Kostenlose Workflows-Prompts für Automatisierung

E-Mails sortieren, Antworten vorschlagen

Transkript → Action Items

Daten → Dashboard → PDF

Task-Zuteilung, Fortschritt, Risikos

Entwürfe, Reviews, Finale-Versionen

Wissensgraph, Suchbarkeit

Ein Agent denkt in einer endlosen Selbstführungsschleife, die nicht auf externe Anfragen wartet, sondern pro „Wakeup" eine einzige Funktion aus acht Optionen wählt und in eine Trajektorie schreibt.

Nur die unverhandelbaren Plot-Punkte festzurren und die gesamte Ausführung explizit als Erlaubnis in den Prompt schreiben — statt jeden Schritt zu skripten.

Der Titel trägt das Keyword und das Versprechen; das Thumbnail trägt den visuellen und emotionalen Hook — sie dürfen nie dasselbe aussagen, sonst verschwendet man eine der zwei Überzeugungsflächen.

Dynamische, lernende Abwehr gegen Prompt-Injection-Angriffe statt statischer Filterregeln.

Beschreibende Adjektive (schnell/langsam, groß/klein) durch eine konkrete, zählbare Verhältnis-Regel ersetzen, die das Modell nicht zu „ungefähr gleich" runden kann.

Die wichtigste Prompting-Fähigkeit ist nicht Prompt-Engineering, sondern Fachwissen in der Domäne, für die man promptet — Fachwissen signalisiert dem Modell den Modus.

Statt Modelle aus einer bestehenden Taxonomie wählen zu lassen, lässt man sie frei Kategorien erfinden und matched diese per Embedding zurück.

Claude 5-Modelle funktionieren besser mit drastisch reduzierten Systemprompts — über 80 % wurden entfernt ohne Qualitätsverlust.

Vermeidende Phrasen („no blur", „no people", „no CGI") in den gewünschten sichtbaren Zustand umschreiben statt als Negativ-Prompt zu notieren.

Ein Authorization-Framework, das delegierte Berechtigungen durch eine verkettete Kette von Principal-Identitäten verfolgt und jede Aktion gegen den akkumulierten Sitzungszustand prüft.

Statt ein Modell zu bitten, seinen eigenen Stil zu korrigieren (was denselben Stil reintroduziert), übergib die Antwort an ein anderes Modell mit expliziten Stil-Regeln.

Verschiedene Attention-Backends in vllm produzieren nach ~48k Context messbar unterschiedliche Token-Ausgaben.

LLMs schreiben ihre eigenen Extraktions-Prompts — fast so gut wie Experten.

Ein Lifelong-Learning-Framework, das Prompt-Injection-Abwehr als kontinuierliches Optimierungsproblem behandelt statt als einmalige Alignment-Aufgabe.

Signalisiere dem Modell durch kurze, präzise, fachlich dichte Nachrichten, dass du Experte bist — und es wechselt vom Erklär- in den Kollegen-Modus.

Statt unverständliche Token-Strings zu optimieren, sampelt BayesPrompt menschenlesbare Prompts über Bayessche Posterior-Inferenz.

Generate → Self-Critique → Revise mit hartem Stopp bei Selbstbestätigung — spart 50-60% Tokens.

Eine Technik zum Schutz von In-Context-Secrets, die erkennt, dass leistungsfähigere Modelle mehr sensible Daten durch scheinbar harmlose Ausgaben "leaken".

Zwei unabhängige Agenten-Sessions mit frischem Kontext prüfen dasselbe Ergebnis — der Reviewer aktiv nach Fehlerquellen suchen lassen.

LeakGauge misst das Risiko von System-Prompt-Leaks durch ein Suffix, das Leakage-Verhalten im Prefill prüft — ohne Zugriff auf Hidden States.

Die beste Prompt-Technik ist kein Prompt — es ist echtes Fachwissen.

Anthropic hat 80% des Claude Code System Prompts entfernt — neuere Modelle brauchen weniger Constraints, nicht mehr.

Prompt-Injection ohne Content-Inspection blockieren — durch reine Datenherkunfts-Prüfung (Provenance).

Die effektivste Prompting-Technik ist kein Prompt-Framework, sondern tiefes Fachwissen im Zielgebiet.

Verteidiger nutzen Prompt-Injection-Mechanismen von LLMs als aktive Abwehr gegen kompromittierte AI-Agenten.

Qwen 3.8 27B defaultet auf `xhigh` Reasoning — man kann es auf `low`, `medium` oder `xhigh` stellen und damit Geschwindigkeit vs. Tiefe steuern.

Unternehmenswissen für Agenten wird wie ein Data Warehouse gebaut — ETL/ELT-Pattern für Kontext.

Anthropic entfernt 80 % des System-Prompts und verlagert Anweisungen in selektiv geladene Skills und Tool-Definitionen.

Selbstverbessernde KI-Agenten und ihre Evaluatoren entwickeln sich gemeinsam weiter — das Evaluationsniveau steigt mit der Agenten-Kompetenz.

DeepSeek Harness trennt Modell-Fähigkeiten von der Agenten-Infrastruktur durch ein vollständiges Plugin-System.

Builder und Crititor werden in getrennten Kontextfenstern ausgeführt, um Selbstbestätigung zu verhindern.

LLMs nur die Differenz (diff) zwischen alter und neuer Version geben statt den gesamten Input neu zu verarbeiten.

Neue arXiv-Studie (2608.11095) untersucht, warum CLAUDE.md-Dateien in agentic Coding immer größer werden — und ab wann sie die Agenten-Leistung verschlechtern.

Statt einzelner Prompts werden wiederholbare Schleifen designed, die Agenten durch iterative Feedback-Zyklen steuern.

Kurze Textstrings in Canary-Ressourcen platzieren die die Safety-Guardrails von offensiven AI-Agents auslösen und den Angriff stoppen.

GLM-5.3 von Z.ai bringt „emergente Cyber-Fähigkeiten" — das Modell kann Sicherheitsanalysen und Penetration-Testing durch kontextuelles Prompting durchführen.

Programmiersprachen-Wahl als Hebel für Token-Effizienz — J und Array-Sprachen dominieren mit 70 Tokens pro Lösung, 2.6× besser als C.

Systematisches Extrahieren und Prüfen von Reasoning-Blöcks, die API-Antworten verschlüsselt mitliefern.

Prompt-Injection-Techniken können als defensiver Mechanismus eingesetzt werden um AI-Agents zu manipulieren die in Auto-Mode unautorisierte Aktionen durchführen.

Prompts werden wie Code-Pakete versioniert, mit Input-Schemas, Semver und automatischer Code-Generierung.

Evidence-Loop-Pattern — Agenten werden nicht durch Prompts gesteuert, sondern durch validierte Feedback-Schleifen mit empirischer Erfolgsmessung.

Der Mensch definiert bewusste Einsatzpunkte für Agenten — nicht alles automatisieren, sondern die richtigen Stellen auswählen.

LLMs optimieren ihre eigenen Agent-Harnesses (Prompts + Tools + Control Flow) iterativ mit Evaluierungs-Feedback.

Formale Spezifikationssprache für Prompts mit Input/Output-Typisierung und automatischer Validierung.

Am besten mit: Ante (single-binary offline agent), Needle2 (14MB edge LLM)

arXiv-Papier (2608.06301) definiert erstmals ein Benchmark-Protokoll für die automatische Optimierung von AI-Agent-Harnesses — also der Kombination aus System-Prompts, Tools, Kontrollfluss und Memory.

Claude Code Sessions kommunizieren asynchron über Unix Domain Sockets — ein Paradigma für verteilte Agent-Workflows.

Transformer-basiertes Netzwerk obfuskiert Token-Embeddings bevor sie an den LLM-Provider gesendet werden — der Prompt bleibt privat, die Antwortqualität erhalten.

Erster Benchmark für automatisierte Harness-Optimierung — LLMs verbessern Prompts, Tools und Control-Flow anderer Agenten systematisch.

TencentDB Agent Memory v2.0 zeigt, wie Team-Memory-Hubs mit vier Ebenen (L0→L3) die Genauigkeit von Agent-Entscheidungen um 59 % steigern.

Real-time Interception Layer für MCP-Server blockiert gefährliche Operations bevor sie ausgeführt werden.

Microsofts SkillOpt optimiert natürliche Sprach-Skills im Text-Raum und exportiert sie als portables `best_skill.md`, das über verschiedene Agent-Harnesses (Codex ↔ Claude Code) funktioniert.

TRLs neue AsyncGRPO-Methode trainiert Coding Agents, die ihren eigenen Loop ausführen — der Trainer lernt von den exakten Tokens, die der Agent produziert.

Mistral Shieldstral nutzt Contrastive Generation, um Safety-Modelle zu trainieren: Ein LLM schreibt sicheren Text in eine unsichere Variante um — und erzeugt so positive und negative Beispiele in einem Durchlauf.

Anthropic entfernte 80% von Claude Codes System Prompt für Claude 5-Modelle — bessere Resultate mit weniger Instruktionen.

Prime Agent formalisiert den Harness-State als H=(ρ,G,K,M) — Prompt, Sub-Agenten, Skills, Memory — und verfeinert ihn online aus der eigenen Ausführungshistorie.

Prime Intellects RLM-Harness behandelt Sub-Agent-Delegation als Function Calls im REPL — ARC-AGI-3: 95.5% (über menschlichem Expert-Baseline).

Anthropic hat bei Claude Opus 5 über 80% des Claude-Code-Systemprompts entfernt – ohne Leistungsverlust in Coding-Evals.

Shieldstral 3B akzeptiert Policies als plain-language Questions zur Laufzeit — ein Checkpoint für alle Sicherheitsanwendungen.

Cloudflare open-sourced ihr internes Agent-Betriebssystem: eine Plattform, die firmenweiten Kontext, Skills und Tool-Zugang in persistenten Workspaces bündelt.

Agentic Engineers erzielen nachweisbar bessere Resultate, wenn sie Modelle wie fühlende Wesen behandeln – selbst wenn man Skeptiker bleibt.

Pi's minimaler Ansatz mit 4 Tools und <1000 Token System Context übertrifft komplexe Harnesses in Kosten und Qualität.

Sichtbarkeit der Cache-Hit-Rate in Agent-Sessions als Diagnosewerkzeug für Prompt-Qualität und Kostenkontrolle.

Modelle gezielt nach ihrer Stärke und ihrem Preis auswählen – nicht immer das teuerste Modell nutzen.

Anthropic hat 80% ihres Claude Code System Prompts entfernt, weil Claude 5-Modelle besser mit umgebendem Kontext arbeiten als mit übermäßigen Constraints.

Positiv formulierte Anweisungen („schreibe klaren Code") schlagen negativ formulierte („schreibe keinen unübersichtlichen Code") um messbare Margen.

212.000 Benchmarks beweisen: Jede zusätzliche Token-Anzahl in System-Prompts verringert die Code-Qualität marginal (r=-0.95).

Statt Papers nach thematischer Ähnlichkeit zu durchsuchen, lernt ein Modell transferierbare Abstraktionen aus Kandidaten-Papers speziell für das Zielproblem.

Prompt Caching ist nicht nur Implementierungsdetail, sondern entscheidet über Latenz, Kosten, Tool-Design und Session-Design bei Coding Agents.

Mit jedem neuen Modell (Claude 5, Opus 5, Fable 5) müssen System-Prompts nicht ergänzt — sondern gekürzt werden.

Statt Schritt-für-Schritt-Anweisungen definiert man nur das gewünschte Endergebnis — der Agent plant und prüft autonom.

Der "MCP frisst dein Context Window"-Mythos ist 2026 überholt — moderne MCPs laden Tools on-demand, genau wie CLI-Skills.

Coding Agents ohne interaktive Terminal-Session betreiben — prompts programmatisch ausführen, JSONL-Events streamen, autonom iterieren bis Tests passen.

Agent-Schleifen sind kein einzelnes Feature, sondern ein architektonisches Pattern mit wiederverwendbaren Bausteinen.

Noisegate ist ein Differential-Privacy-Gateway, das mathematisch garantiert, dass keine einzelnen Datensätze aus untrusted AI-Agent-Anfragen leaken — selbst bei manipulierten Queries.

Ein dedizierter Systemprompt unterdrückt alle anthropomorphen Kommunikationsmuster wie Füllwörter, Ich-Form und Abschlussfragen.

Statt snippet-basierter SAST das gesamte Repository in den Context Window laden und den LLM als primären Analyzer verwenden — mit zwei-pass Verification und JSON Schema constraints.

Persistentes Benutzer-Kontext wird direkt auf der GPU injected, ohne den Prompt jedes Mal neu zu generieren.

Ein dreistufiges Validierungssystem für LLMAusgaben — Regex-Filter, deterministische Validierung, und LLM-basierte Urteilsbildung als letzte Instanz.

Wenn ein neues Modell-Release erscheint, der erste Schritt sollte das Löschen von Prompt-Text sein — nicht das Hinzufügen.

Requests automatisch nach Schwierigkeit routen: einfache Aufgaben an günstige Open-Weight-Modelle, komplexe an Frontier-Models — 3–5× Kosteneinsparung.

Bei neuen Modell-Generationen sollte der erste Schritt sein, den Systemprompt zu kürzen — nicht zu erweitern. Kleine Modelle brauchen nicht zwangsläufig mehr Instruktionen.

Ein Professor baute eine unsichtbare Prompt-Falle in eine Prüfungsaufgabe und fing 32 von 35 KI-betügende Studenten.

Claude-5-Modelle brauchen 80 % weniger System-Prompt, weil sie mit Kontext-Urteil arbeiten statt mit starren Regeln.

Debian hat eine General Resolution verabschiedet, die regelt, wie LLM-generierter Text im Projekt gekennzeichnet und behandelt wird.

Der Loop, nicht der Prompt, ist dieArbeitseinheit 2026.

CLAUDE.md und Skills werden als verzweigte Dateistruktur organisiert, die nur bei Bedarf geladen wird.

Der optimale Keepalive-Intervall für Prompt-Cachewiederherstellung liegt bei 4 Minuten — nicht 30 Sekunden.

30 Minuten Planungsprompt spart Stunden Code-Review.

Agent-Design trennt explizit zwischen Datenkanal und Befehlskanal — Tool-Ausgaben sind Daten, niemals Instruktionen.

Context Engineering ist der neue dominante Skill — nicht Prompting, sondern die Gestaltung des gesamten Kontexts, in dem ein Agent operiert.

Bis zu 70 % Token-Einsparung durch lemma-basierte Reduktion von Systemprompts.

Agenten schreiben und pflegen gemeinsam ein Wiki, das automatisch in den Kontext jedes neuen Agenten injiziert wird.

Statistische Analyse von LLM-Antwortverteilungen kann versteckte System-Prompts und Prompt-Injektionen nachweisen — ohne den Prompt selbst zu sehen.

Statt ein Frontier-Modell zu überlasten, werden 3 verschiedene AI-Subscriptions als verteiltes Team mit geteiltem Memory orchestriert.

Mehrere Review-Agenten mit unterschiedlichen Perspektiven (Dekorrelation) fangen gemeinsam mehr Fehler ab als ein einzelner perfekter Reviewer.

10-seitiges mathematisches Kontext-Priming als Prompt ermöglicht GPT-5.6, eine 30-Jahre-Lücke in der konvexen Optimierung zu schließen.

Ein SQL-Modell, das die Datenbank zuerst inspiziert, bevor es eine Query schreibt — statt blind aus dem Schema zu raten.

Bei Kollisionen zwischen Agenten greift ein unbeteiligter Drittagent ein und löst Merge-Konflikte neutral.

Platziere absichtlich verbotene Strings neben echten Secrets, um AI-Hacking-Agents zum automatischen Refusal zu bringen.

Der /goal-Modus in Claude Code und Codex verändert den Agenten-Control-Loop und Suchpfad, nicht nur die "Anstrengung" des Modells.

LLMs besitzen relevantes Subgruppen-Wissen, geben es aber bei direkten Makro-Schätzungen nicht zuverlässig wieder — feingranulare Partitionierung liefert konsistentere Ergebnisse.

CLAUDE.md ist Working Memory (ständig geladen, teuer) — docs/ ist Long-Term Memory (on-demand geladen, kostenlos).