📅

Daily Prompt Intelligence Report — 17. November 2026

🏆 Highlight

### „Build me a FPS" — der Eine-Satz-Befehl, der ein AAA-Spiel generiert Der Prompt, mit dem Anthropic-Entwickler Felix Rieseberg das Browser-Shooterspiel Saltline generierte, ist heute die meistreferenzierte Vorlage für autonome Generation — und ein GitHub-Repo hat ihn erstmals mit vollständiger Kosten- und Cache-Abrechnung reproduziert: 73 Runden ohne Eingriff, 131 KB Single-File-HTM...

Daily Prompt Intelligence Report — 17. November 2026

🔤 TOP 3 PROMPTS — Textgenerierung

1. Der Depth-Prompt: Jede Aufgabe eine Ebene tiefer

Prompt (vollständig, kopierbar):

I want a deeper version of this task, not a bigger one. Before rewriting it: (1) say what a top
professional in this field would do here that I'm not asking for; (2) name the rawest material they
would start from instead of what has already been digested for me; (3) name the specific methods
and tools they would use; (4) say what, other than you or me, would show the result is right. Then
rewrite my prompt to ask for exactly that.

Am besten mit: Claude Opus/Fable, GPT-6, Gemini 4 — jedes starke Reasoning-Modell

Warum effektiv: Der Prompt zwingt das Modell, vor dem Umschreiben vier konkrete Fragen zu beantworten: was ein Top-Profi anders machen würde, mit welchem Rohmaterial er arbeitet, welche Methoden er einsetzt und was das Ergebnis extern beweist. Damit ersetzt er oberflächliche "mach das besser"-Anweisungen durch eine echte Professionalisierung der Aufgabe. Er funktioniert als Vorspann vor jedem beliebigen Anliegen.

Quelle: https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/ | GitHub-Tool-Umsetzung: https://github.com/nicobailon/pi-better | 108 Stars

Community Resonanz: Die pi-better-Erweiterung, die diesen Prompt automatisiert mit echten Code- und Dateizugriff ausführt, erreichte innerhalb einer Woche über 100 Stars; das zugehörige Tutorial eines bekannten Anthropic-Entwicklers wird in Agenten-Kreisen intensiv geteilt.

2. Churn-Simulation mit Blindspot-Suche

Prompt (vollständig, kopierbar):

Build a simulation of our customers that reproduces the last year from our logs. Then find the
earliest signal of churn we don't know about yet, and show it predicts on data it has not seen.

Am besten mit: Claude mit Code/Dateizugriff (Claude Code, Agent-Mode), GPT-6 mit Data-Analyzer

Warum effektiv: Der Prompt verlangt zweierlei, was Modelle sonst ausweichen: eine Reproduktion der Realität aus Rohdaten (statt Zusammenfassungen zu glauben) und einen vorhergesagten Effekt auf ungesehenen Daten als Beweis. Das ist die wissenschaftliche Methode als Geschäftsprozess-Anweisung. Der letzte Satz verhindert, dass das Modell nur Bekanntes bestätigt.

Quelle: https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/ | Tutorial eines Anthropic-Entwicklers

Community Resonanz: Der Artikel, aus dem der Prompt stammt, zirkuliert diese Woche in Agenten-Communities als Referenz für "Ambition im Prompt"; die Churn-Beispiele werden dabei am häufigsten zitiert.

3. Altitude-Redesign: Den Zweck hinter der Aufgabe lösen

Prompt (vollständig, kopierbar):

The review exists so leadership catches problems early and moves money and people to the right
places. Design a better way to do that than a quarterly deck, show from our own history that it
would have caught things sooner, and run it beside the current one for a quarter.

Am besten mit: Claude Opus, GPT-6, Gemini 4 — mit Zugriff auf Unternehmensdaten

Warum effektiv: Statt eine Präsentation zu optimieren, definiert der Prompt den eigentlichen Zweck (Probleme früher erkennen, Ressourcen umlenken) und beauftragt das Modell, das Format selbst neu zu erfinden — inklusive historischem Beweis und Parallelbetrieb. Das ist "Altitude"-Prompting: das Ziel hinter dem Ziel ansprechen. Es funktioniert nach demselben Muster für Reports, Meetings und jede wiederkehrende Büro-Aufgabe.

Quelle: https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/ | Tutorial eines Anthropic-Entwicklers

Community Resonanz: Das QBR-Beispiel aus dem Tutorial gilt als Einstiegs-Demonstration, wie "Höhe statt Aufgabe" promptet; in den Diskussionen wird vor allem der Parallelbetrieb ("run it beside the current one") als praxistauglicher Kniff hervorgehoben.

🖼️ TOP 3 PROMPTS — Bildgenerierung

1. Kyoto-Poster: Lesbarer Text im Bild

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 oder Sunburst)

Warum effektiv: GPT Image 2.6 ist das erste Bildmodell, das Text im Bild zuverlässig lesbar rendert — bis ca. 6 Wörter sind stabil, mit Sunburst bis 12. Der Prompt nutzt das Muster "Text in Anführungszeichen exakt buchstabieren + Plazierung benennen (top third, centered)" und gibt mit Palette und Negativraum dem Layout Halt. Ideal für Poster, Verpackung und UI-Mockups.

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

Community Resonanz: Das Repo mit den Text-Rendering-Mustern erreichte in wenigen Tagen über 100 Stars; die Faustregel "bis 6 Wörter verlässlich, längeren Text nachträglich im Design-Tool setzen" wird in den Issues als praktischste Zusammenfassung des Modells geteilt.

2. Schwebender Sneaker: Produktfoto mit Charakter

Prompt (vollständig, kopierbar):

floating sneaker, moody low-key lighting, 85mm lens, shallow depth of field, 4:5 composition, highly detailed, professional quality

Am besten mit: GPT Image 2.6 (Flare)

Warum effektiv: Das Prompt folgt der Erfolgsformel der 252-Prompt-Bibliothek: Motiv + Lichtstimmung + Brennweite + Schärfentiefe + Seitenverhältnis + Qualitäts-Zusicherung. Jede Komponente adressiert eine echte Bildentscheidung, die das Modell sonst rät. Low-Key-Licht mit 85mm und geringer Schärfentiefe erzeugt den teuren E-Commerce-Look aus dem Katalog großer Marken.

Quelle: https://github.com/fujc683/awesome-gpt-image-2-6-prompts | 85 Stars

Community Resonanz: Die kuratierte Bibliothek wächst täglich und gruppiert Prompts nach Anwendungsfall; die Produkt-Kategorie (Flacon, Skincare-Set, Keramikflasche) wird am häufigsten aufgerufen.

3. Editorial Studio Portrait mit Nebel und Rim-Light

Prompt (vollständig, kopierbar):

editorial studio portrait, volumetric fog with rim light, 100mm macro, commercial product photography, 3:4 composition, highly detailed, professional quality

Am besten mit: GPT Image 2.6 (Sunburst); adaptierbar für Midjourney/Flux mit eigenem --ar

Warum effektiv: Die Kombination "volumetric fog with rim light" + Makro-Brennweite erzeugt den hochwertigen Editorial-Look, der sonst aufwendiges Studio-Equipment braucht. Das Prompt trennt sauber zwischen Stil (editorial), Technik (100mm macro) und Genre-Referenz (commercial product photography) — genau die drei Ebenen, auf denen Bildmodelle steuerbar sind.

Quelle: https://github.com/fujc683/awesome-gpt-image-2-6-prompts | 85 Stars

Community Resonanz: Das Portrait-Kapitel der Bibliothek liefert zu jedem Prompt Vorschaubilder und Seitenverhältnisse; Nutzer experimentieren vor allem mit dem Austausch der Lichtstimmung bei gleichem Rest des Prompts.

🎬 TOP 3 PROMPTS — Videogenerierung

1. Das Kamera-Sprach-Template für Text-to-Video

Prompt (vollständig, kopierbar):

[subject + action], [camera move], [lens], [light], [pace]

Beispiel:
a ceramic mug rotating on a pedestal, slow orbit, 85mm, hard rim light, 24fps

Am besten mit: Seedance 2.5 Flash, alle Text-to-Video-Modelle

Warum effektiv: Ein Video-Modell muss Bewegung erfinden — wählt man die Kamera nicht, entscheidet es selbst (meist ein langsamer Push-in). Das Template benennt alle fünf Steuergrössen explizit: Subjekt mit Aktion, ein Kameramove (nie zwei!), Brennweite, Licht und Bildrate. Dazu liefert das Repo 20 kopierfertige Kamera-Phrasen wie "crane up revealing the city skyline" oder "rack focus from foreground to subject".

Quelle: https://github.com/fujc683/seedance-2-5-flash-camera-movements | 144 Stars

Community Resonanz: Das Repo wurde diese Woche zum meistbeachteten Seedance-Kamera-Nachschlagewerk; die häufigste Diskussionsfrage ist, dass zwei Kameramoves in einem Prompt Renders verschwenden — lieber in zwei Shots splitten.

2. Rally-Auto über den Kamm

Prompt (vollständig, kopierbar):

a rally car launching over a crest, aerial style, shot on 24mm wide, overcast soft light, 24fps, shallow depth of field, high detail

Am besten mit: Seedance 2.5 Flash

Warum effektiv: Der Prompt koppelt eine dynamische Aktion (Absprung über den Kamm) mit einer ungewöhnlichen Perspektive (aerial) und bewölktem Weichlicht — das verhindert den generischen Sonnenuntergangs-Look. Die 24mm-Weitwinkelangabe gibt der Szene Raum, das shallow depth of field hält das Auto im Fokus. Es ist eines von 140 kuratierten Prompts der Bibliothek mit Vorschaubildern.

Quelle: https://github.com/fujc683/awesome-seedance-2-5-flash-prompts | 126 Stars

Community Resonanz: Die Bibliothek gruppiert 140 Prompts in Kategorien von Cinematic & Action bis Food; die Action-Kategorie dominiert die Nutzungszahlen, da die Prompts direkt mit einem Klick im Tool getestet werden können.

3. Explosion im Visier: Slow-Motion-Highlight

Prompt (vollständig, kopierbar):

an explosion reflected in a visor, slow motion, studio style, shot on 35mm, hard rim light, 24fps, shallow depth of field, high detail

Am besten mit: Seedance 2.5 Flash, Sora, Kling

Warum effektiv: Hier ist die Kamera Idee: Nicht die Explosion selbst, sondern ihre Reflexion im Visier eines Astronauten/Helden. Das reduziert die komplexe Szene auf eine filmische Metapher, die Video-Modelle zuverlässig umsetzen können. "Slow motion" plus "hard rim light" sorgen für den spektakulären Einzel-Framing-Look, ohne dass das Modell chaotische Massenszenen erfinden muss.

Quelle: https://github.com/fujc683/awesome-seedance-2-5-flash-prompts | 126 Stars

Community Resonanz: Das Visier-Prompt wird in der Bibliothek als Beispiel dafür gezeigt, wie Reflexions-Motive Renderkosten sparen und trotzdem Kinolook liefern.

🧠 TOP 3 NEUE TECHNIKEN

1. No-Slop: Disziplin-Regeln für Coding-Agents

Zusammenfassung: Ein einziges SKILL.md mit Verhaltensregeln, das Coding-Agents zwingt, zuerst zu verstehen, minimal zu ändern und Verifikation von Annahme zu trennen.

Erklärung: KI-generierter Code sieht oft korrekt aus, ohne es zu sein: erfundene APIs, überall try/catch, unnötige Wrapper. no-slop installiert als Agent-Skill (Codex, Claude Code, alles mit Agent-Skills-Format) einen Regelkatalog, der Ursachen statt Symptome fixen lässt, Verträge von Abhängigkeiten prüft, Diffs klein hält und verbietet, "production-ready" zu behaupten ohne Beweis. Der Kern ist die Unterscheidung von beobachtet, gefolgert und verifiziert.

Beispielprompt:

Before calling the work done, ask:
1. Did I understand and solve the real problem, or just the symptom?
2. Which assumptions did I confirm against actual code, APIs, or formats?
3. Could this break a caller or erase working behavior?
4. Did I add a rewrite, abstraction, fallback, dependency, or comment without a concrete need?
5. What behavior did I actually verify, and what remains uncertain?
Revise anything that fails this check.

Geeignet für: Claude Code, Codex, jeden Agent mit Skills-Unterstützung

Ursprung: https://github.com/memcpython/no-slop

Warum heute wichtig: Mit Agenten, die autonom Stunden arbeiten, entscheidet Code-Disziplin über brauchbare Resultate. Die Regel "Think first. Change less. Prove what works." adressiert genau die Fehler, die in dieser Woche in Agenten-Burnout-Diskussionen auf Hacker News beschrieben werden.

2. Deslop: Korpuslinguistisch fundiertes Entschlacken

Zusammenfassung: Ein Claude-Skill, der KI-Fingerabdrücke aus Text entfernt — basierend auf Korpus- und Psycholinguistik-Forschung zum Vergleich von Mensch- und Modelltext.

Erklärung: Deslop scannt einen Entwurf gegen messbare Unterschiede (Partizipial-Anhänge laufen 2–5× über der menschlichen Rate, Nominalisierungen 1,5–2×, Wortlänge 5,2–5,6 statt 4,9 Buchstaben) und überarbeitet dann Schicht für Schicht von aussen nach innen: Inhalt, Struktur, Satzgrammatik, Rhythmus, Wortwahl. Ein Rescan prüft, ob neue Tells entstanden und Fakten verloren gingen. Der wichtigste Befund: Verbotslisten allein erzeugen nur neue Slop-Arten — das Ziel ist Variation, nicht Einheitsprosa.

Beispielprompt:

Run a de-slop pass on this draft. Genre: {Slack message / README / essay / cover letter}.
Invariants: facts, numbers, names, claims, code, quotes and links stay unchanged.
Revise, outermost layer first:
1. Content: cut preambles, recap paragraphs, throat-clearing, closing offers.
2. Structure: break up uniform paragraphs; don't bullet what should be prose.
3. Sentence grammar: turn present participial tails (", highlighting...", ", ensuring...") into
   finite clauses or delete them; turn nominalizations back into verbs ("caching cut latency");
   write clausal links a human would use (because, but, so, if, when); vary word order.
4. Rhythm: let some sentences run long; a short sentence must add new content, never echo the last.
5. Lexicon: prefer the short word ("use" for "utilize"); cut intensifiers; call each thing by one name.
Never invent anecdotes, opinions, data or first-person experience to make text "sound human".

Geeignet für: Claude (als Skill), jede Chat-LLM für die manuelle Variante

Ursprung: https://github.com/etodanik/deslop

Warum heute wichtig: Der Show-HN-Beitrag traf den Nerv: KI-Texte erkennen Leser immer schneller, und einfache "humanize"-Prompts tauschen nur Slop-Arten. Die kontrollierte, messbare Revision mit Faktencheck ist der erste datenbasierte Ansatz, der in Blindtests bestätigt wurde (5–0 gegen den Zweit-Pass).

3. Unattended Agent Loop: Autonomes Bauen mit Budget und Cache

Zusammenfassung: Ein Workflow, der Coding-Agents unbeaufsichtigt in Schleifen mit festem Budget laufen lässt — mit Systemprompt, Browser-Selbstkontrolle und Cache-Kostenkontrolle.

Erklärung: Das fable52-fps-repro Repo dokumentiert vier Experimente, in denen ein Agent per Headless-CLI mit einem Prompt und einem Budget-Limit (--max-budget-usd) losläuft. Der zusätzliche Systemprompt erlaubt dem Agent, die eigene HTML-Seite in Chrome zu öffnen, Screenshots zu machen, Audio offline zu rendern und bis zur Fehlerfreiheit selbst zu iterieren. Das Ergebnis: 73 Runden unbeaufsichtigt, 90,9% Cache-Treffer, $15.96 statt $60.57 ohne Cache — die Cache-Trefferquote ist der eigentliche Hebel, weil der Agent das Projekt jede Runde neu liest.

Beispielprompt:

你在独立完成一个创作任务。用户只给一次需求,之后不会再回答任何问题,所有决定你自己做,直到作品完成。
- 产物只写到任务指定的目录。
- 可以用 `agent-browser`(open / screenshot / eval / console)在本机 Chrome 里打开自己的页面截图自检,发现问题就改。
- 涉及声音时,你听不到声音:用 OfflineAudioContext 渲染后检查峰值、削波和静音段,在汇报里写明「未经人耳试听」。
- 完成后用 3–6 行汇报:做了什么、文件路径、已知问题。

Geeignet für: Claude Code mit Fable/Opus-Modellen, jeden Headless-Agent-Runner

Ursprung: https://github.com/wquguru/fable52-fps-repro

Warum heute wichtig: Die Community streitet diese Woche über Agenten-Burnout und Kontrollverlust; dieses Setup zeigt die Alternative: klare Verträge (ein Prompt, ein Verzeichnis, ein Budget), Selbstkontrolle über den Browser und vollständige Kostenabrechnung. Es ist die Blaupause für Overnight-Builds.

🏆 Highlight des Tages

„Build me a FPS" — der Eine-Satz-Befehl, der ein AAA-Spiel generiert

Der Prompt, mit dem Anthropic-Entwickler Felix Rieseberg das Browser-Shooterspiel Saltline generierte, ist heute die meistreferenzierte Vorlage für autonome Generation — und ein GitHub-Repo hat ihn erstmals mit vollständiger Kosten- und Cache-Abrechnung reproduziert: 73 Runden ohne Eingriff, 131 KB Single-File-HTML mit Echtzeitreflexionen, drei Drohnenwellen und 18 synthetisierten Soundeffekten.

Prompt (vollständig, kopierbar):

Build me a FPS. Insanely detailed quality pls, something that looks visually like it can keep up
with AAA. Make it small in scope (like a tiny level) but otherwise impressive photorealistic graphics

Am besten mit: Claude Fable 5.2 (Claude Code, unbeaufsichtigt mit Budget-Limit)

Warum effektiv: Der Satz setzt eine kreative Messlatte („AAA") statt einer Spezifikation, begrenzt den Scope („tiny level") und fordert Photorealismus — genau das Muster, das laut Prompt-Guide die stärksten Ergebnisse produziert. Kombiniert mit dem Unattended-Loop (Systemprompt + Budget + Cache) entsteht aus einem Satz ein komplettes Spiel; die Reproduktion kostete umgerechnet $15.96 statt $60.57 dank 90,9% Cache-Trefferquote.

Quelle: https://github.com/wquguru/fable52-fps-repro (Prompt-Datei: prompts/04-fps.md) | 105 Stars · Reproduktion des Saltline-Prompts von https://x.com/felixrieseberg

Community Resonanz: Tom's Hardware berichtete parallel über die Unterwasser-Welt (96 KB, 180 FPS, 40-Zeilen-Prompt), die mit derselben Technik entstand; die Kombination aus Ein-Satz-Prompt und offengelegter Token-Abrechnung macht das Repo zum Referenzfall für die Frage „Was kostet autonome Kreativität wirklich?"

📰 Erlesene Artikel & Ressourcen


Bericht erstellt am 2026-11-17 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs