📅

Daily Prompt Intelligence — 11. November 2026

🏆 Highlight

### Claude Fable 5.2 & Mythos 5.2 — und der Beginn der „Ambitious Prompting"-Ära Gestern veröffentlichte Anthropic Claude Fable 5.2 — zusammen mit Mythos 5.2, derselben weights mit anderen Safeguards: 49,1 % auf FrontierCode 2.0 (Opus 5.5: 45,5 %, GPT-6 Astra: 42,8 %), 69,9 % auf FrontierSWE v2, 74,2 % auf Humanity's Last Exam (mit Tools). 1M-Token-Kontext, bis zu 128K Output, $8/$40 p...

Daily Prompt Intelligence — 11. November 2026

Die besten kopierbaren Prompts und Prompt-Techniken aus den letzten 24 Stunden — kuratiert für prompta.ch.

🔤 TOP 3 PROMPTS — Textgenerierung

1. Der ReAct-Loop: Ein kompletter Agenten-Systemprompt in 25 Zeilen

Prompt (vollständig, kopierbar):

You run in a loop of Thought, Action, PAUSE, Observation.
At the end of the loop you output an Answer
Use Thought to describe your thoughts about the question you have been asked.
Use Action to run one of the actions available to you - then return PAUSE.
Observation will be the result of running those actions.

Your available actions are:

calculate:
e.g. calculate: 4 * 7 / 3
Runs a calculation and returns the number - uses Python so be sure to use floating point syntax if necessary

wikipedia:
e.g. wikipedia: Django
Returns a summary from searching Wikipedia

simon_blog_search:
e.g. simon_blog_search: Django
Search Simon's blog for that term

Always look things up on Wikipedia if you have the opportunity to do so.

Example session:

Question: What is the capital of France?
Thought: I should look up France on Wikipedia
Action: wikipedia: France
PAUSE

You will be called again with this:

Observation: France is a country. The capital is Paris.

You then output:

Answer: The capital of France is Paris

Am besten mit: GPT-5.x, Claude, Gemini — jedes Chat-Modell, dessen Ausgabe von einem Tool-Wrapper geparst wird

Warum effektiv: Der Prompt erzwingt eine strenge Schleife aus Thought → Action → PAUSE → Observation und verhindert so, dass das Modell Tool-Aufrufe und Endantwort in denselben Zug mischt. Das eingebettete Beispiel-Session zeigt das exakte Ausgabeformat — Few-Shot-Disziplin direkt im Systemprompt. Die Tools (calculate, wikipedia, eigene Suche) lassen sich 1:1 gegen eigene Funktionen austauschen.

Quelle: https://til.simonwillison.net/llms/python-react-pattern | 2 Upvotes (HN)

Community Resonanz: Simon Willisons TIL wurde gestern erneut auf Hacker News eingereicht und diskutiert — der ReAct-Loop gilt weiterhin als Referenzmuster für minimale, verlässliche Agenten-Architekturen ohne Framework-Overhead.

2. „Thoughts": Der Integritäts-Systemprompt mit messbaren Testergebnissen

Prompt (vollständig, kopierbar):

Your governing commitment is integrity: examine the idea, support the claims, and follow the argument as far as it holds. Don't invent balance to make an answer look fair. Don't fold under pressure unless the challenge supplies a reason. Don't manufacture disagreement to look independent.

Identity: A is A. The thing under discussion has to remain the thing under discussion. If you are asked whether a claim is supported, do not quietly replace "supported" with "plausible" and answer that instead. Define the important terms and keep their meanings consistent. If a definition, scope, timeframe, or criterion changes, say so and revisit the conclusions that depended on it.

Non-contradiction: A proposition and its negation cannot both be true at the same time and in the same respect. If you state you have evidence for a claim and then admit you have none, correct the original answer — and every conclusion that depended on that supposed evidence.

If you don't know something, the honest answer is "I don't know".

Am besten mit: Claude Opus 4.6, Claude Sonnet, Gemini, GPT-5.6 Sol — als Systemprompt oder Präfix in jedem Chatbot

Warum effektiv: Scott DeSapio hat diesen Regelsatz (aufbauend auf Aristoteles' drei Denkgesetzen) systematisch getestet: 24 bewertete Fragenpaare pro Bedingung, kreuzweise von Fremdmodellen benotet. Mit dem Thoughts-Regelsatz bestand Gemini 17/24 statt 10/24 ohne Prompt; Claude Sonnet schaffte 11/24 — ohne Prompt 0/24. Die Regeln sind operational, nicht philosophisch: jede Zeile sagt dem Modell, was es in einer konkreten Situation tun soll.

Quelle: https://scottdesapio.com/thoughts | 1 Upvote (HN)

Community Resonanz: Der begleitende HN-Thread „Can you prompt your AI into telling the truth? I tested it" lief gestern auf; die publizierten Testtabellen machen die Methode erstmals quantitativ nachvollziehbar statt anekdotisch.

3. Ambitious Prompting: Die Eskalationsleiter für Fable 5.2

Prompt (vollständig, kopierbar):

Fix the bug.
→ How can we prevent such bugs in the future?
→ Implement a testing/verification system that finds these kinds of bugs and runs on every commit or in CI-CD.
→ Design a system that avoids needing to create these kinds of bugs in the first place - is that possible? brainstorm with me.

Am besten mit: Claude Fable 5.2, Claude Opus 5.5 — Frontier-Modelle mit langem agentischem Horizont

Warum effektiv: Auslöser war ein Zitat aus dem Fable-5.2-Thread auf Hacker News: „Fable is good, but you really have to push the ambition of your prompt in order to see proper separation from Opus 5.5." Die Leiter zwingt dazu, jede Anfrage eine Ebene höher zu formulieren — vom Symptom zur Prävention zum Systemdesign. Roy Osherove nennt das den wiederkehrenden Aha-Moment: Man promptet „in a box", ohne es zu merken.

Quelle: https://robotpaper.ai/ambitious-prompting-whats-bigger-than-a-factory/ | 2 Upvotes (HN)

Community Resonanz: Der Artikel (9. November, CC BY 4.0) wird aktuell auf HN und in Agent-Newsletter diskutiert; Osherove arbeitet die Methode in seiner „Personal Factory of Grok Bots"-Serie weiter aus.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Kyoto-Poster mit lesbarrem In-Bild-Text (GPT Image 2.6)

Prompt (vollständig, kopierbar):

minimal travel poster, big serif headline "KYOTO" centered, subtitle "autumn 2026",
muted washi palette, generous negative space, 4:5

Am besten mit: GPT Image 2.6 (Flare; für 7–12 Wörter Text die Sunburst-Variante)

Warum effektiv: GPT Image 2.6 ist aktuell das Modell, das lange Textstränge im Bild lesbar hält — der Prompt nutzt genau das: Der Zieltext steht in Anführungszeichen exakt ausgeschrieben, das Format 4:5 und „generous negative space" geben der Typografie Raum. Faustregel der Quelle: bis ~6 Wörter zuverlässig, 7–12 mit Sunburst; bei geschmolzenen Buchstaben auf 1536px erhöhen und „headline occupies the top third" ergänzen.

Quelle: https://github.com/fujc683/gpt-image-2-6-text-rendering | 102 ★

Community Resonanz: Das Repo (CC BY 4.0) sammelt seit letzter Woche die Text-in-Bild-Muster, die in der Community gerade standardisiert werden — inklusive Failure-Mode-Tabelle für geschmolzene, gekrümmte oder falsche Buchstaben.

2. Swiss-Style-Ausstellungsposter

Prompt (vollständig, kopierbar):

swiss-style exhibition poster, hard directional key light with subtle fill, film grain, analog color science, 3:4 composition, highly detailed, professional quality

Am besten mit: GPT Image 2.6 (Flare) — funktioniert ebenso mit Flux und Midjourney (dort --ar 3:4 ergänzen)

Warum effektiv: Die Formel „Stil + Lichtsetzung + Linse/Textur + Seitenverhältnis + Qualitäts-Suffix" stammt aus einer heute aktualisierten, kuratierten 252-Prompt-Sammlung mit generierten Voransichten — jedes Prompt wurde also gegen das Modell validiert, nicht frei erfunden. Das harte gerichtete Keylight mit zartem Fill gibt der Schweizer Typografie-Ästhetik die nötige Kante.

Quelle: https://github.com/fujc683/awesome-gpt-image-2-6-prompts | 84 ★ (aktualisiert am 11.11.2026)

Community Resonanz: 252 Prompts in 9 Kategorien mit Preview-Bildern, mehrsprachig (EN/ZH/JA) — das Repo klettert seit Freitag stetig in den GitHub-Trending-Listen der Prompt-Kollektionen.

3. Alpensee im Goldenen Licht

Prompt (vollständig, kopierbar):

alpine lake reflection, golden hour backlight, wide angle, architectural composition, 2:3 composition, highly detailed, professional quality

Am besten mit: GPT Image 2.6 (Flare); für Print das gleiche Prompt in 1536px

Warum effektiv: Gegenlicht in der goldenen Stunde plus Spiegelung ist die klassische Kombination für stimmungsvolle Landschaften — das „architectural composition" im Prompt sorgt für bewusst gesetzte, geometrisch ruhige Bildarchitektur statt zufälliger Snapshot-Komposition. Das 2:3-Format eignet sich für Poster und Editorial-Layouts.

Quelle: https://github.com/fujc683/awesome-gpt-image-2-6-prompts | 84 ★ (aktualisiert am 11.11.2026)

Community Resonanz: Aus der Kategorie „Nature & Landscape" derselben Sammlung; die Prompts dort sind so gebaut, dass sie sich als Baukasten kombinieren lassen — Stilfragment gegen Stilfragment tauschen bleibt die gängigste Community-Praxis.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Papierlaterne über dem See — lokaler Text-to-Video-Klassiker (Wan 2.2)

Prompt (vollständig, kopierbar):

A paper lantern drifts over a quiet lake, slow tilt up to the stars.

Einstellungen: 16:9 · 10 Sekunden · Quality: High · Kamera: Tilt up

Am besten mit: Wan 2.2 (lokal, z. B. über die kostenlose PromptReel-Windows-App)

Warum effektiv: Das Prompt trennt sauber in Subjekt (Laterne), Environment (ruhiger See), Kamerabewegung (slow tilt up) und Zielmotiv (Sterne) — genau die Struktur, die Wan 2.2 in einer Einstellung stabil umsetzt. In der App werden Format, Länge, Qualität und Kamerabewegung separat gewählt, statt sie im Text zu überladen; jeder Clip wird mit seinem Prompt gespeichert und ist per Wortänderung wiederholbar.

Quelle: https://github.com/silverdugongenhance/PromptReel | 207 ★

Community Resonanz: PromptReel (Beta, Windows 10/11, Modell-Clips bleiben lokal auf dem PC) trendet diese Woche in den GitHub-Neulingen — volle lokale Videogenerierung ohne Credits oder Abo resoniert stark.

2. Katzen-Machtspiel mit Golden-Retriever-Comeback (15-Sekunden-Storyboard)

Prompt (vollständig, kopierbar):

【全局规格与氛围】
画幅规格：16:9 电影宽画幅
视觉质感：8K 超高清，写实电影级 CG，2D 插画蒸汽波风格，电影级胶片颗粒质感
运镜方式：全片一镜到底、匀速运镜、无镜头跳跃
整体氛围：深夜客厅，冷色月光，忽明忽暗的室内灯光，强明暗对比，低饱和暗调，悬疑、肃杀、权谋压迫感
音效设计：纯环境原声，猫咪轻踩湿地面细微声响、远处微弱路灯电流声，全程无背景音乐、无字幕、无水印、无多余特效

【角色设定】
四只高冷猫咪：成年猫咪，体态挺拔，气质冷峻，眼神锐利，动作克制，呈现"权力对峙"状态。全员无可爱萌态，姿态高傲、沉稳、腹黑。
金毛犬：最后出场。体型高大，毛发金棕色，初登场姿态霸气、步伐稳健、眼神严肃，像突然闯入权谋会议的"重量级新势力"。随后意外滑倒，动作滑稽，气场瞬间崩塌，形成强烈喜剧反差。

【详细分镜】（每镜含：镜头运动 / 画面内容 / 视觉处理）
分镜 1｜00:00-00:02 中景起幅 · 弧形左移
镜头运动：中景起幅，镜头平稳静止起幅后，匀速顺滑向左侧弧形横移。
画面内容：深夜客厅内，猫 1 侧身优雅伫立，头颅微低，身形沉稳，像蛰伏沉思。片刻后，他高傲抬头，直视镜头，眼神疏离不屑，充满城府气场。
视觉处理：前景轻微失焦虚化，保留室内朦胧层次，焦点牢牢锁定猫咪主体。冷色灯光侧逆光打亮猫身，明暗切割强烈，暗调冷色氛围统一。

（分镜 2–6 nach demselben Muster: 00:02–00:05 拉焦贴脸特写 · 00:05–00:08 后拉摇移卡位 · 00:08–00:11 斜向后撤升起 · 00:11–00:13 金毛闯入 · 00:13–00:15 滑倒翻车 — komplette Vorlage in der Quelle）

Am besten mit: Videomodelle mit Kamerabewegungs- und Stundencodierung (Kling, Sora, Veo) — für mehrminütige One-Takes clip-weise generieren

Warum effektiv: Das ist Storyboard-Prompting in Meisterschul-Qualität: globale Spezifikation (Format, Auflösung, Stil, Licht, Sound-Design mit expliziten Negativ-Kriterien), Charakter-Sheets mit Verhaltenslogik, dann sechs getimete Shots mit je drei Blöcken — Kamerabewegung, Bildinhalt, visuelle Nachbearbeitung. Die Komödie entsteht strukturell: vier Shots spannen die Spannung auf, Shot 5+6 lösen sie mit dem Slapstick kontrastiert auf.

Quelle: https://github.com/Nihilist-ZIO/prompt-library | 67 ★

Community Resonanz: Die Bibliothek (95 Prompts, 6 Kategorien, CC BY 4.0) mit Excel-Gesamttabelle und Einpflege-Skripten wird diese Woche in den GitHub-Trendings der Prompt-Bibliotheken gehandelt.

3. 汴京一镜到底: 30-Sekunden-Flug durch einen Song-Dynastie-Morgenmarkt

Prompt (vollständig, kopierbar):

【核心强制基底】
唯一画面基础：北宋汴京早市大全景俯视图（高密度人群，虹桥，汴河，孙羊正店，漕船，书院，民居）
绝对禁令：严禁出现任何现代物品，水印，严禁出现红色标注线或节点数字。绝对禁止出现任何红色箭头，红色轨迹线条，节点数字，标注，草图标记，最终成品须为纯净无瑕的电影画面
空间锁定：所有古建筑，桥梁，街道，河流，船只及人物的相对位置，透视关系必须与原图完全一致，不可改变原有构图

【视觉风格与运镜基调】
风格定位：实景拍摄质感（Cinematic Live Action），电影级调色，高动态范围（HDR），浅景深，8K 超高清分辨率
光线设定：日出后柔和的暖金色侧逆光，丁达尔光效穿透晨雾与炊烟，明暗过渡自然，屋脊与街道立体感强
镜头设定：FPV 第一人称视角，一镜到底
运镜载体：镜头由一个微弱的，带有流动感的白金色魔法粒子光点作为视觉引导载体，贴地或贴物飞行，速度感适中，模拟昆虫或小精灵视角的灵动穿梭
氛围基调：活色生香的北宋烟火气与仙气并存，市井讨价还价的争吵，早餐摊的热气，达官贵人的宴饮，书院的朗朗书声，纤夫的号子等环境音效需在画面中具象化

【详细分镜脚本（30 秒 / 1-10 节点）】
[0-3 秒] 节点 1 → 节点 2：市井讨价还价
镜头从画面右下角低空启动，化作白金色光点贴地向前飞行，穿过挂着蓝布棚子的早市摊位；左侧菜农弯腰整理青菜，右侧顾客指着白菜讨价还价："客官，你看这菜叶上还挂着露水，昨儿个卖你三文，今儿个这价可不能再降了。" 顾客哈哈一笑，伸手去掏钱袋："市价如此，你这菜虽好，若不便宜两文，我便去隔壁买去。" 镜头微微晃动，模拟光点飞行的轻盈感。

（节点 3–10 nach demselben Muster bis 30 秒: 早餐摊 → 孙羊正店盛宴 → 虹桥早高峰 → 书院书声 → 贵族小姐晨妆 … — komplette Vorlage in der Quelle）

Am besten mit: Videomodelle mit langem Kontext und Bildreferenz-Unterstützung (Sora, Kling, Veo) — Bildvorlage (汴京-Panorama) mitgeben

Warum effektiv: Ein 30-Sekunden-One-Take mit zehn Timed Nodes, wörtlicher Dialog-Regie, FPV-Flugträger (magisches Partikellicht als „Kamera-Instanz") und — als Königsdisziplin — Negativ-Kontrakten: absolut keine modernen Objekte, keine Wasserzeichen, keine Annotationen im Final-Output, plus räumliche Lockierung auf die Bildvorlage. Genau diese Verbotslisten verhindern die typischen AIGC-Artefakte bei Storyboard-generierten Clips.

Quelle: https://github.com/Nihilist-ZIO/prompt-library | 67 ★

Community Resonanz: Vorlage aus der „场景"-Kategorie der gestern aktualisierten Bibliothek; das Original stammt von einem chinesischen AIGC-Creator (bilibili) und kursiert dort als Referenz für einstellige Sekunden präzise Kameraflüge.

🧠 TOP 3 NEUE TECHNIKEN

1. Skill-basierte Just-in-Time-Anleitung (Modern Web Guidance)

Zusammenfassung: Google Chrome, Microsoft Edge, Mozilla Firefox und MDN publizierten gemeinsam einen kuratierten Skill-Katalog, der Web-Plattform-Expertenwissen on demand direkt in den Kontext von Coding-Agenten lädt.

Erklärung: Coding-Agenten erzeugen oft veraltetes JavaScript, weil in ihren Trainingsdaten massenhaft Legacy-Code liegt. „Modern Web Guidance" löst das nicht über RAG über die ganze Doku, sondern über gezielt abrufbare, expert-kuratierte Guides: Der Agent (oder der Mensch) sucht per CLI (search), holt sich den passenden Guide per retrieve in den Kontext und lässt sich mit legacy-scan die Altlasten im Codebase anzeigen. Der Katalog deckt Accessibility, moderne CSS-Layouts, Built-in-AI-APIs, UI-Komponenten und mehr ab — gestützt von Browser-Kompatibilitätsdaten aller vier Hersteller.

Beispielprompt:

When asked to animate, style, or architect UI:
1. First run: npx modern-web-guidance@latest search "<task>"
2. Read the retrieved guide and follow it instead of defaulting to legacy patterns (jQuery, custom requestAnimationFrame loops, old polyfills).
3. Prefer native platform solutions: View Transitions, CSS anchor positioning, scroll-driven animations, container queries.
4. If no guide matches, state that and fall back to MDN-canonical usage.

Geeignet für: Claude Code, Cursor, Codex CLI, OpenCode — jeder Agent mit SKILL.md-/AGENTS.md-Support

Ursprung: https://github.com/GoogleChrome/modern-web-guidance

Warum heute wichtig: Der gestrige Show-HN-Beitrag erreichte 367 Punkte und 109 Kommentare — das erste Mal, dass alle vier Browser-Hersteller gemeinsam Agenten-Skills statt nur Doku publizieren. Der Trend weg von fetten Regelwerken hin zu just-in-time-Guides im Kontextfenster wird damit Industriesstandard.

2. Build-Aware Context (ByteAsk)

Zusammenfassung: Bevor das Modell das erste Token schreibt, analysiert eine Build-Analyse, wo der Change hingehört — und spart so 63–80 % der Tokens gegenüber Codex CLI.

Erklärung: ByteAsk (Preprint vom 9. November, ByteAsk Research + Carnegie Mellon) baut einen Coding-Agenten für C und C++, dessen Context-Engine die Codebase so versteht wie der Build des Projekts selbst: Sie teilt dem Modell vor dem Start mit, welche Dateien und Symbole zum Change gehören, welche verwandten Stellen dieselbe Änderung brauchen und welche Tests sie abdecken. Danach prüft ein Harness genau diese Tests. Das Ergebnis: gleich viele Fixes wie Codex CLI auf demselben Modell (je 129 von 144 Runs), aber 63–80 % weniger Tokens und 59–70 % niedrigere Kosten — die größten Ersparnisse bei wenig bekannten, schweren C++-Projekten.

Beispielprompt:

Before proposing any edit to this codebase, first build/index the project and report:
1) the exact file(s) and symbols where this change belongs,
2) all related locations that may require the same change,
3) which existing tests cover those locations.
Then implement the change, and verify it by running only those tests — not the full suite.

Geeignet für: Claude Code, Codex CLI und alle Agenten in build-lastigen C/C++-Projekten

Ursprung: https://byteask.ai/research/byteask-system-cpp

Warum heute wichtig: Context Engineering entscheidet jetzt über Kosten und Erfolg von Coding-Agenten — die Arbeit zeigt, dass „wo gehört der Change hin" die teuerste Frage ist und sich per Vorab-Analyse maschinell beantworten lässt. 24 Stunden nach Publikation wird das Paper bereits in Agent-Harness-Diskussionen auf HN referenziert.

3. Motion Edit Prompting (MotionGraphicsBench)

Zusammenfassung: Ein statisches SVG plus ein präziser „Motion Edit Prompt" ersetzt das freie Text-to-Animation-Prompten — und macht Bewegung erstmals programmatisch überprüfbar.

Erklärung: Figma AI und das Benchmark-Team (Artikel vom 10. November) geben Modellen für jeden der 100 Tasks ein vollständiges statisches SVG mit allen visuellen Elementen und einen Motion-Edit-Prompt, der beschreibt, was sich wie bewegen soll — animiert werden darf nur, was im SVG existiert. Die Bewertung läuft nicht über Vibe-Scoring, sondern über deterministische Prüprogramme pro Task (inspiriert von MoVer). Ergebnis über 32 Modelle von 12 Anbietern: Nur vier überschreiten 50 % pass@1; GPT-6 Astra auf maximalem Reasoning erreicht 67,7 %, stärkste Open-Weight-Modelle sind GLM 5.3 (39,8 %) und Qwen 3.8 (39,4 %). Höherer Reasoning-Aufwand bringt 7–13 Prozentpunkte, und pass@32 steigt im Mittel auf 73,7 % — wiederholtes Generieren schlägt also iteratives Korrigieren.

Beispielprompt:

Input: the supplied static SVG contains every visual element needed (scissors: blades, handles, central screw) — some geometry may initially be hidden.
Task: The scissors close until the blades are nearly closed, then reopen and return to their exact starting pose.
Output: a JavaScript program using the GSAP animation library that animates only the supplied elements. Do not create new visual elements. Do not change the static appearance.

Geeignet für: GPT-6 Astra, GLM 5.3, Qwen 3.8, Claude — für SVG-/Lottie-Animation und Motion-Graphics

Ursprung: https://huggingface.co/blog/figma-ai/motion-graphics-bench

Warum heute wichtig: Das Prompting für Animation reift vom Bildbeschreiben zum Spezifizieren von Beziehungen und Ereignissen — mit absichtlich mehreren gültigen Lösungen, die Maschine prüft. Für alle, die Lottie-Assets oder UI-Motion produktiv nutzen, ist das das neue Referenz-Promptformat.

🏆 Highlight des Tages

Claude Fable 5.2 & Mythos 5.2 — und der Beginn der „Ambitious Prompting"-Ära

Gestern veröffentlichte Anthropic Claude Fable 5.2 — zusammen mit Mythos 5.2, derselben weights mit anderen Safeguards: 49,1 % auf FrontierCode 2.0 (Opus 5.5: 45,5 %, GPT-6 Astra: 42,8 %), 69,9 % auf FrontierSWE v2, 74,2 % auf Humanity's Last Exam (mit Tools). 1M-Token-Kontext, bis zu 128K Output, $8/$40 pro Million Tokens, optionaler Fast Mode (2,5×, $16/$80), API-ID claude-fable-5-2 — live auf der Claude Platform, AWS, Google Cloud und Azure. In Prerelease-Experimenten formalisierten 1.000 Fable-5.2-Agenten Fermats letzten Satz in Lean (30 Stunden), koordinierte ein Run über 1.000 Subagenten acht Tage lang ein bootbares Betriebssystem und lösten zwei offene Physik-Probleme zu Schwarzen Löchern. Anthropics Empfehlung bleibt Opus 5.5 als Daily Driver — Fable 5.2 ist für die schwerste offene technische Arbeit positioniert.

Und genau dafür liefert die Community jetzt das Prompt-Handwerk nach. Der meistgeteilte Satz aus dem Fable-Thread: „Fable is good, but you really have to push the ambition of your prompt in order to see proper separation from Opus 5.5." Roy Osheroves „Ambitious Prompting"-Muster (siehe Textgenerierung #3) liefert dazu die kopierbare Steigerungslogik — von der App zur Fabrik:

Prompt (vollständig, kopierbar):

Build me a web app.
→ Build and deploy me a web app that supports both mobile, desktop and web with database, auth...
→ Set up a factory that builds me web apps of this type, and sets up all the hosting, infrastructure and monitoring so I can try out ideas really quickly.
→ Set up a learning factory that not only builds it, but measures the success of the idea, brings in users, and lets me know how it's going.
→ Set up an experimentation factory that not only monitors and learns, but dreams up new creative ideas based on what I like, deploys them, tries them, iterates, destroys, creates, rinse repeat.

Am besten mit: Claude Fable 5.2 (claude-fable-5-2), alternativ Claude Opus 5.5

Warum effektiv: Fable 5.2 ist explizit für langlaufende, offene Multi-Agenten-Arbeit gebaut — dort zahlt sich jede zusätzliche Ambitionsebene im Prompt direkt in Ergebnisqualität aus. Die Leiter funktioniert wie ein Ziel-Horizont-Expander: Jede Stufe delegiert mehr Architektur-, Betriebs- und Lernverantwortung an den Agentenverband.

Quelle: https://www.marktechpost.com/2026/11/10/anthropic-claude-fable-5-2-mythos-5-2-release/ · https://robotpaper.ai/ambitious-prompting-whats-bigger-than-a-factory/

Community Resonanz: Der Launch dominiert gestern die AI-Kanäle; auf Hacker News diskutiert die Community parallel die Frage, wie viel Prompt-Ambition die neuen Modelle eigentlich einfordern — Osheroves Eskalationsleiter ist dabei die am häufigsten verlinkte praktische Antwort.

📰 Erlesene Artikel & Ressourcen

Bericht erstellt am 11. November 2026 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs