📅

Prompt-Intelligenzbericht — 27. Oktober 2026

🏆 Highlight

### REA-Prompts: die Prompt-Bibliothek der Woche — Reverse Engineering mit dem Coding-Agent Prompt (vollständig, kopierbar): ``` Use REA to understand how <FEATURE> works in <PATH TO APPLICATION>. Check first which tools are actually available. Start with static analysis and trace the feature down to the responsible functions. Present evidence for each conclusion, separate facts from ...

Prompt-Intelligenzbericht — 27. Oktober 2026

🔤 TOP 3 PROMPTS — Textgenerierung

1. Smart-TV-Detox: Einen lahmen Android-TV mit einem einzigen Prompt wieder flott machen

Prompt (vollständig, kopierbar):

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

1. Before you change anything, tell me in plain words:
   this turns off system apps, and that has some risk.
   A few TVs got stuck at the logo or kept restarting,
   and you're an AI, so you can make mistakes. undo.sh
   and your undo list turn everything back on. Ask me to
   confirm I want to go ahead.
2. Connect to my TV over Wi-Fi. Walk me through anything
   I need to tap on the TV.
3. Before changing anything, list every app in plain English:
   safe to turn off, needed by the TV, and apps I use.
   Check free memory.
4. Ask me before every change. Turn apps off instead of
   deleting them. Keep a list of what you changed and how
   to undo it.
5. Never turn off: Google Play services
   (com.google.android.gms), Google Play, Settings,
   System UI, setup apps, the keyboard, Bluetooth, my HDMI
   inputs, the TV's input and tuner framework, or anything
   else the TV needs to start. On Google TV or Chromecast,
   also never turn off Google TV's home screen
   (com.google.android.apps.tv.launcherx). If you're not
   sure, leave it on.
6. Install the home screen: download
   https://github.com/Ansub/tv-detox and run its
   install.sh with my TV and these apps: <your apps>.
7. Turn off animations and make the TV sleep after 5
   minutes. Then check the model name and ask me if the TV
   is OLED. Keep the screensaver on unless I say it's not
   OLED.
8. Wait 30 seconds after the last change, then restart the
   TV once and check it starts up normally before you say
   you're done. Show me free memory before
   and after.
9. Once everything is checked, remind me to turn off USB,
   Network and Wireless debugging (or Developer options)
   on the TV. Left on, other devices on my network can ask
   to control it. I only turn it back on for undo.sh or
   updates.

Am besten mit: Claude Code oder Codex (mit dem TV über Wi-Fi/ADB verbunden)

Warum effektiv: Der Prompt erzwingt Risikoaufklärung vor jedem Eingriff, Deaktivieren statt Löschen, eine Undo-Liste und eine Allowlist systemkritischer Apps — genau die Guardrails, die Coding-Agents von folgenschweren Fehlern abhalten. Jede Phase endet mit einem überprüfbaren Artefakt (Speicher vor/nach, Neustart-Test), statt das Agentenwort ungeprüft zu glauben.

Quelle: https://github.com/Ansub/tv-detox | 1650 GitHub-Stars

Community Resonanz: Der Trend, alte Smart-TVs per Coding-Agent zu entrümpeln, wurde diese Woche von The Verge, Android Authority und t3n aufgegriffen; ein verwandtes Projekt erreichte auf Hacker News 109 Upvotes.

2. Unbekannte Software in Minuten kartieren: der REA-First-Look-Prompt

Prompt (vollständig, kopierbar):

Use REA to give me a map of <program>: its main parts, entry points and the
three features worth investigating first. Keep it short and point to evidence
for each claim.

Am besten mit: Claude Code oder Codex mit dem REA-Toolset (npx rea-agents@latest setup)

Warum effektiv: Statt "erklär mir die ganze App" (flache Antworten) zwingt der enge Fokus den Agenten zu Einstiegspunkten, Hauptkomponenten und einer priorisierten Shortlist — jede Aussage muss mit Datei- und Funktionsbeleg kommen. Damit wird aus vagen Vermutungen eine überprüfbare Karte des Programms.

Quelle: https://github.com/JoasASantos/REA-Prompts | 2880 GitHub-Stars

Community Resonanz: Das Repo explodierte binnen acht Tagen auf fast 3000 Sterne; ein viraler Thread nennt REA "the most dangerous thing on the internet right now" — die Prompt-Sammlung ist der praktische Gegenpart dazu.

3. Die eigene Prompt-Vokabular-Bibliothek: ein Meta-Prompt für jedes Fachgebiet

Prompt (vollständig, kopierbar):

Read make-your-own/README.md, make-your-own/render.mjs and the two examples in this repository:
  make-your-own/examples/camera-moves/en/index.html      light gray, one blue, pictogram style
  make-your-own/examples/motion-graphics/ja/index.html   dark navy cards, four colors
Each shows 24 names of one field as 3 looping videos of 8 animated cards. They look different
on purpose. What they share is not a style. It is one rule: the name is the subject, and each
card shows what that name means.

Goal: make the same kind of name library for "<FIELD>" in <LANGUAGE>, in
make-your-own/examples/<slug>/<lang>/index.html.

Step 1. Choose the names, then stop and show me the list
- Pick 24 names in 3 groups of 8, each group with a short title. If this field really has
  fewer or more, say so and propose a number that fills whole pages of 8.
- Use the names that people who work in this field really use, in <LANGUAGE>. Someone must be
  able to type the name into an AI prompt or a search box and get the right thing.
- Check every name (search the web if you can) and tell me where you checked it: a textbook,
  a manual, a glossary, a trade site. Do not invent a name. Do not translate a name literally;
  if people in this field keep the English term when they speak <LANGUAGE>, keep it.
  Mark every name you are not sure about.
- Order each group from basic to advanced. Avoid two names whose samples would look the same.
- For each name write: the English name (if <LANGUAGE> is not English), a one-line meaning,
  one example sentence that asks an AI for it by name, and one sentence on what its card will show.
- Wait for my OK before writing code.

Step 2. Decide the look with me
- The look is ours to choose. Ask me whether I have colors, fonts or a reference I want to use.
  If I do not, propose two directions in one line each and let me pick.
  Do not copy the look of either example by default.
- Whatever we choose: one palette and one set of fonts across all 24 cards, and the name under
  each card stays the easiest thing on the page to read.

Step 3. Build it
These rules are what makes it a library of names. Keep them whatever the look is.
- Each card is a small animation that shows the thing itself happening, so that someone could
  tell which of the 24 names it is with the label hidden. One idea per card. Not an icon of it.
- If the field is not visual (sound, cooking, writing ...), show what changes: a waveform,
  a cross-section, a before and after, the steps in order.
- Readable on a phone. Canvas 1200x1350, 30fps, 8 cards per page, one page = one video.
  Under each card: number + name (about 36px, bold) and a smaller second line (about 22px).
  On a phone the video is shown at about one third of this size, so do not go smaller,
  and keep enough contrast between the text and its background.
- All cards on a page share one cycle length (the examples use 4.7s, played twice in 9.4s),
  so the page loops with no jump. The last frame must lead into the first frame: bring each
  card back to its start state inside the cycle (ease back or cross-fade).
- Anything that repeats on its own (a blink, a spinner) must complete a whole number of
  repeats in one page, or the loop will show a seam.
- No flashing. Do not switch large areas between light and dark quickly. Hard cuts are fine
  only when the cut itself is the subject of the card.
- Give the viewer time: hold the start state for about 0.5s, move, then hold the end state.
- Every frame must be a pure function of the frame number. No Date, no performance.now,
  no Math.random without a fixed seed, no CSS animations. Keep the contract that render.mjs
  uses: window.N_FRAMES, window.renderFrame(i), window.READY, ?page=N, ?render=1.
- Load nothing from the network. Use fonts installed on this machine and tell me which.
  Draw everything in code: no photos, logos or characters that belong to someone else.
- You may start from a copy of either example for the page frame and the render contract.
  Their drawing helpers are specific to their topic (for example the 3D camera helpers cam,
  proj, world, person). Remove what you do not use and write small helpers that fit this field.

Step 4. Check your own work before you report
- Render with a contact sheet:
    cd make-your-own && node render.mjs examples/<slug>/<lang>/index.html --all --sheet
- Open each contact sheet in out/ and look at every card. For each one ask: if the label
  were hidden, could someone tell which of the 24 names this is? Fix the ones that fail.
- Also check: no text cut off or overlapping; the first and last frame of each mp4 match;
  ffprobe shows 1200x1350, 30fps, h264, yuv420p, 9.4s.
- Report: the 24 names as a table (number, name, English name, meaning, example request,
  where you checked it), the names you are unsure about, the fonts you used, and where the
  files are.

Am besten mit: Claude Code, Codex oder Cursor (mit Lesezugriff auf das motion-prompt-Repo)

Warum effektiv: Ein Meta-Prompt in vier bewachten Schritten: erst 24 echten Fachwortschatz recherchieren ("Do not invent a name", Beleg per Lehrbuch/Manual), Benutzer-Freigabe abwarten, dann bauen, dann Selbst-Check mit Contact Sheet. Wer ihn einmal für sein Feld laufen lässt, hat für immer eine eigene Bibliothek kopierbarer Prompt-Bausteine.

Quelle: https://github.com/showheyohtaki/motion-prompt | 714 GitHub-Stars

Community Resonanz: 714 Sterne in zehn Tagen; das Projekt entstand aus viralen Videos zu Kamera- und Motion-Begriffen, deren Kommentatoren genau diese "gemeinsame Sprache" für Prompts forderten.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Rim-Light-Portrait: nur die Silhouette leuchtet

Prompt (vollständig, kopierbar):

Portrait on a black background with rim lights from both rear sides; the face stays dark and only the outline of the head and shoulders glows.

Am besten mit: Midjourney, FLUX, GPT-Image

Warum effektiv: Ein einziger Satz nennt Lichtposition (beidseitig hinten), Hintergrund (schwarz) und was dunken bleibt — die drei Parameter, die Rim-Light bei Bildmodellen am häufigsten misslingen. Das Ergebnis ist ein konturierter Kopf, der vom schwarzen Hintergrund zu schweben scheint.

Quelle: https://github.com/showheyohtaki/motion-prompt (Photo-Pack, #098) | 714 GitHub-Stars

Community Resonanz: Der Photo-Pack mit 24 Beleuchtungs- und Stil-Namen gehört zu den meistgeöffneten Listen des Repos; jede Karte zeigt den Effekt als Live-Loop zum Vergleichen.

2. Rembrandt-Beleuchtung: das klassische Licht-Dreieck

Prompt (vollständig, kopierbar):

Portrait of an old man in Rembrandt lighting: light from 45° to the side and above, leaving a small triangle of light on the shadow-side cheek.

Am besten mit: FLUX, Midjourney, Gemini-Image

Warum effektiv: Der Prompt übersetzt die 400 Jahre alte Meisterregel in Messwerte: 45° seitlich, erhöht, Dreieck auf der Schattenseite — sodass das Modell die Geometrie nicht erraten muss. Gerade bei Porträts älterer Gesichter erzeugt das dramatische Tiefe ohne harte Schattenkanten.

Quelle: https://github.com/showheyohtaki/motion-prompt (Photo-Pack, #101) | 714 GitHub-Stars

Community Resonanz: Teil der viralen "Photo looks, lighting & styles"-Liste; die Sammlung wurde aus Zuschauer-Kommentaren geboren, die endlich wissen wollten, wie diese Looks heissen.

3. Doppelbelichtung: Landschaft im Kopf

Prompt (vollständig, kopierbar):

Double exposure of a profile silhouette and a forest-and-mountain landscape on a white background, the landscape visible only inside the head.

Am besten mit: Midjourney, FLUX, Stable Diffusion

Warum effektiv: Doppelbelichtung scheitert meist daran, dass Modelle beide Ebenen gleichmässig mischen. Der Prompt definiert klare Rollen: Silhouette als Form, Landschaft als Füllung, weisser Grund — und die Beschränkung "visible only inside the head" hält die Verschmelzung exakt begrenzt.

Quelle: https://github.com/showheyohtaki/motion-prompt (Photo-Pack, #120) | 714 GitHub-Stars

Community Resonanz: #120 ist einer der meistzitierten Effekte des Packs; die Galerie zeigt jeden Namen als bewegtes Beispiel, sodass man weiss, was man verlangt, bevor man es verlangt.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Dolly-Zoom für den Schockmoment (Vertigo-Effekt)

Prompt (vollständig, kopierbar):

Dolly zoom on his face at the moment he realizes: he stays the same size while the background stretches away.

Am besten mit: Google Veo, Sora, Kling (mit Kamera-Steuerung)

Warum effektiv: Der berühmteste Kamera-Trick Hitchcocks in einem Satz mit Rollenverteilung: Subjekt konstant, Hintergrund verzierend — plus emotionalem Auslöser ("the moment he realizes"), der dem Modell das Timing vorgibt. Die dazugehörige Bibliothek liefert auch die Übersetzungshilfe: "Turn the camera move in motion-prompt #032 into an English prompt for Veo. The subject is a coffee cup on a desk."

Quelle: https://github.com/showheyohtaki/motion-prompt (Camera-Pack, #032) | 714 GitHub-Stars

Community Resonanz: Der Camera-Pack (24 Kamera-Fahrten und Schnitte) ist der Ausgangspunkt des ganzen Projekts und wurde millionenfach auf X geteilt.

2. Kampfsport-Choreografie: Motion-Prompt mit Sekunden-Tag für Rig-Export

Prompt (vollständig, kopierbar):

does a fast martial arts combo: two punches, a front kick, then a high roundhouse kick | 8

Am besten mit: FLUX 3 Max (720p, Clips 5–20 s) oder H3 Max Turbo (480p) auf fal.ai

Warum effektiv: Das Suffix | 8 legt die Clip-Länge fest, und der Prompt folgt der Repo-Regel für retargetbare Motion: dem Kamera zugewandt, Gliedmassen frei vom Körper — so hält die Pose-Schätzung. prompt2rig generiert daraus nicht nur das Video, sondern hebt die Bewegung per GVHMR und WiLoR auf ein Mixamo-Rig und exportiert sie als .glb für Blender.

Quelle: https://github.com/blendi-remade/prompt2rig | 462 GitHub-Stars

Community Resonanz: In vier Tagen 462 Sterne; das Projekt verbindet prompt-to-video mit 3D-Motion-Capture und versteht sich als "universal-modder"-Werkzeug mit eigener Discord-Community.

3. FPV-Drohnenflug durch Bäume und Fluss

Prompt (vollständig, kopierbar):

FPV drone shot weaving between the trees and out over the river.

Am besten mit: Runway, Veo, LTX Video

Warum effektiv: "FPV" ist das komprimierte Signalwort für erste-Person-Flug mit hoher Geschwindigkeit und Immersion — ein Begriff, den alle aktuellen Videomodelle kennen. Verben ("weaving", "out over") definieren die Flugbahn als fortlaufende Bewegung statt statischer Einstellung.

Quelle: https://github.com/showheyohtaki/motion-prompt (Camera-Pack, #035) | 714 GitHub-Stars

Community Resonanz: Aus der Liste der 24 Kamera-Begriffe; der Autor Shohei Ohtaki nennt es das Ziel, dass Menschen worldwide zu "creative directors" werden, wenn sie die Namen für das kennen, was sie wollen.

🧠 TOP 3 NEUE TECHNIKEN

1. Evidence-Demand Prompting: Belege erzwingen statt Antworten glauben

Zusammenfassung: Prompt-Bibliothek mit sechs festen Regeln, die jeden Agenten zwingt, Datei-/Funktions-/Adress-Belege zu liefern und Fakten von Hypothesen zu trennen.

Erklärung: Die REA-Prompt-Sammlung baut auf sechs Regeln: ein Feature pro Prompt, Belege verlangen, Fakten/Vermutungen/Unbekanntes in drei Eimern trennen, statisch vor dynamisch, mit einem Deliverable enden und den Scope laut aussprechen. Der Deliverable-Schluss ("generate a behavioral specification and propose tests") zwingt den Agenten, seine eigenen Behauptungen zu verifizieren — Konfabulation wird so zum messbaren Fehler.

Beispielprompt:

Use REA to investigate how <FEATURE> works in <PATH TO APPLICATION>.

Identify the entry point, the functions involved, the data flow, the
dependencies and the observable effects.

For every conclusion, present evidence: file, function, address or relevant
snippet. Separate confirmed facts, inferences and points that remain unknown.

Do not execute the application in this step.

Geeignet für: Claude Code, Codex, alle Coding-Agents

Ursprung: https://github.com/JoasASantos/REA-Prompts

Warum heute wichtig: Coding-Agents bearbeiten heute ganze Codebasen — Konfabulation ist dabei das grösste Risiko. 2880 Sterne in acht Tagen zeigen, dass Tausende Entwickler genau nach dieser belegbasierten Prompt-Struktur suchen.

2. Persona-Injection: eine Persona für alle Coding-Agents

Zusammenfassung: agent-purge schreibt eine einzige Persona-Datei in die System-Prompts von Codex, Claude Code, OpenCode, Grok, pi und Hermes — in vier Modi, jederzeit reversibel.

Erklärung: Die Personas leben als Markdown-Dateien (personas/<id>.md, Frontmatter + Fliesstext); der Fliesstext ist exakt der Text, der ins System-Prompt injiziert wird. Vier Modi: replace (Identitätszeilen des Agenten entfernt), strict (nur die Persona senden), append (ergänzen), off (alles zurück). Umschalten geht heiss pro Runde, und mit --mode off ist jeder Agent wieder im Originalzustand.

Beispielprompt:

---
id: architect
---
You are a senior software architect. Before writing code, present two options
with concrete trade-offs. Prefer small, reversible changes. Never delete code
without showing a diff first. Answer in bullet points, max 5 per answer, and
name the file you would touch first.

Geeignet für: Claude Code, Codex, OpenCode, Grok CLI, pi, Hermes

Ursprung: https://github.com/ZiChuanLan/agent-purge

Warum heute wichtig: 528 Sterne in 48 Stunden — wer heute mehrere Agenten parallel nutzt, pflegt sonst für jedes Tool ein eigenes System-Prompt. Eine Datei, ein Verhalten, alle Kanäle.

3. Struktur statt "ignoriere die Reihenfolge": Selection-Bias neutralisieren

Zusammenfassung: Frische arXiv-Arbeit zeigt: Anweisungen wie "ignoriere die Präsentationsreihenfolge" beseitigen den Auswahl-Bias nicht — strukturierte Abfragen schon.

Erklärung: "Understanding Jev-Style System One Models: Does Structure Reduce Selection Bias?" (veröffentlicht am 26.10.) untersucht, wie LLMs in Auswahl- und Ranking-Aufgaben systematisch Elemente bevorzugen, die zuerst oder zuletzt präsentiert werden. Anweisungen, die Reihenfolge zu ignorieren, bleiben wirkungslos; erst strukturierte Abfrageformate — Bewertung jedes Kandidaten isoliert nach festen Kriterien, Auswahl erst danach — reduzieren den Bias deutlich. Praktisch heisst das: Kriterien vor der Liste nennen, pro Item einzeln bewerten, am Schluss aggregieren.

Beispielprompt:

You will see 5 candidate texts. Do not pick a winner yet.

Step 1: For each candidate separately, score from 1 to 5:
completeness, accuracy, concision. One table row per candidate.

Step 2: Only after all 5 rows are filled, compute the total per candidate.

Step 3: Report the two highest-scoring candidates and the decisive criterion
for each. Ignore which position they appeared in.

Geeignet für: alle LLMs in Ranking-, Review- und Evaluierungsaufgaben (GPT, Claude, GLM, Gemini)

Ursprung: http://arxiv.org/abs/2610.35826

Warum heute wichtig: Selection-Bias sitzt in jeder LLM-as-Judge-Pipeline und jedem Agenten, der aus Optionslisten wählt — also praktisch überall. Die Arbeit ist die Prompt-Antwort auf ein Problem, das heute jedes Team mit LLM-Bewertungen hat.

🏆 Highlight des Tages

REA-Prompts: die Prompt-Bibliothek der Woche — Reverse Engineering mit dem Coding-Agent

Prompt (vollständig, kopierbar):

Use REA to understand how <FEATURE> works in <PATH TO APPLICATION>.

Check first which tools are actually available. Start with static analysis
and trace the feature down to the responsible functions.

Present evidence for each conclusion, separate facts from hypotheses, and
record the limitations. At the end, generate a behavioral specification and
propose tests to verify it.

Am besten mit: Claude Code oder Codex mit REA (npx rea-agents@latest setup), installierbar als 26 Skill-Packs oder als eine einzige system_prompt.md

Warum effektiv: Der Wildcard-Prompt deckt jeden unbekannten Fall ab, wenn kein spezialisiertes Pack passt: Verfügbarkeit prüfen, statisch analysieren, belegen, trennen, spezifizieren, testen. Dahinter liegt eine kuratierte Sammlung von 26 Prompt-Packs — von Binär-Analyse und Firmware-Triage über Game-Cloning bis APK-Audit — komplett kopierbar und als Agent-Skills installierbar.

Quelle: https://github.com/JoasASantos/REA-Prompts | 2880 GitHub-Stars

Community Resonanz: 2880 Sterne in acht Tagen machen REAP zum am schnellsten gewachsenen Prompt-Repo der Woche; ein viraler Thread (zitiert von Matthew Berman) nennt das zugrundeliegende REA "the most dangerous thing on the internet right now".

📰 Erlesene Artikel & Ressourcen

  • OpenAI führt GPT-6.1 Terra ein — die Modellvorstellung dominiert die heutige Diskussion (588 Punkte, 376 Kommentare auf Hacker News). https://openai.com/index/introducing-gpt-6-1-terra/
  • Cloudflare: Cross-Request-KV-Cache-Exposure in GLM-5.3 (Workers AI) — Antworten konnten Daten aus fremden Sessions enthalten (155 betroffene Antworten); Ursache war ein SGLang-Bug in disaggregiertem Prefill/Decode-Modus, Patch bereits upstream eingereicht. Pflichtlektüre für alle, die Prompts fremder Nutzer verarbeiten (135 Upvotes). https://blog.cloudflare.com/kv-cache-exposure-remediation/
  • Anthropic reicht S-1 ein — der Börsengang-Antrag der Anthropic PBC, mit umfassenden Angaben zu Mission, Struktur und Finanzierung (1613 Punkte, 1548 Kommentare). https://www.sec.gov/Archives/edgar/data/2130357/000162828026067168/anthropicpbc-sx1.htm
  • Sebastian Raschka: "Building Reasoning Models from the Ground Up" — kostenloser 11-Stunden-Videokurs (8 Teile): Evaluation, Inference-Time-Scaling, RL und Destillation von Reasoning-Modellen in PyTorch, inklusive der Einordnung von Reasoning-Modell als "Engine" im Agent-Harness (705 Upvotes). https://magazine.sebastianraschka.com/p/building-reasoning-models
  • Nietzschian Debugger — der Gegen-Debugger: man fügt den Bug ein und bekommt statt Antworten nur bohrende Fragen, die einen selbst zur Erkenntnis führen — mit drei Intensitätsstufen von socrates bis zarathustra (176 Upvotes). https://github.com/DilawarShafiq/nietzschian-debugger
  • Reva: Echtzeit-Schwachstellen-Erkennung durch kontextuelles Probing von LLMs — Codierungsausgaben werden Funktion für Funktion geprüft, bevor sie ins Review gehen; mit Prompt-Probing als Verteidigungslinie (arXiv, 26.10.). http://arxiv.org/abs/2610.35829v1

Bericht erstellt am 27. Oktober 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs