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

Vom Nutzer eingefügter Fremdtext wird in Tags mit Zufalls-IDs verpackt; der System-Prompt weist das Modell an, Anweisungen darin nur zu befolgen, wenn die eigene Nutzernachricht sie ausdrücklich autorisiert.

Eingefügte Textblöcke werden mit Tags samt zufälliger ID markiert; ein Systemprompt-Hinweis sorgt dafür, dass Anweisungen darin nur befolgt werden, wenn die eigene Nutzerfrage sie ausdrücklich verlangt.

Statt eines plaudernden LLMs bekommt ein Decision Model einen Zustand plus ein Wörterbuch typisierter Fragen und antwortet in einem einzigen Forward-Pass mit kalibrierten Wahrscheinlichkeiten.

Dauerhaft formulierte Verhaltensregeln, die ein Agenten-Modell daran hindern, mitten in offener Arbeit anzuhalten oder Rückfragen zu stellen, die niemand beantworten will.

1.350 Messreihen zeigen: Die übliche einzeilige Sicherheitsnotiz im Systemprompt schützt kaum — eine „gehärtete" Formulierung, die Tool-Output als untrusted data behandelt, schon.

Ein Prompt-Scaffold mit sechs festen Abschnitten — `<inputs>`, `<direction>`, `<structure>`, `<build>`, `<gotchas>`, `<start>` — trennt Nutzer-Eingaben, Qualitätsrichtung, Takt-Struktur, Bauregeln, bekannte Fallstricke und das Start-Protokoll.

Ein LLM als typisierter Entscheider — statt Text auszugeben, liest man die Wahrscheinlichkeiten der Options-Indizes am ersten Token.

Ein normales LLM per Prompt-Konstruktion in ein Jev-artiges Entscheidungsmodell verwandeln — mit Wahrscheinlichkeit pro Option, ohne Fine-Tuning.

Ein Kritiker-VLM generiert visuelle Fragen zu jedem Videoprompt und nutzt die Antworten als „semantische Gradienten", um den Prompt iterativ umzuschreiben — ganz ohne Zugriff auf Modell-Interna.

Ein Systemprompt-Snippet, das Agenten bei mittleren bis großen Aufgaben zwingt, Kontext, Constraints und eine vom Rest unabhängige Kontrollschleife zu liefern.

Eine nahtlos loopende Animation entsteht, indem man dasselbe Standbild als erstes UND letztes Frame an ein Video-Modell schickt.

Fremden, eingefügten Text mit Zufalls-IDs umschließen und per System-Prompt-Anweisung als reine Daten deklarieren — ein Kopfschutz gegen Prompt-Injection über eingefügte Inhalte.

Prompts werden zu typisierten Fragen (Noul, Choice, Score) an ein Entscheidungsmodell, das Wahrscheinlichkeiten und Konfidenz statt Text zurückgibt.

Regeln, die dem Modell-Default entgegenlaufen, im Prompt wiederholen — die doppelte Nennung verdoppelte im Median eines 11-Task-Experiments die Befolgung.

Bei Bild-zu-Video-Modellen bringt das Bearbeiten des Eingabebildes (Markierungen, Pfade, Pfeile) oft mehr als jeder zusätzliche Prompttext.

Ein Ein-Datei-Python-Tool findet die Zeilen in CLAUDE.md/AGENTS.md, die aktuelle Modelle wie Claude Opus 5.5 übererfüllen — und schreibt sie in normaler Lautstärke um.

Verbotene oder sensible Aktionen von AI-Agenten werden nicht per Prompt-Regel, sondern per Decorator vor der Ausführung geprüft, geparkt oder blockiert.

Prompts sind keine eigenständigen Artefakte — jede neue Instruktion landet in einem anderen Kontext-Universum; Zuverlässigkeit kommt aus Evaluations-Pipelines, nicht aus Formulierungen.

Mehrere Clips einer Video-Sequenz stylich zusammenhalten, indem nur Einstellungsgrösse und Kamerabewegung variieren — alles andere bleibt wortwörtlich identisch.

Statt Freitext-Prompts definiert man benannte Felder mit Kriterien (Choice-Objekte) — das Modell antwortet mit Label, Level oder Wahrscheinlichkeitsverteilung, die Code komponieren kann.

Eine Regel, die dem Default-Verhalten des Modells widerspricht, doppelt bis vierfach im Prompt wiederholt, verdoppelt im Median die Compliance.

Ein Meta-Prompt, der den Assistenten zuerst strukturiert interviewt und erst dann ein unveränderliches Template befüllt.

Coding-Agent-Sessions verschlucken von Haus aus 17'625 Token Boilerplate — ein 36-Token-Systemprompt, ein einziges Tool und eine früher ansetzende Compaction senken den Start auf 895 Token und die Kosten realer Aufgaben um rund die Hälfte.

Gemini 3.8 Flash TTS liest Regieanweisungen direkt aus dem Skript: nonverbale Cues in spitzen Klammern und Backchannel-Interjektionen in Pipes steuern Lachen, Seufzen und Zuhörer-Signale pro Zeile.

Ein Meta-Prompt, der die KI in einen Interviewer verwandelt: Sie stellt nacheinander sechs Fragen mit Default-Werten und liefert dann einen fertig ausgefüllten, unveränderlichen Template-Prompt aus.

Aus einem bestehenden Bild die wahrscheinlichsten Original-Prompts rekonstruieren — nur über sichtbare Beweise, nie über Erfindung.

Zeitcodes in Video-Prompts nur in ganzen Sekunden schreiben und vor jeden harten Wechsel (Kostüm, Person, Objekt) einen einsekündigen Leer-Shot einplanen — Dezimalstellen in Zeitcodes werden von Modellen schlicht nicht eingelöst.

Statt vager Stilwünsche benennt man eine konkrete Designepoche plus Palette/Layout/Mood und eine „Avoid"-Zeile, die genau den KI-Standardlook blockt.

Statische Projekt-Regeln werden per schnellem Entscheidungsmodell pro Anfrage gefiltert — der Agent sieht nur die Regeln, die gerade relevant sind.

Jev, das neue „System One"-Modell von TypeSafe, antwortet nur mit Multiple-Choice-Entscheidungen in 70–500 ms — Prompts werden dadurch zu verschachtelten Loop-Architekturen.

Claude Codes neues Fable-5-System-Prompt schreibt vor, dass alles Wichtige in der letzten Text-Nachricht eines Turns landen muss — mit dem Ergebnis als erstem Satz.

Ein langlebiger Koordinator-Agent plant und verifiziert, kurzlebige Worker-Agenten implementieren — und jede Aufgabe muss zuerst den Verifizier rot (fehlgeschlagen) zeigen, bevor sie als grün gilt.

Anweisungen in AGENTS.md sind nur Empfehlungen — Hooks prüfen jeden Tool-Call und liefern dem Modell einen Hinweis zurück, der die nächste Aktion lenkt.

Ein Coding-Agent erlernt ein neues Tool über einen Task-Prompt und destilliert das Gelernte danach selbst in eine wiederverwendbare Skill-Datei.

Anthropic veröffentlicht eine sechs Punkte umfassende Instruktion, die festlegt, was eine Zusammenfassung bei Context-Compaction bewahren muss — von gelösten Problemen bis zu exakten Zahlen.

Eine Regel, die dem Modell zuwiderläuft, einfach zweimal im Prompt zu wiederholen, verdoppelt die Compliance im Median.

Ein Optimierer-Prompt darf nur ergänzen, was der Nutzer nicht gesagt hat — und bewusst keine Workflows, Checklisten oder Verbote schreiben.

Videoprompts in acht feste Felder (Subject, Setting, Action, Camera, Timing, Sound, Continuity, Avoid) schreiben — statt cineastischer Adjektiv-Ketten.

Eine einzige System-Prompt-Instruktion reduziert unangefragte Fixes, Feature-Erweiterungen und Test-Müll durch Coding-Agenten drastisch — ohne die Task-Qualität zu senken.

Sechs benannte Muster, mit denen GPT-Image-2.5-Prompts von Hoffnungsschüssen zu reproduzierbaren Vorlagen werden.

Browser-Agent Jev Ultrafast behandelt Seitentext per Prompt-Baustein strikt als untrusted data, nie als Anweisung — und trennt Operations-, Ziel- und Text-Entscheidung in drei kleine Prompts.

Ein einziger Prompt lässt einen Coding-Agent ein kaltes Quiz über das eigene Repo absolvieren, daraus eine docs-Schicht schreiben und den Wissenszuwachs numerisch bewerten.

Anthropic steuert lange Agenten-Sessions mit zwei neuen Systemprompt-Blöcken: alles Wichtige muss in der letzten Nachricht stehen, und der erste Satz muss das Ergebnis nennen.

Vier Harness-Mechanismen (Offloading, Compaction, Todo-Recitation, Memory-Strategie), die einen flachen Agenten-Loop in einen tiefen Agenten verwandeln — ohne Modellwechsel.

Vier Mechanismen — Offloading, strukturierte Compaction, Kontext-Budgetierung und Todo-State — verhindern, dass Agent-Loops auf langen Aufgaben das Ziel verlieren.

Eine kritische Regel im Prompt zweimal wörtlich zu wiederholen verdoppelt im Median die Befolgungsrate.

Das LTX-Produktions-Kit führt eine vierteilige Prompt-Architektur für Videogenerierung ein: harte Bild-Anker, sekundengenaue Zeit-Takte, gekoppelte Systeme und explizite Negativ-Kataloge mit Akzeptanz-Check.

Ein rein prompt-basiertes Framework, das LLMs vor dem Antworten ihre eigene faktische Deckung selbst befragen lässt — und falsche Festlegungen um 32 % reduziert.

Systematische Messung zeigt, dass Stil-Modifikatoren („Be concise", „Avoid purple prose") messbar und konsistent wirken — aber scheinbar ähnliche Formulierungen erzeugen teils gegensätzliche Effekte.

Action-Videos als Ursache-Wirkung-Ketten choreografieren statt als "schneller Kampf" beschreiben.

OpenAIs offizielle GPT-6-Astra-Guidance verlangt kurze Skill-Beschreibungen, kontextuelle Dokument-Zeiger statt «lies alles vor jedem Edit» und vorab definierte Fertigstellung.

Ein ca. 190-Token-Vorab-«Abkommen», das den Agenten als gleichberechtigten Partner um Integrität bittet und ihm das Ablehnen erlaubt — plus eine 7-Wort-Erinnerung nach jeder Antwort — senkte in einer 100-Agenten-Studie das Schummeln (Zugriff auf verbotene Lösungsdateien) von 72–80 % auf 0 %, bei 30 Nachfass-Nachrichten pro Agent.

Seedance 2.0/2.5 verarbeitet Prompts am besten im nativen Format: nummerierte @Referenzen mit Zweck und Ausschlüssen, lückenlose Zeitstufen mit End-Zuständen und eine spezielle Klammer-Notation für Audio.

Bild-Prompts als vollständige Design-Spezifikation statt als Satz und Hoffnung.

Ein Claude-Skill (auch als Codex-Skill nutzbar) zerlegt jeden Bild-Prompt in sieben benannte Blöcke — USE, SUBJECT, SCENE, COMPOSITION, LIGHT & STYLE, TEXT, AVOID — und ergänzt zwei Disziplinen: nummerierte Referenz-Rollen und «one change per round» beim Editieren.

Ein Drop-in-Abschnitt für CLAUDE.md / Custom Instructions, der jedes schlechte Stil-Muster als konkretes Verbot mit sofortiger Ersatzformulierung definiert — entwickelt über hunderte Opus/Fable-Turns.

Man fügt die ersten ~1% des Reasoning-Trace eines starken „Lehrer"-Modells in den Reasoning-Kanal eines schwächeren Zielsmodells ein — und misst, wie stark die sichtbare Antwort dem Lehrer folgt.

Video-Prompts mit harten Bild-Ankern, expliziten Negativ-Listen und Frame-genauem Timing plus eigenem Abnahme-Check.

Ein Agent-Skill, der vor jeder Lösung die Problem-Formulierung selbst angreift: Er trennt Beobachtung, Interpretation, Kausal-Hypothese, Problemformulierung und Lösung in fünf getrennte Objekte, sucht belastende Annahmen und wählt pro Runde genau EINEN unterscheidenden Test — mit den Urteilen KEEP, WEAKEN, KILL, REFORMULATE oder INSUFFICIENT EVIDENCE.

Style-Prompts („Please remove all mannered prose") wirken stark formulierungsabhängig — wer sie als Gegensatz-Paare (Duals) über einen Task-Korpus misst, findet sofort, welche Anweisungen wirklich etwas bewirken und welche Placebos sind.

Eine Regel, die dem Modell zuwiderläuft, wird im System-Prompt zweimal wiederholt — die Median-Compliance steigt signifikant, ab 2x Wiederholung sättigt der Effekt.

Ein instruktions-only Agent-Skill, der komplexe Aufträge durch fünf Tore zwingt: recherchieren vor Fragen, fragen vor Planen, planen vor Bauen, verifizieren vor Liefern, unabhängiges Review vor «fertig».

Anthropics offizieller Fable-5.1-Guide empfiehlt, bewährte Prompt-Blöcke wortwörtlich zu kopieren statt sie zu paraphrasieren — als modulare Bibliothek mit klaren Einbau-Orten.

Statt fehlgeschlagene Multi-Agenten-Läufe mit gesammelten Text-Feedbacks zu flicken, schaltet AgentGrad Agenten einzeln um, findet den schuldigen Agenten und extrahiert pro Fehler einen feingranularen „semantischen Gradienten".

Ein Skill-Set für LinkedIn-Texte strippt unsichtbare Wasserzeichen-Zeichen, Em-Dashes und 113 Slop-Wörter aus KI-Entwürfen und scored das Ergebnis gegen ein 5-Punkte-Detektions-Panel.

Statt den Agenten Turn für Turn zu prompten, baut man ein System, das Arbeit findet, verteilt, prüft, dokumentiert und selbst den nächsten Schritt entscheidet.

Regeln als benanntes Verbot plus Beispiel plus korrigierter Umschreibung formulieren — Modelle folgen konkreten Regeln deutlich besser als geäußerten Präferenzen.

Die offizielle GPT-Image-2.5-Iterierungstechnik: pro Nachfrage exakt EINE Bedingung ändern, Referenzbild wieder vorlegen und die wichtigsten Constraints wörtlich wiederholen — so bleibt sichtbar, welche Änderung gewirkt hat.

Prompts werden per genetischem Algorithmus automatisch evolved — ein LLM-as-Judge bewertet jede Generation, ein Reflexions-Modell schreibt den Prompt anhand echter Fehler neu.

Verdächtige Nutzereingaben werden mit einem Zufalls-Delimiter umzäunt, dem Richter-Modell als «inerte Daten» deklariert, die Antwort als striktes JSON erzwungen — alles andere zählt als Block.

Beim Verdichten langer Sessions eine strukturierte Anweisung nutzen, die sechs Kategorien explizit bewahrt — damit der neue Kontext ohne Nacharbeit weiterlaufen kann.

Eine sechspunktige Checkliste, die dem Modell vor der Kontext-Kompaktierung exakt vorgibt, was eine Zusammenfassung erhalten muss — entwickelt von Anthropic für Claude Fable 5.1.

Regeln, die halten müssen, wandern die Leiter hinunter — von Prosa über Rubrik und Testfall bis zum Hook — und ein 5-Dollar-Test klärt vorher, ob der Prompt überhaupt der Flaschenhals ist.

Muse Glimmer und GPT-6 Astra exponieren kontrollierbare Reasoning-Stärke (low/medium/high/xhigh) — man dreht sie pro Aufgabe wie einen Budget-Regler statt Modellwechsel.

Eine Drei-Kategorien-Regel, die Coding-Agents davor bewahrt, tagelang eigene Buchhaltung (Hashes, Locks, Receipts) statt echter Implementierung zu pflegen.

Spotifys „shunt"-Pattern leitet Datei-Lesen und Boilerplate-Code per Claude-Code-Hooks automatisch an ein günstiges Worker-Modell um — gemessene Ersparnis rund 90%.

Simon Willison lässt GPT-5.6 Luna die Änderungen an Claude-System-Prompts zusammenfassen — weil Modelle beim Zusammenfassen eigener System-Prompts selbst-präferentiell verzerrt sind.

Anthropics offizieller Guide übersetzt beobachtetes Modell-Verhalten in gezielte, minimalistische Prompt-Patches — Symptom erkennen, passgenaue Zeile einsetzen.

Video-Prompts in drei Verbindlichkeitsstufen gliedern — und bei Überlänge in fester Reihenfolge kürzen, statt wahllos Constraints zu streichen.

plain-prose (66 Stars in zwei Tagen) fusioniert die Skills stop-slop und avoid-ai-writing zu einem System, das KI-Schreibmuster in Englisch, Russisch und Deutsch entfernt — nach dem Prinzip: Ein Tell ist ein nicht gewähltes Wort, kein verbotenes.

Statt Stilwörter zu verbannen, definiert man das Anti-Pattern "mannered prose" vollständig im System-Prompt — mit Beispielen und Begründung.

Ein einziger Prompt lässt ein Frontier-Modell einen kompletten frischen Benchmark samt privater Bewertungsskala generieren — ganz ohne Test-Framework, nur mit Copy-Paste zwischen Browser-Tabs.

Jede Agenten-Anfrage in vier Felder zwängen — Ziel, Kontext, Umfang und Abschlusskriterium — statt vager Einzeiler; der Agent wandelt sie automatisch in präzise Aufträge um.

LLM-Juroren prüfen zuverlässig, ob etwas vorhanden oder verändert wurde — aber sie sind fast blind für fehlende Inhalte; erst das Umstrukturieren der Prüfaufgabe (erst Fakten listen, dann einzeln prüfen) behebt das.

Ein Ein-Satz-Nudge als turn-scoped System-Message bringt Agenten dazu, unabhängige Tool-Aufrufe in einer einzigen Antwort zu bündeln statt pro Zug einen abzusetzen.

Referenzbilder werden nicht als Inhalt-Liste beschrieben, sondern auf die 3–5 visuellen Anker reduziert, die die Reproduzierbarkeit am stärksten bestimmen — der Rest ist unterstützendes Detail.

Skill-Dateien minimal halten und die volle Tool-Dokumentation erst zur Laufzeit abrufen lassen — genau dann und genau dort, wo sie gebraucht wird.

Bei Referenz-basierten Bildprompts werden die 3–5 visuellen Elemente mit dem größten Ähnlichkeitseinfluss ans erste Drittel des Prompts gestellt, statt Details gleichmäßig zu verteilen.

Video-Prompts nicht als Shot-Listen («was erscheint in jedem Shot») schreiben, sondern als kontinuierliche physikalische Logik, der Kamera und Körper folgen müssen.

Statt jeden Prompt von Hand zu schreiben, designt man Loops, die Fortschritt überwachen, Arbeit zuweisen, Checks ausführen und entscheiden, was der Agent als Nächstes tut.

Bei jedem Bild- oder Video-Edit zuerst strikt trennen, was identisch bleiben muss (LOCKED ELEMENTS) und was sich ändern soll (EDIT TARGET) — bevor der Prompt geschrieben wird.

Constraints in drei Prioritätsstufen teilen (MUST / SHOULD / OPTIONAL), damit zu viele simultane Vorgaben die Kerninstruktion nicht verwässern.

Sobald ein Chat abdriftet, ist der beste Prompt oft ein Chat-Neustart statt ein weiterer Verhandlungsschritt.

Kontext nicht als Speicher, sondern als Lebenszyklus behandeln — fünf Primitive steuern, was ein Agent „im Kopf" behält.

Websites können KI-Agenten sauberes Markdown statt HTML ausliefern, indem sie den `Accept: text/markdown`-Header über Content Negotiation beantworten.

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.

Drei Steuerungseinheiten, gestapelt — ein Prompt kontrolliert eine Antwort, ein Loop einen Agenten-Zyklus, ein Graph viele Agenten.

Eine gezielte Übersetzungspassage bügelt das typische„Claude-Speak" („Certainly! Let me delve into…") zu klarem, menschlichem Text aus, ohne Bedeutung oder Struktur zu verändern.

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.

Bei Reasoning-Modellen steuert ein Parameter (xhigh/medium/low + thinking on/off) die Denktiefe — oft wirkungsvoller als jeder Prompt-Eingriff.

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