grade, texture].
Audio: [ambience, SFX, dialogue, music].
Final frame: [composition at last frame].

Am besten mit: Seedance 2.0 (paste-ready Template)

Warum effektiv: Für Shots ohne Querverhältnisse reicht der schlanke One-Charakter-Block: Position, Pose und Kontaktpunkte werden explizit gelockt, und die Trennung «One dominant action» vs. «Motion» verhindert den Multi-Motion-Overload, wenn Kamera UND Figur UND Stoff gleichzeitig tanzen sollen.

Quelle: https://github.com/OSideMedia/higgsfield-ai-prompt-skill | 762 Stars

Community Resonanz: Ein von zehn annotierten Genre-Templates (Chase, Product-UGC, Horror, Fashion, Sci-Fi-VFX, Portrait, Landscape, Comedy, Romance, Dance) plus acht Technik-Templates inkl. FACS-Action-Unit-Gesichtsschauspiel und Anime-Layout.

3. MiniMax-H3-Ref2VA: Ganze Episode in einem Prompt

Prompt (vollständig, kopierbar):

【ComfyUI media slot binding — Shot 1 of N】
Picture 1 = end frame of previous shot (prev_endframe.png)
Picture 2 = character sheet — Lulu (lulu_sheet.png)
Audio 1 = clean dry voice line (shot1_dry.wav)

subject_definitions:
  Lulu — female, late 20s, long platinum hair, beige wool coat
  [identity locked to Picture 2]

summary:
  One sentence: what happens in this shot.

retention_analysis:
  What must be retained from the references — face, hair, outfit,
  prop continuity; what may vary.

detailed_description:
  Composition, subjects, environment, actions, camera, sound and
  the exact point where referenced content appears; describe each
  shot; timing must match the requested duration.

overall_soundscape:
  Ambience, SFX, dialogue timing — synced to Audio 1.

non_diegetic_music:
  Music bed or explicitly none.

Am besten mit: MiniMax H3 (lokal über ComfyUI, Ref2VA-Modus)

Warum effektiv: Die sechs Sektionen folgen exakt der offiziellen H3-Struktur (subject_definitions → summary → retention_analysis → detailed_description → overall_soundscape → non_diegetic_music), und die Slot-Binding-Liste oben sagt unmissverständlich, welches Bild in welchen ComfyUI-Knoten gehört — das eliminiert das Rätselraten bei Endframe-Staffel und Charakter-Referenz.

Quelle: https://github.com/MIKA6941/Comfy-H3-Director | 16 Stars

Community Resonanz: Der Director-Skill spuckt «one-shot» die Prompts einer ganzen Episode (1–N Shots) aus, mit Tier-1-Asset-Entscheidung (Hauptcharakter-Dreisicht, Key-Props) und Endframe-Staffelanleitung — Ziel laut README: 0 Syntaxfehler, maximale Modell-Verständlichkeit.

🧠 TOP 3 NEUE TECHNIKEN

1. Die MCSLA-Formel (Model · Camera · Subject · Look · Action)

Zusammenfassung: Fünf feste Ebenen, die jeder Video-Prompt durchlaufen muss, bevor er das Modell erreicht.

Erklärung: MCSLA zwingt zur Reihenfolge: erst das Model (Kling 3.0, Veo 3.1, Seedance 2.5 …), dann die Kamera (Shot-Größe, Linse, eine dominante Bewegung), dann das Subjekt (verankert mit Position und State-Lock), dann der Look (Genre, Licht, Color Grade) und erst zuletzt die Action (ein dominantes Motions-Verb pro Shot). Single-Shot-Prompts bleiben dabei unter 200 Wörtern; Produktions-Briefs im Block-Scaffold-Format (218–2.059 Wörter Median) folgen stattdessen einer strukturellen Lint-Prüfung. Aspect Ratios sind Enums, keine Freitexte — Seedance 2.0 kann natives 21:9, Kling 3.0 nicht.

Beispielprompt:

Model: Seedance 2.5.
Camera: medium shot, low angle, 35mm, slow dolly-in 0.5m.
Subject: one detective (Soul ID @Image1), left third, midground,
  coat pocket contact, state lock: controlled aggression.
Look: neo-noir, sodium-vapor streetlight, desaturated palette,
  visible film grain.
Action: he steps forward once, gaze locked, hands stay raised
  on the other character. 5 seconds.

Geeignet für: Kling 3.0/3.0 Omni, Veo 3.1, Wan 2.7, Seedance 2.5/2.0/Pro, FLUX 3 Video, Hailuo 2.3

Ursprung: https://github.com/OSideMedia/higgsfield-ai-prompt-skill

Warum heute wichtig: Die 762-Sterne-Suite ist eine der aktivsten Prompt-Engineering-Ressourcen im Moment und pflegt Namen-Vokabular (Motion Presets, Soul IDs, Kamera-Presets) maschinengeprüft gegen Modell-Spezifikationen. Wer heute Video-Prompts schreibt, kommt an der Fünf-Ebenen-Struktur kaum vorbei.

2. Harness²: Rekursive Harness-Verfeinerung (Propose – Probe – Compose)

Zusammenfassung: Ein Editor-Agent verbessert zur Laufzeit den Harness (alles um das Modell herum), statt die Modellgewichte zu trainieren.

Erklärung: Googles Framework startet mit einem Basisharness und durchläuft nach jeder Aufgabe drei Schritte: Der Task läuft einmal mit dem Referenz-Harness; ein Editor schlägt zwei Kandidaten-Edits vor — ein «invarianter» Kandidat gegen generische Agent-Schwächen (Planung, Tool-Nutzung) und ein «Domänen»-Kandidat mit Fachwissen für die aktuelle Domäne. Beide Kandidaten werden auf dieselbe Aufgabe probiert, ein Composer vergleicht die Trajektorien mit der Referenz und behält nur Edits, die im beobachteten Verhalten einen Unterschied machen. Ein Reflector speichert den übernommenen Harness plus eine Lessons-Datei für künftige Vorschläge. Messbar: GLM-5 unter OpenCode stieg von 64,2 auf 75,7 auf WorkBuddy-Bench (+11,5 Punkte) — schwächere Executors profitieren am meisten.

Beispielprompt:

You are a harness editor. Below is the base harness (CLAUDE.md,
tool definitions, permission config) and the trajectory of a
completed task run.

Propose exactly two candidate edits:
1. Invariant candidate — fix a general agent failure you observed
   in the trajectory (planning, tool use, context handling).
2. Domain candidate — add knowledge or procedures specific to
   this task's domain.

Both candidates will be probed on the same task. Then compare
both trajectories against the reference run and keep only the
edits that produced measurably better behavior. Record the adopted
harness plus one lesson in LESSONS.md.

Geeignet für: Gemini 3.5 Flash, GLM-5, Claude (Executors unter OpenCode/Codex; Default-Editor im Paper: Claude Opus 4.8)

Ursprung: https://www.marktechpost.com/2026/10/18/google-harness2-recursive-agent-harnessing-framework/

Warum heute wichtig: Gestern open-sourced (Linux, Python 3.12/3.13, uv) — und es untermauert den Trend des Tages: Agenten verbessern sich durch bessere Umgebung, nicht durch bessere Modelle. Auf einem Benchmark-Setup brachte parallel rekursives Harnessing (k=5) Gemini unter OpenCode auf 81,2 Punkte.

3. Spec-Handover mit Hook-Enforcement: Regeln per Code, nicht per Prompttext

Zusammenfassung: Ein Workflow für Claude Code, bei dem eine einzige Freigabe genügt und Regeln durch Hooks erzwungen werden, weil Agenten Promp-Regeln lesen — und dann trotzdem machen, was sie wollen.

Erklärung: Superlite misst erst die Größe des Auftrags (Tippfehler = sofort fixen; neuer Auftrag = ein Fragen-Batch, ein Design-und-Plan, ein Approval). Der Plan wird als Task-Graph mit Datei-Besitztümern, Interfaces und Tests parallelisiert — bis zu 18 Agenten gleichzeitig in vier Tiers: Coordinator (plant nur, ein Hook blockiert jede Code-Bearbeitung), Implementer, Intern (kleine mechanische Tasks) und Reviewer (liefert Findings, darf nie selbst fixen). Jede Entscheidung, die normalerweise eine Frage wäre, wird als «Ruling» protokolliert: was entschieden wurde, warum, und was es kostet, wenn es falsch war.

Beispielprompt:

You are working autonomously on: <spec file>.
Rules:
- One approval only: after the design-and-plan document, do not
  ask again.
- Record every decision as a ruling: what you decided, why, and
  what it costs if you got it wrong.
- Stop only for destructive, outward-facing, or security-sensitive
  actions.
- Never push or merge without me.

Geeignet für: Claude Code (Sonnet/Opus), jedes Agent-Setup mit Hook-Support

Ursprung: https://contextfirst.blog/superlite-hand-an-agent-a-spec/

Warum heute wichtig: Der Artikel traf gesternabend die HN-Diskussion (109 Punkte) über die richtige Prozessmenge für moderne Modelle. Die Kernlektion geht über Claude Code hinaus: Verhaltensregeln gehören in ausführbaren Code (Hooks), nicht in Bold-Caps-Zeilen im Systemprompt — «agents read the rules and then do what they like».

🏆 Highlight des Tages

Harness Engineering 101 — Das Buch zum Trend des Tages, gratis

Heute erschien «Harness Engineering 101» von Isuru Wijesiri («The LLM is the brain, the harness is the body») direkt auf die HN-Frontseite: 16 Kapitel, ein wachsender ~300-Zeilen-Toy-Agent in plain Python, komplett als mdBook lesbar. Die Kernthese: Ein LLM-API ist stateless — jede Runde schickt man das gesamte Gespräch als JSON-Array. Der Harness ist das Programm, das dieses Array baut, pflegt und schützt; alles, was «Agent» heißt, ist eine Sammlung von Patches auf genau einer Schleife. Jedes Kapitel folgt derselben Form: das Versagen, der minimale Patch, die Kosten des Patches.

Der Auszug aus Kapitel 8 (Steering) zeigt die wichtigste Steuerungstechnik des Buches — Reminder als user-channel-Block am Ende der Nachricht statt als Systemprompt-Edit:

{
  "role": "user",
  "content": [
    {"type": "tool_result", "tool_use_id": "toolu_07", "content": "..."},
    {"type": "text", "text": "<system-reminder>\nThe user edited src/app.py while you were working. Its contents changed on disk. Re-read it before editing.\n</system-reminder>"}
  ]
}

Warum das besser funktioniert: Editing am Systemprompt invalidiert den gesamten Cache (Kosten), Modelle achten am zuverlässigsten auf die letzten Tokens (Position), und Steering passiert zwischen zwei Runden — genau dort, wo ohnehin die nächste User-Nachricht gebaut wird. Produktionstauglich wird das nur als Queue («pending reminders»), nicht als einmaliges String-Pasting.

Lesen: https://isuruwijesiri.com/harness-engineering-101/ · Code (MIT): https://github.com/IsuruMaduranga/harness-engineering-101 | 26 Upvotes auf Hacker News

Das Thema des Tages ist komplett: Harness Engineering 101 (Frontpage heute), Google Harness² (gestern open-sourced) und der tmux-Guide für Multi-Agent-Sessions — drei Geschichten in 24 Stunden über denselben Gedanken: das Modell ist eingefroren, der Körper ist der Hebel.

📰 Erlesene Artikel & Ressourcen

Bericht erstellt am 2026-10-19 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs