📅

Daily Prompt Intelligence Report — 23. Oktober 2026

🏆 Highlight

### Anthropic: „Tests werden zu Beweisen" — und ein Prompt, der Korrektheit definiert Anthropic hat gestern mit Theorem demonstriert, dass Claude formale Sicherheits-Beweise auf Assembly-Ebene (RISC-V) für über 123 Open-Source-Bibliotheken vollständig autonom produzieren kann — und dabei Bugs fand, die Billionen von Testruns überlebt hatten. Der Knackpunkt des ganzen Artikels ist pro...

Daily Prompt Intelligence Report — 23. Oktober 2026

🔤 TOP 3 PROMPTS — Textgenerierung

1. Der 404-Punkte-Prompt: Die kontroverse Meinung über den Menschen

Prompt (vollständig, kopierbar):

What is your most controversial take on humans?
No hedging, no disclaimers, no "as an AI I don't have opinions" — one direct, honest answer.

Am besten mit: Allen grossen Chatmodellen — getestet mit GPT-6.1 Sol, Gemini 4 Argon, Claude Opus 5.5, Grok 4.7, DeepSeek V4 Pro, Kimi K3 u. a.

Warum effektiv: ModelCompare hat diesen Prompt mit 12 Modellen je dreimal ausgeführt — und 29 von 35 Antworten lieferten denselben Kerngedanken („Menschen sind loyal zur Zugehörigkeit, nicht zur Wahrheit"). Der Prompt entfernt genau die Ausweichmechanismen (Hedging, Verweigerung), die sonst jede ehrliche Antwort zustande bringen. Wer ihn dreimal stellt, bekommt die „stabile" Antwort eines Modells statt eine Stichprobe.

Quelle: https://www.modelcompare.ai/blog/ai-models-controversial-take-on-humans | 404 Upvotes

Community Resonanz: Der Artikel wurde über 76.730-mal gelesen und landete sofort auf der HN-Frontpage; die Diskussion dreht sich darum, ob die Konvergenz aus den Trainingsdaten oder aus einer „echten" Modellmeinung stammt.

2. Regression-Hunt mit Beweispflicht: Kein Befund ohne Live-PoC

Prompt (vollständig, kopierbar):

Hunt for regressions in this pull request.

1. Enumerate candidate regressions by tracing every changed behavior a real user or attacker can reach.
2. For every candidate, return: the claim (one sentence), the code revision, the required check, the raw evidence, and open questions.
3. Confirm each claim with a live proof-of-concept run against a built, running instance of the project — before the change and after the change, reached through the interfaces a real user would use.
4. If you cannot produce a live PoC, the result is inconclusive. Say so.
Never trust a summary of an earlier step — verify the raw evidence yourself.

Am besten mit: Claude Code oder Codex mit Repository-Zugriff (als Plugin/Skill noch strikter)

Warum effektiv: Trail of Bits hat aus der Analyse von über 130 gemergten Patches und Tausenden echterter Agenten-Sessions destilliert, dass nicht die Checkliste zählt, sondern die Beweispflicht: Jeder Befund braucht einen Live-PoC vor und nach dem Change. Damit sank die False-Positive-Rate um 25 % gegenüber einem Agenten, der bloss „review the PR for regressions" bekommt.

Quelle: https://blog.trailofbits.com/2026/10/21/your-ai-agent-fixed-the-bug-but-what-else-did-it-change/ | 53 Upvotes

Community Resonanz: Die beiden Plugins patching-bugs und regression-hunt sind Open Source im Repo trailofbits/skills (7.740 Sterne) publiziert; HN-Kommentatoren feiern vor allem das strikte Claim/Revision/Evidence-Schema.

3. Der Mannuskript-Meister: Ein Prompt für ein komplettes Forschungspapier

Prompt (vollständig, kopierbar):

Use $nc-manuscript-craft to write an English research manuscript from these results, methods, figures and references.
Develop the central argument and complete the sections supported by the materials.
Keep the study's definitions, results and citations accurate, and list any missing facts separately.
Materials: [files or text]

Am besten mit: Codex oder Claude Code mit installiertem Skill (nc-manuscript-craft); die kompletten Schreibanweisungen liegen zusätzlich als eine Datei (FINAL_PROMPT_ZH.md) auch ohne Skill-Installation zum Reinkopieren bereit

Warum effektiv: Der Prompt erzwingt die Reihenfolge, die Papers wirklich besser macht: erst das zentrale Argument entwickeln, dann Sektion für Sektion nur aus den Materialien schreiben, und fehlende Fakten explizit auflisten, statt sie zu erfinden. Wissenschaftliche Definitionen, Resultate und Zitationen bleiben dabei unangetastet — der Agent arbeitet wie ein Co-Autor, nicht wie ein Ersetzer.

Quelle: https://github.com/i386345669/nc-manuscript-craft | 76 GitHub-Sterne

Community Resonanz: Der Skill ist zweisprachig (Chinesisch/Englisch) und wird vor allem für Discussion-Sektionen gelobt: „was beobachtet wurde, was es bedeutet, wie es sich zu früherer Arbeit verhält" — genau dort, wo LLMs sonst am stärksten schleiern.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Der Charakter-Referenzbogen: Ein Gesicht, das über 8 Clips identisch bleibt

Prompt (vollständig, kopierbar):

Character reference sheet of one ancient Egyptian queen, front view and three-quarter view side by side on a plain warm beige background. She is in her early thirties, warm olive-brown skin, high cheekbones, calm confident expression, sharp black kohl winged eyeliner, a straight black shoulder-length bob wig with small gold beads, a gold vulture crown with a cobra at the brow, a white pleated linen gown, a broad gold and turquoise collar necklace, gold arm cuffs on both upper arms. An original face, not resembling any actress or real person. Realistic photo, soft natural light, no text.

Am besten mit: ChatGPT (Bildgenerierung) — laut Workflow genau einmal generieren, das Resultat als refs/protagonist.png speichern und in jedem Video-Clip als @图片1 referenzieren

Warum effektiv: Der Prompt baut alles, was Video-Modelle brauchen, in ein einziges Bild: zwei Ansichten für Identität, präzise Accessoires (Krone, Kollier, Armreifen) als wiedererkennbare Anker, und die kritische Schutzklausel „an original face, not resembling any actress or real person". Weil jedes Folgewideo nur diese Referenz sieht, bleibt die Protagonistin über acht getrennte Clips dieselbe Person — ohne LoRA, ohne Training.

Quelle: https://github.com/10291124jcjc-dotcom/cleopatra-modern-life | 48 GitHub-Sterne

Community Resonanz: Das Repo dokumentiert den kompletten Workflow von der Referenzfigur bis zum beat-geschnittenen Kurzfilm; das Demovideo (Kleopatra fährt Jetski auf dem Nil) macht seit gestern die Runde.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Kleopatra und die Drohne: Ein kompletter Seedance-Clip in drei Kamerabewegungen

Prompt (vollständig, kopierbar):

【即梦设置】参考图生视频，只上传 @图片1 = 埃及女王参考图；比例 4:3；时长 6 秒（必须和下面写的秒数一致）；先 480p 试

@图片1 是埃及女王，她的脸、假发、金冠、项链和白色长袍和 @图片1 完全一样。

镜头1（0–1.5 秒）：狮身人面像前的沙地上，女王蹲下，把一架白色小型四轴无人机放在地上，站起来拿起遥控器。手持中景，几个仆人举着鸵鸟毛扇站在后面。
镜头2（1.5–4.5 秒）：无人机视角，从女王头顶直直往上拔高，女王和仆人越来越小，狮身人面像的头从画面下方升上来，镜头继续升高并慢慢转向，远处三座金字塔出现在画面里。
镜头3（4.5–6 秒）：回到地面，手持镜头越过女王的肩膀，她低头看着遥控器的小屏幕，平静地点了一下；身后的仆人仰着头看天上。

所有人都把这件事当成再平常不过的日常，表情自然、不夸张、不看镜头。
画面质感：看起来像 1990 年代电视历史纪录片里的重演片段，用 16 毫米胶片拍摄。画面偏暖、焦点很软，亮部过曝发白，暗部发灰，宽容度低，颜色淡淡往外渗，镜头手持、偶尔自动对焦来回找。不要高清锐利的现代数码画面，不要电影级调色。无字幕，无文字，无水印，无品牌标志。

Am besten mit: Seedance 2.5 (即梦/Jimeng Web-Version), Referenzbild-zu-Video

Warum effektiv: Der Prompt ist einer von acht tatsächlich verwendeten Clips aus dem Kleopatra-Kurzfilm und zeigt die komplette Struktur: erste Zeile klemmt die Identität an die Referenz, dann drei Kameraeinstellungen mit Zeitcodes, die sich exakt zu 6 Sekunden addieren, dann zwei Standardsätze (Performance + 16-mm-Dokumentarfilm-Look), die in jedem Clip wörtlich wiederholt werden. Die „anti-HD"-Texturanweisung ist das Geheimnis des viralen 90er-Jahre-Reenactment-Looks.

Quelle: https://github.com/10291124jcjc-dotcom/cleopatra-modern-life | 48 GitHub-Sterne

Community Resonanz: Das Repo ist der komplette Open-Source-Workflow inklusive Claude Skill („做一期维京首领的现代日常" — ‚mach eine Folge Wikingerhäuptling im modernen Alltag'); das companion-Projekt „Ancient Rap Battle" zeigt, dass das Template auf jede Epoche skaliert.

2. Der Ausbruch aus dem Gefrierlager: Action-Choreografie als Kausalkette

Prompt (vollständig, kopierbar):

冷库检修员从画面左后方朝右前方的红色安全门移动。自动货架依次发生侧滑合拢、顶层冰箱坠落和地面冷雾遮挡。检修员先贴地穿过货架下层，再踩上倾斜托盘改变高度，最后用肩部撞开已经结霜的应急推杆。每次货架移动都留下新的通道宽度，掉落的冰箱与碎冰保持原位。结尾安全门完全打开，检修员跌入门外暖光区域，冷雾仍从脚边向外涌出。

Am besten mit: Seedance (grobe, durchlaufende Zeitblöcke) oder MiniMax-H3 (exakte, zusammenhängende Zeitcodes)

Warum effektiv: Das ist eines der sieben Originalbeispiele aus dem „Fight Prompt Director"-Skill und demonstriert dessen Kernprinzip: Eine Action-Szene wird als Kausalkette geschrieben — jede Aktion verändert die Welt (Regale verschieben sich, Kanalbreiten bleiben bestehen, Eis bleibt liegen), der Held nutzt etablierte Fähigkeiten (kriechen, Höhe ändern, Schulterstoß) und das Ende wird visuell eindeutig gerahmt (offene Tür, warmes Licht, ausströmender Nebel). Kein Einzel-Attribut-Strom, sondern ein physisch konsistenter Ablauf, den Video-Modelle Stable schneiden können.

Quelle: https://github.com/irenerachel/fight-prompt-director | 61 GitHub-Sterne

Community Resonanz: Der zweisprachige Skill (CN/EN) generiert pro Szene drei Intensitäts-Varianten (Hochintensiv / langsam / hybrid) und ist im gestern aktualisierten Awesome-Short-Drama-Index (83 Skills) gelistet.

3. Das Drei-Kamera-Template: Ein Skelett für jede Folge

Prompt (vollständig, kopierbar):

@图片1 是【主角】，【他/她】的【脸、发型、头饰、衣服】和 @图片1 完全一样。

镜头1（0–2 秒）：【机位】，【运镜】，【谁做什么】，【结果】。
镜头2（2–4.5 秒）：……
镜头3（4.5–6 秒）：……

所有人都把这件事当成再平常不过的日常，表情自然、不夸张、不看镜头。
画面质感：看起来像 1990 年代电视历史纪录片里的重演片段，用 16 毫米胶片拍摄。画面偏暖、焦点很软，亮部过曝发白，暗部发灰，宽容度低，颜色淡淡往外渗，镜头手持、偶尔自动对焦来回找。不要高清锐利的现代数码画面，不要电影级调色。无字幕，无文字，无水印，无品牌标志。

Am besten mit: Seedance 2.5 (即梦) mit Referenzbild; 6 Sekunden = 3 Kameraeinstellungen, 8 Sekunden = 4

Warum effektiv: Das ist das fixe Grundgerüst, aus dem das Skript make_prompts.py automatisch alle Clips einer Folge baut. Die Dramaturgie folgt immer „交代 → 高潮 → 结果" (etablieren → Höhepunkt → Resultat), jede Kameraeinheit schreibt fünf Dinge fest (Zeitfenster auf 0,5 Sekunden, Kameraposition, Bewegung, wer was tut, Resultat) und die zwei Schlusszeilen bleiben wortwörtlich identisch — das ist es, was acht Clips wie ein zusammenhängender Film wirken lässt.

Quelle: https://github.com/10291124jcjc-dotcom/cleopatra-modern-life/blob/main/docs/03-shots-and-prompts.md | 48 GitHub-Sterne

Community Resonanz: Die Regel „erste Zeile immer die Referenz-Abbildung, Zeitcodes summieren sich auf die Clip-Länge, Performance und Textur-Satz unverändert wiederholen" ist laut Repo der Unterschied zwischen 8 generierbaren und 8 unbrauchbaren Clips.

🧠 TOP 3 NEUE TECHNIKEN

1. Referenzbild statt First Frame

Zusammenfassung: Bei Referenzbild-zu-Video nur eine Person-Referenz hochladen und sämtliche Kameraarbeit, Textur und Bildsprache als Text schreiben — kein erstes Einzelbild vorab generieren.

Erklärung: Der Kleopatra-Workflow markiert das als wichtigsten Erkenntnis überhaupt: Ein First-Frame-Bild „macht die Bildsprache zu sauber und klemmt die Kamerabewegung fest". Wer nur die Charakterreferenz übergibt, behält die volle Kontrolle über Bewegung, Look und Format — die Identität der Person bleibt trotzdem stabil, weil jeder Clip mit der Referenz-Satzung beginnt. Für jedes Video werden drei Kameraeinstellungen (etablieren → Höhepunkt → Resultat) mit Zeitfenstern auf 0,5 Sekunden geschrieben, und zwei Sätze — das Performance-Diktat und die Texturbestimmung — werden wortwörtlich in jedem Clip wiederholt.

Beispielprompt:

不用首帧图。参考图生视频，只上传 @图片1（人物参考图）。
每条视频写 3 个机位：交代 → 高潮 → 结果，时间精确到 0.5 秒，首尾相接，加起来等于选择的时长。
每条视频以参考图说明开头（保证同一个人），表演句和质感句一字不改地重复。

Geeignet für: Seedance 2.5 (即梦), alle Referenzbild-Videomodelle

Ursprung: https://github.com/10291124jcjc-dotcom/cleopatra-modern-life/blob/main/docs/06-pitfalls.md

Warum heute wichtig: Der Kleopatra-Kurzfilm (8 Clips, alle KI-generiert, auf 90er-Doku-Ästhetik getrimmt) ist gestern als komplettes Open-Source-Repo erschienen und zeigt zum ersten Mal die komplette Pipeline inklusive Fehlerliste — die „kein First Frame"-Regel ist die Erkenntnis, die man morgen in jedes Videoprojekt übernehmen kann.

2. Live-PoC-Beweislast (Evidence-Schema Prompting)

Zusammenfassung: Jede Agenten-Behauptung muss mit einem Live-Beweis gegen eine echte, laufende Instanz des Projekts bestätigt werden — sonst gilt sie als unbestätigt.

Erklärung: Trail of Bits hat nachgemessen, dass Agenten-Patches regelmässig Regressionen einführen (21 von über 130 gemergten PRs). Ihre Antwort ist keine längere Checkliste, sondern vier Prinzipien: so wenig Worte wie möglich, modulare Schritte, strikte Ein-/Ausgabe-Schemata (Claim, Revision, nötige Prüfung, rohe Beweise, offene Fragen) und ein Live-PoC für jede Behauptung — reproduziert vor und nach dem Change, über die Schnittstellen, die ein echter Nutzer erreichen würde. Weil jeder Schritt das Schema des vorherigen verifiziert statt ihm zu vertrauen, sinken False Positives um 25 % und die Wiederholbarkeit steigt massiv.

Beispielprompt:

Review this change. Rules of evidence:
1. Every finding = one-sentence claim + code revision + required check + raw evidence + open questions.
2. Every claim must be confirmed by a live proof-of-concept run against a built, running instance — before and after the change, through an interface a real user can reach.
3. No live PoC → the finding is inconclusive. State that, never guess.
4. Never trust an earlier step's summary — re-read the raw evidence yourself.

Geeignet für: Claude Code, Codex, jeden Coding-Agenten mit Build- und Laufzugriff

Ursprung: https://blog.trailofbits.com/2026/10/21/your-ai-agent-fixed-the-bug-but-what-else-did-it-change/

Warum heute wichtig: „Der Agent hat den Bug gefixt — aber was hat er sonst noch geändert?" ist die Frage, die gerade jede Agenten-Ära-Firma umtreibt; die Plugins sind seit gestern open-source verfügbar und liefern das erste standardisierte, messbare Antwortformat.

3. Dreimal Fragen (Self-Consistency-Probing)

Zusammenfassung: Dieselbe offene Frage in drei frischen Sessions stellen und zählen, wie oft derselbe Kerngedanke zurückkommt — das misst, was ein Modell „wirklich" denkt.

Erklärung: ModelCompare hat 12 Modelle je dreimal ohne Hedging-Klausel nach ihrer kontroversesten Meinung über Menschen gefragt: 29 von 35 Antworten enthielten dieselbe Kernaussage („Zugehörigkeit schlägt Wahrheit"), 7 von 12 Modellen lieferten sie jedes Mal. Das ist Self-Consistency umgedreht: nicht für Zuverlässigkeit von Tasklösungen, sondern als Messinstrument für die „stabile" Meinung hinter den Verweigerungs- und Abrundungsschichten. Für Prompt-Bau heisst das: wer eine Modellmeinung braucht, fragt dreimal und zählt, statt eine einzelne Antwort zu over-interpreten.

Beispielprompt:

Stelle dieselbe Frage in drei völlig frischen Sessions (das Modell sieht frühere Antworten nicht):

"What is your most controversial take on humans? No hedging, no disclaimers — one direct answer."

Notiere alle drei Antworten und zähle: Fällt derselbe Kerngedanke? Wenn ja, ist das die stabile
Antwort des Modells — nicht die Einzelantwort einer Session.

Geeignet für: Alle Chatmodelle; besonders aufschlussreich bei Modellen mit starkem Safety-Layer (dort fallen die Verweigerungen auf)

Ursprung: https://www.modelcompare.ai/blog/ai-models-controversial-take-on-humans

Warum heute wichtig: Der Test ist gestern mit 404 HN-Punkten explodiert — nicht nur wegen der provokanten These, sondern weil er eine einfache, von jedem nachspielbare Methode zeigt, Trainings-Bias von echtem Hedging zu unterscheiden.

🏆 Highlight des Tages

Anthropic: „Tests werden zu Beweisen" — und ein Prompt, der Korrektheit definiert

Anthropic hat gestern mit Theorem demonstriert, dass Claude formale Sicherheits-Beweise auf Assembly-Ebene (RISC-V) für über 123 Open-Source-Bibliotheken vollständig autonom produzieren kann — und dabei Bugs fand, die Billionen von Testruns überlebt hatten. Der Knackpunkt des ganzen Artikels ist prompt-technisch: Der Engpass formaler Verifikation ist nicht das Beweisen, sondern die Frage „Was heisst korrekt?". Theorem publiziert dazu einen Claude-Skill, dessen Kern ein Interview mit dem Maintainer ist — fünf Fragen, die jede Antwort direkt in Code und Kommentare der Fuzz-Targets schreiben statt in ein separates Dokument.

Prompt (vollständig, kopierbar):

You are enrolling my open-source library in OSS Verify for formal verification.
Before writing any fuzz target, interview me — one question at a time, do not guess answers:

1. Entry points: which API areas, functions and call sequences must be tested? Keep existing fuzz targets? Which new ones?
2. Untrusted input: which functions receive attacker-controlled input (parsers, decoders, protocol handlers)? Which inputs are trusted, e.g. configuration?
3. Input size: how large can a real input be?
4. Expected outcomes: which outcomes are expected — error codes for malformed input, size limits, refused options? Each must end as `return 0`.
5. Refused allocations: must the library survive a refused allocation?

Every answer about what "correct" means goes into the code and comments of the fuzz targets.
No separate document holds it.

Am besten mit: Claude Code (mit dem OSS-Verify-Skill von theorem-labs) — seL4 brauchte 20 Personenjahre für formale Verifikation; dieser Workflow macht daraus ein Agenten-Interview.

Quelle: https://www.anthropic.com/research/formal-verification | 342 Upvotes

Community Resonanz: HN diskutiert gestern hitzig, ob „Beweis statt Test" der letzte Schritt gegen die von LLMs gefundenen Kernel-Vulnerabilities ist; das Begleit-Repo mit einem Subset der Beweise ist bereits öffentlich.

📰 Erlesene Artikel & Ressourcen

Bericht erstellt am 23. Oktober 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs