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

Bei AI-Video-Modellen funktioniert das Definieren von Grenzen besser als das Beschreiben von Szenen.

Ein neues Papier formalisiert, wie man Markdown-Skill-Dateien (wie bei Claude/AI Agenten) durch iterative, validierungsgesteuerte Optimierung verbessert — bis zu +59.7 Punkten auf Benchmarks durch reine Prompt-Optimierung.

Ein Tool, das umgangssprachliche Prompts in vier strukturierte Blöcke (Context, Constraints, Rules, Task) kompiliert — entweder als XML (Claude) oder Markdown-Hheadings (OpenAI/Gemini).

Durch wiederholtes Fragen «Ist das die Frage, die ich eigentlich stellen sollte?» wird ein Reflexions-Loop im Modell aktiviert, der die ursprüngliche Annahmen des Nutzers schrittweise zerlegt und neu formuliert.

Durch Kombination von Sunos "Sample this song" und "Extend"-Features mit einem initialen "Voice Anchor"-Clip kann über 15+ Minuten identische Narrator-Konsistenz erzielt werden — ein Durchbruch für AI-Hörbücher.

LLMs produzieren weniger Halluzinationen und weniger Gedankenloops, wenn man ihnen explizit erlaubt, Unsicherheit zu äußern und um Hilfe zu bitten.

Ersetze lange Stilbeschreibungen durch 1–3 konkrete Textbeispiele, die den gewünschten Output demonstrieren.

Bildprompts in sechs klar getrennte Kategorien strukturieren statt als Fliesstext — jeder Abschnitt steuert einen visuellen Aspekt gezielt an.

Statt AI-Video-Outputs an Realismus zu messen, sollte "Editability" das primäre Bewertungskriterium sein — wie gut ein Clip in einen professionellen Edit-Workflow integrierbar ist.

Systematische Elimination von Halluzination durch harte Negativ-Constraints statt durch positive Anweisungen.

Definiere exakte Sektions-Header im Prompt, um zu erzwingen, dass das Modell jede geforderte Analyseebene tatsächlich durchläuft.

Ein Text-LLM (Qwen3VL, Grok, Gemini) schreibt den eigentlichen Bildprompt für Krea 2 Medium oder Midjourney — mit strukturierten Output-Sektionen, Charakterlimit und realistischer Fotografie-Vorgaben.

Ein Manager-Modell orchestriert sequenzielle Mini-Agents mit frischem Kontext statt eines einzigen überladenen Kontexts.

Custom Jinja-Template, das die „Thinking"-Tokens von Gemma 4 über Multi-Turn-Gespräche hinweg stabil erhält — ohne dass das Modell Thinking-Tags vergisst oder vorzeitig schließt.

Nutze ein strukturiertes Framework aus 9 benannten Modell-Fehlermodi, um Prompt-Ausgabeprobleme präzise zu diagnostizieren und gezielt zu umgehen.

Kleine LLMs wechseln von ehrlichem zu unehrlichem Verhalten allein durch Veränderung des Prompt-Tons.

MCP-Server-Tool-Beschreibungen systematisch kürzen, um pro Turn hunderte Tokens zu sparen — ohne Modellverhalten zu ändern.

Ein modularer Lorebook-Ansatz, der NPCs durch automatische psychologische Profilerstellung echte Charaktertiefe verleiht — kompatibel mit beliebigen Presets.

Ein Systemprompt-Mechanismus, das LLMs verbietet, bei unklaren Anfragen zu halluzinieren, und stattdessen gezielte Rückfragen erzwingt.

Token-Preise irreführend — „Cost per Successful Task" ist die einzige relevante Kennzahl.

Ein Director-Preset für KI-Rolleplay/Co-Writing ohne Chain-of-Thought-Overhead, mit narrativem Voice-Mixing nach Pseudonymous Bosch / Camus.

Die wirkungsvollsten Jailbreak-Angriffe erfolgen nicht durch einzelne Prompts, sondern durch eine Sequenz von 12+ scheinbar harmlosen Nachrichten, die schrittweise Vertrauen aufbauen und das Modell zu verbotenen Outputs steuern.

Ein neues Framework (Forge) bringt 8B-Parameter durch Guardrails von 53% auf 99% Erfolgsrate bei agentischen Aufgaben (ACM CAIS '26 Preprint).

Brainstorm → Design Document → Implementation Plan → Execute — der zuverlässigste Prompt-Workflow für Coding-Projekte.

Eine Manipulationstechnik, die KI-Modelle durch Neudefinition ihrer eigenen Identität umprogrammiert — statt die Frage zu ändern, wird dem Modell gesagt, was es ist.

Neue Modellversionen können mit bestehenden Prompts schlechter performen als Vorgänger — nicht wegen schlechterer Fähigkeiten, sondern wegen veränderter Prompt-Empfindlichkeit.

Direkte Manipulation der internen Aktivierungen eines LLMs, um Verhaltensweisen zu steuern, die über reines Prompting nicht erreichbar sind.

Statt einem kleinen Modell mehrere sequentielle Tool-Calls zu lassen, bündelt alle Operationen in einem einzigen Tool — halbiert die Fehlerquote bei Modellen unter 8B.

X (Twitter) bedingt CoT-Reasoning basierend auf Klassifizierungs-Komplexität — einfache Fälle ohne Thinking, komplexe Fälle mit aktiviertem CoT.

Einmal eine Seite optimieren, das Vorgehen als Playbook dokumentieren, dann neue Session mit Playbook auf alle anderen Seiten anwenden — Opus erstellt selbstständig Subagenten.

Licht mit physikalisch korrekten Begriffen beschreiben („warm tungsten key from the left") statt mit vagen Floskeln („cinematic lighting") — erhöht die Ergebnisqualität bei allen aktuellen Generierungsmodellen signifikant.

Systematische Methode, um Prompt-Inkonsistenzen bei langen Chats zu lösen — durch externe „Blueprint"-Artefakte, die zwischen Chat-Instanzen portabel sind.

Distill LoRA zusätzlich zum basalen Distill-Modell mischen (0.3–0.5 Weight) für intensiveren Ausdruck — ein inoffizieller „Hack" der Videos lebendiger macht.

„Agent = Model + Harness" — die LLM trifft Entscheidungen, ein deterministisches Layer sorgt für Reliability.

Persistentes Wissen (Setting, Lore) wird am Anfang des Prompts platziert, dynamisches Wissen an Depth 7 oder Author's Note an Depth 3 — je nach Relevanz für den nächsten Turn.

Die nächste Evolution nach Prompt Engineering — Gestaltung von Tool-Ausgaben so, dass AI-Agenten nach jedem Tool-Aufruf bessere Entscheidungen treffen.

30–50% Kostenersparnis durch systematisches Multi-Model-Routing statt Standard-Setup mit einem einzigen teuren Modell.

Das professionelle Film-Industry-System für Gesichtsausdrücke wird direkt in Seedance 2.0 Prompts integriert, um millisekundengenaue emotionale Verläufe zu steuern.

NegPip ermöglicht negative Prompts bei CFG-Modellen mit CFG = 1 — eine bisher unlösbare Einschränkung bei Turbo/Destilled-Modellen.

Generische Personas generieren generische Ergebnisse. Verankere die KI in einer ultra-spezifischen Region ihrer Trainingsdaten.

Von 160 getesteten Prompt-Präfixcodes über 3 Monate hinweg verändern nur ~7 die Art, wie das Modell denkt — der Rest verändert nur die Ausgabeform oder ist Placebo.

Der eigentliche Engpass bei AI-Agenten ist nicht das Modell, sondern drei übersehene Faktoren: Kontextstruktur, Reasoning-Overhead und Feedback-Kompensation.

Drei Prompt-Muster, die konsistent mehr Capability aus Frontier-Modellen freisetzen als die Modelle standardmäßig zulassen.

Systematische Kategorisierung von LLM-Fehlermustern als strukturelle Instabilitäten — nicht als „schlechtes Prompting".

XML-Tags als "semantische Zonen" reduzieren die "Interpretationslast" von LLMs bei komplexen Prompts.

Bei der Auswahl von AI-Tools sollte man danach bewerten, ob eigenes Prompt-Design das Ergebnis signifikant verbessert — wenn nicht, ist das Tool entweder zu stark abstrahiert oder zu günstig.

Persona-Prompts definieren nicht nur, was ein Modell sein soll — sondern explizit, was es niemals sagen darf.

Ein einzelnes Checkpoint enthält drei verschachtelte Reasoning-Modelle (30B, 23B, 12B), die dynamisch je nach Phase gewählt werden.

Behandle Prompting wie ein Praktikanten-Briefing: Gib Kontext, Rolle, konkrete Aufgaben, Qualitätsmaßstäbe und Abgabeanforderungen — genau wie bei einem echten Mitarbeiter.

Natürliche Sprach-Diktierung liefert mehr relevante Kontext-Details als getippte Prompts, was die Output-Qualität signifikant erhöht.

Statt Such-APIs, die einfach Ergebnisse auswerfen, sollten sie dem Agent Feedback geben, wie er die Suche verfeinern soll.

Kritische Analyse, warum die meisten Prompt-Engineering-Best-Practices in der Praxis versagen — und was stattdessen funktioniert.

Die wertvollste Frage wird nicht am Anfang gestellt, sondern am Ende — nach dem ersten Output.

Ein Meta-Prompt NACH der Model-Antwort zwingt das Model, seine eigenen Schwachstellen zu identifizieren — mit messbar 70% weniger technischen Fehlern.

Video-Modelle wie WAN reagieren besser auf Kamerabewegungs-Sprache als auf beschreibende Prompts.

Eine Fuenf-Komponenten-Struktur, die jeden Prompt in klar getrennte, funktionale Bloecke gliedert — vom abstrakten Wunsch zum praexisen Arbeitsauftrag.

Simultane First-Frame + Last-Frame-Konditionierung in LTX-Video 2.3 via KJNodes-Swap ermöglicht präzise Kontrolle über Bewegungsabläufe.

Strukturierte Chain-of-Thought mit vier festen Phasen statt bloßem „denk Schritt für Schritt."

Ein condition-basiertes System, das KI-Modelle zwischen Narrativ- und Meta-Modus umschaltet — ausgeloest durch einen exakten Trigger-String.

Weniger Kontext, getrennte Prompts, harte Limits — die neue Methode gegen Token-Verschwendung.

Ein kleines Zusatzmodell (1.7B–9B) liest die Ausgabe eines LLMs kurz vor Generierungsende und füttert eine verfeinerte Version zurück an den Anfang.

Definiere nicht nur was das Modell tun soll, sondern explizit was es NICHT tun darf — das verhindert Standard-Versagensmodi.

Philosophennamen als kompakte, hochkomprimierte Steuerungsvektoren fuer LLM-Reasoning — kein Roleplay, sondern gezielte Aktivierung latenter Rep raesentationsstrukturen.

Ein systematischer Ansatz zum Aufbau von Bild-Prompts in Kategorien mit JSON-Export oder Natural Language für T2I-Modelle.

Statt KI direkt Code schreiben zu lassen, generiert man zuerst die Prompts — der Code kommt danach automatisch besser.

Durch Trennzeichen (Delimiter) und strikte Prompt-Struktur lässt sich die Abwehr gegen Prompt-Injection Angriffe von 21% auf 100% steigern.

Ein einfacher Override-Prompt, der Deepseek V4s intermittierende CoT-Injection-Probleme in SillyTavern-Presets behebt.

LLM als Vorschalt-Step generiert aus einem Einzelbild das komplette Video-Szenen-Skript, bevor LTX 2.3 es umsetzt.

Das Wort „uncanny" in Bild-Prompts wirkt als universaler atmosphärischer Verstärker — es verschiebt die Gewichtung der gesamten Szene.

Spezifikationen am Anfang des Prompts statt am Ende platzieren reduziert Token-Ausgabe um ~30% und verbessert Scope-Einhaltung.

Ein systematisches Framework, das vom „perfekten Einzelprompt" weg und hin zu einem eskalierenden Gesprächsprozess mit dem LLM führt.

Eine kostenlose, MIT-lizenzierte Bibliothek mit 100 nach Job-To-Be-Done organisierten Prompts plus 128 Claude Skills.

Eine systematische Methode, um wiederkehrende Arbeitsschritte zu zerlegen und zu entscheiden, welche Schritte das LLM übernehmen sollte und welche beim Menschen bleiben.

Rollen-Definitionen durch Mission-Statements und Sieg-Kriterien ersetzen — „Du bist ein Experte" → „Deine Mission ist X, Erfolg bedeutet Y".

Eine 200+ Prompt-Datenpunkte-Analyse zeigt: Nicht das Framework (Chain-of-Thought, Few-Shot etc.), sondern die Länge des Prompts — konkret die Menge an domänenspezifischem Kontext — ist der stärkste Prädiktor für Ausgabequalität.

Systematische Analyse von 1.446 Top Image Prompts identifiziert drei universelle Optimierungsmuster.

Beginne Prompt-Entwicklung mit einem schwächeren Modell. Erst wenn das Prompt dort gute Ergebnisse liefert, wechsle zum besten Modell — wo es dann großartige Ergebnisse liefert.

Statt über mehrere Eingänge zu „mitteln," identifiziere das Signal, das in ALLEN Eingängen konsistent vorhanden ist.

GPT Image 2 Thinking Mode nutzt einen Reasoning-Pass vor der Pixelgenerierung für exakte Constraint-Prüfung.

62% aller KI-Tasks benötigen kein Frontier-Modell. Wer seine Prompts nach Komplexität kategorisiert und das Modell entsprechend wählt, kann die Kosten von $420/Monat auf $73/Monat senken — bei identischem Output.

Der Einsatz von Tools (Web Search, Python Sandbox) bei LLMs kann die eigentliche Intelligenz des Modells degradieren — das Modell wechselt in einen "Delegationsmodus" statt selbst zu reasoning.

Die Position einer Instruktion innerhalb der ersten User-Message steuert den „Think"-Prozess von DeepSeek V4 effektiver als reiner System-Prompt.

Drei IC LoRAs (Colorizer, Outpaint, Detailer) in Kaskade remastern Old-Movie-Clips auf Low-VRAM-Hardware.

Prompt-basierte Regeln («Never delete data», «Don't share pricing») sind Vorschläge, keine Constraints — der echte Fix liegt in der Environment-Schicht.

Deepseek V4 produziert im `<thinking>`-Block deutlich charakterstärkere und immersivere Narration als im finalen Output — ein bisher unentdeckter Nebeneffekt des Thinking-Mechanismus.

Agiere als Regisseur, nicht als Co-Autor — das Modell übernimmt die kreative Arbeit innerhalb deiner narrativen Grenzen.

"Sag dem Modell was es tun soll, nicht was es lassen soll" — empirisch mit 36 Tests belegt.

Bei langen AI-Projekten nicht den Prompt als Projekt behandeln — eine Canon-Datei für stabile Facts, ein Changelog für Prompt-Versionen, kleine Task-Templates.

Business-Bücher in strukturierte Agent-Skills umwandeln: Decision Trees + Scoring Rubrics + konkrete Good-vs-Bad-Beispiele statt generischer Buch-Zusammenfassungen.

Google Labs open-sourct DESIGN.md — eine maschinenlesbare Spezifikationsdatei, die KI-Agenten (Cursor, Claude Code, Copilot) Brand-Farben, Typografie und Komponenten-Regeln beibringt.

Statt den gesamten Kontext in einen Prompt zu packen, klassifiziere zuerst grob, dann detailliert — 92 % Token-Einsparung bei Klassifikations-Pipelines.

Die stärksten Prompt-Strategien sagen Claude, was es *ablehnen* soll, nicht was es produzieren soll.

DeepSeek V4 funktioniert besonders gut, wenn Presets im Charakter des NPCs geschrieben sind, nicht als Meta-Anweisungen.

Ein 9-Zeichen-Prefix, das in 7 von 8 Testfällen realistische Ausfallmodi identifiziert, die das Baseline-Claude verpasst.

Statt dem Modell zu sagen, was es tun soll, sage ihm, was es NICHT tun soll — das ist spezifischer und zuverlässiger.

Strukturierte Prozesse (Rollenwechsel, TDD-Disziplin, persistente Konventionen) produzieren bessere Ergebnisse als clevere Prompt-Formulierungen.

Gib Coding-Agenten ein explizites "Besitzritual" bevor sie Dateien bearbeiten — sie fragen "wo darf ich schreiben?" anstatt ins Blaue hinein zu editieren.

Negative Stil-Aussagen sind wirksamer als positive Beschreibungen.

Opus 4.7 erhält eine neue Direktive: „Handeln statt nachfragen" — Claude soll fehlende Details selbst erschließen oder Tools nutzen, statt den Nutzer zu interviewen.

Ein Prompt funktioniert nur so gut wie seine Umgebung — CLAUDE.md, lokale Skills, Memory und Settings werden mitgeliefert und verändern die Prompt-Bedeutung.

Die Form definieren, bevor der Inhalt beschrieben wird.

Neues Open-Source-Proxy nutzt Fisher-Rao-Abstände auf Logprob-Verteilungen, um mehrstufige Manipulationsangriffe vor sichtbarem Schaden zu erkennen.

Gemma 4 26B übertrifft Qwen3-VL als Bild-zu-Prompt-Extraktor.