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

Jeder Agenten-Fehler wird automatisch in eine CLAUDE.md-Regel umgewandelt, die sich mit der Zeit verbessert.

Zwei verschiedene LLMs prüfen gegenseitig ihre Arbeit, bevor ein Release shipped wird.

Deterministische Policies prüfen AI-Agent-Tool-Calls, bevor sie ausgeführt werden — wie IAM für Coding-Agenten.

Prompt-Injection nicht am Input erkennen, sondern am Output verhindern, indem Aktionen vor der Ausführung geprüft werden.

Coding Agents ihre eigenen Kosten berechnen lassen als Meta-Prompt.

System-Prompts werden nicht mehr als „instructions" verstanden, sondern als vollständige Design-System-Spezifikationen.

Eine System von fünf Filter-Fragen, die jedes Design-Element prüft und automatisch Füllmaterial eliminiert.

Ein provider-agnostischer Router, der basierend auf Spec-Compliance Agent-Skills organisieren und deterministisch an LLM-Prompts weiterleiten kann — spart Token und verbessert Skill-Relevanz.

Bei modernen Frontier-Modellen funktionieren Bedingungsbasierte Prompts besser als imperativen Quotas.

Prompt Engineering allein ist nicht ausreichend — produktive AI-Agent-Systeme erfordern geschleifte Workflows mit Feedback-Schleifen, Retry-Patterns und automatischer Qualitätskontrolle.

Systematische Wiederholungsschleifen über Single-Prompts für Agent-Zuverlässigkeit — statt einen perfekten Prompt zu suchen, iteriert über kurze Zyklen.

Neue arXiv-Architektur (2607.07666) überwindet Kontext-Limits durch hierarchisches Memory für langfristige Multi-Agenten-Workflows — direkt relevant für Prompt-Chain-Design.

Ein Modell schreibt den Code, ein anderes reviewt — systematisch bessere Qualität durch adversarisches Review.

Statt LLMs als Code-Generatoren zu nutzen, werden sie als Verifikatoren eingesetzt — mit feingranularen, kontinuierlichen Scores statt diskreter Urteile.

CLAUDE.md-Dateien nicht manuell schreiben, sondern vom Agenten im Entwicklungszyklus selbst pflegen lassen.

Halte große Datensätze serverseitig, nicht im LLM-Kontext — Tools liefern nur Acknowledgments, der finale Render/Joint-Schritt liest alle Layer.

Agent-Sessions nutzen Git-Repositories als strukturierten Experience-Buffer, nicht als Nebenprodukt.

Das beschneidende Pruning von RAG-Kontext auf das reduziert, was die Antwort tatsächlich braucht — nicht das maximale Kontext, das das Modell verarbeiten kann.

Automatisierte Evaluation und Optimierung von System-Prompts durch DSPy-Framework statt manuellem Trial-and-Error.

Traditionelle Code-Coverage misst Zeilen-Ausführung; Prompt Coverage Adequacy misst, welche Anforderungen aus dem Original-Prompt durch Tests abgedeckt sind.

Drei orthogonale Kompressions-Strategien sparen 50% Token-Kosten in Agent-Sessions — ohne Qualitätsverlust.

Quantitativer, reproduzierbarer Ansatz zur Bewertung und Verbesserung von System-Prompts durch DSPy-Harness mit Gold-Standard-Traces.

Over 40 Regeln zum automatischen Prüfen und Korrigieren von CLAUDE.md, AGENTS.md, SKILL.md und Agent-Skill-Dateien.

Auditiere Code systematisch darauf, wo LLMs für deterministische Tasks eingesetzt werden (JSON parsen, sortieren, formatieren) und ersetze sie durch Standardbibliotheken.

Übertrage 50 Jahre Datenbank-Forschung auf Agenten, indem jede Zustandsänderung erst protokolliert wird, bevor sie ausgeführt wird — mit garantierte Undo-Möglichkeit.

"Denke über die Machbarkeit von X nach" statt "Baue X" — signalisiert exploratives Denken, produziert unvoreingenommene Analysen ohne Implementierungsdruck.

URLs im Prompt können LLM-Ausgaben beeinflussen — aber nur wenn die URL und ihr Inhalt im Trainingskorpus des Modells waren.

Claude Sonnet 5 verwendet einen neuen Tokenizer, der ~30 % mehr Tokens für englischen Text produziert als Sonnet 4.6 — ein in der Praxis oft übersehener Preisanstieg.

Prompt-Technik, die die inhärente Vorhersagbarkeit großer Sprachmodelle durch erzwungene Diversität im Output umgeht.

Entwickler müssen den generierten Code verstehen, um aktiv am kreativen Prozess teilnehmen zu können — sonst entsteht "Cognitive Debt".

Agents prüfen ihre eigenen Outputs systematisch an definierten Cut-Points, bevor Ergebnisse an den Nutzer geliefert werden — mit maximal 3 Korrekturschleifen.

Systematische 3-Klassen-Klassifikation von Prompt-Injection-Angriffen: Instruction Conflict, Embedded Commands, Policy Ambiguity — als wiederverwendbares Scanner-Pattern.

Agent-Prompts mit definierter Persönlichkeit, Kommunikationsstil und klaren Deliverables übertreffen generische "Act as..."-Prompts nachweislich in Qualität und Reproduzierbarkeit.

Statische Komprimierung statt LLM-Summarisierung für lange Agent-Sessions — spart 70% Kosten, hält Prompt-Cache heiß.

Ein KI-Modell anweisen, über ein Problem nachzudenken („muse"), ohne ein konkretes Ziel vorzugeben — das Ergebnis ist eine offene, kreative Analyse aller technischen Pfade.

Memory Poisoning in LLM-Agents hinterlässt einen vorhersagbaren Fingerabdruck in Tool-Call-Sequenzen — 99% Erkennungsrate ohne Modell-Re-Training.

Deterministisches Prompt-Routing das anhand struktureller Merkmale entscheidet, welches Modell einen Prompt bearbeiten soll — ganz ohne Modell-Call.

Systemprompt + Pipeline-Design, das Coding-Agent-Traces für SFT aufbereitet, ohne Chain-of-Thought-Daten zu exponieren.

AI-Agents als "Mitarbeiter" zu framen reduziert Fehlererkennung um 18% und erhöht Eskalation um 44% — Prompt-Design sollte bewusst Tool- framing verwenden.

Ein Drop-in-Proxy, der pro Request automatisch das optimale LLM aus Anthropic, OpenAI, Gemini und OpenSource-Auswählt — basierend auf einem on-box Embedder, nicht auf Prompt-basiertem "Vibes-Routing."

Statt Prompts als einmalige Eingaben zu schreiben, werden vollständige Agent-Instruction-Repos erstellt — Sammlungen von CLAUDE.md-Dateien, die Agenten dauerhafte Fähigkeiten und Rollen geben.

Neue arXiv-Methode (2606.28187) optimiert Multi-Agent-Systeme durch gradientenbasierte Verbindungen — automatische Kredit-Zuweisung zwischen spezialisierten Agenten-Rollen.

Ornith-1.0 von DeepReinforce ist die erste Modellfamilie, die während des Reinforcement-Learning ihr eigenes Agent-Scaffold (Orchestrierungslogik) miterlernt, statt es von Menschen vorgegeben zu bekommen.

"Destyling" — das gezielte Umformen von User-Input in einen anderen Schreibstil — reduziert Prompt-Injection-Erfolgsraten von 61% auf 10%. Ein fast unsichtbarer Eingriff für Menschen, aber ein massiver Unterschied für LLMs.

Neue arXiv-Studie zeigt, wie subtiler Selbst-Promotion-Text in Lebensläufen Prompt-Injection-fähig in LLM-gestützten Bewerberscreenings ist — ohne neue Qualifikationen hinzuzufügen.

Durch minimales Umschreiben von User-Input-Eingaben (Destyling) lässt sich die Erfolgsrate von Prompt-Injection-Angriffen von 61% auf 10% senken.

AI-Agenten benötigen drei explizite Memory-Typen — Episodic (vergessen), Semantic (gelerntes Wissen), und Procedural (Tool-Nutzung) — um produktiv zu sein.

Prompt-Routing ohne Modellaufruf — rein strukturelle Analyse entscheidet, welches Model verwendet wird.

Explizite Gegenüberstellung von „mache das" und „mache nicht das" mit API-Namensgebung am Session-Beginn reduziert Output-Tokens strukturell.

Statt alle Regeln in den System Prompt zu schreiben, wird Guidance erst im Moment der Tool-Ausführung injiziert — mit einem Acknowledgement-Handshake.

Ein 12-Regeln-Stack, der LLM-Research-Assistenten gegen koordinierte Online-Kampagnen immunisiert.

Go-Tool komprimiert große Infrastrukturbeschreibungen (Logs, Topologie, Metriken) von 276.000 auf 1.100 Tokens — 99.5% Reduktion durch Musterextraktion.

Ein lokaler, regelbasierter Check erkennt unzureichend spezifizierte Prompts bevor teure Modell-Tokens verbrannt werden.

HALO (Hierarchical Agent Loop Optimizer) debugged AI-Agenten durch Analyse ihrer Execution-Traces — wie ein Profiler für LLM-Agenten.

Cisco AI veröffentlichte FAPO (Fully Automated Prompt Optimization) — ein Claude-Code-gesteuertes System, das LLM-Pipelines automatisch optimiert, von Baseline-Prompts bis zu Target-Accuracy.

Statt zufälliger Seed-Variation wird semantische Diversität durch gezielte Dimensions-Kontrolle im Prompt erreicht.

GLM-5.2 führt den `reasoning_effort`-Parameter mit zwei Stufen (`max`, `high`) ein, um die Denkzeit des Modells pro Task zu steuern.

Headroom komprimiert Tool-Outputs, Logs, Dateien und RAG-Ergebnisse bevor sie den LLM erreichen — 60-95 % weniger Input-Tokens bei gleicher Informationsdichte.

Durch intelligente Auswahl des Inference-Providers basierend auf Prompt-Cache-Hit-Raten lassen sich 7,7–38,3% der LLM-Kosten einsparen.

Perplexity's "Brain" baut einen Kontextgraphen der Agent-Arbeit und lernt über Nacht — erinnert sich nicht an den User, sondern an was der Agent getan hat.

Bayer und Thoughtworks veröffentlichten eine detaillierte Case Study über PRINCE — ein Agentic-RAG-System für die pharmazeutische Forschung, das Context Engineering als Kernprinzip verwendet.

Mehr defensive Regeln im System-Prompt machen Long-Horizon-Kollaboration schlechter, nicht besser — das Gegenteil der gängigen Intuition.

Forschungsaufträge an Agent-Schwärme werden durch eine These strukturiert — statt breiter Suche wird gezielt nach unterstützenden, widersprechenden und mechanistischen Beweisen gesucht.

Headroom's CCR-System komprimiert alles vor dem LLM — Tool-Outputs, Logs, RAG — mit garantiertem Rückgriff auf Original bei Bedarf durch das Modell selbst.

LLM-Antworten werden nicht statisch bewertet, sondern durch systematische Variationen der Eingabe auf Robustheit geprüft.

Drei Modelle in einem „Council" liefern schlechtere Entscheidungen als jedes einzelne Modell — wenn sie sich gegenseitig die Antworten zeigen.

Agent-Speicher wird vom Benutzer-Profil auf den Arbeits-Kontext umgestellt — Agenten lernen aus eigenen Erfolgen, Misserfolgen und Korrekturen.

Agent-Friendly Interfaces reduzieren den Token-Verbrauch durch strukturierte Dateisystem-Ansätze statt teurem LLM-Parsing.

Google Cloud formalisiert das "LLM-Wiki-Pattern" als portables, interoperables Markdown-Format für AI-Agenten.

Neue arXiv-Technik schützt Code-LLMs vor versteckten Instruktionen in Repository-Kommentaren, Strings und Identifiern.

Eine 6-stufige Abbruchlogik, die den Agenten zwingt, vor jeder Code-Generierung zu prüfen, ob weniger oder gar kein Code das Problem löst.

Ein neuer Benchmark testet systematisch die Anfälligkeit von Multi-Agent-Systemen gegen Prompt-Injection-Angriffe über mehrere Angriffsvektoren hinweg.

Eine dezentrale Agent-Architektur mit einem zentralen Orchestrator und mehreren spezialisierten Tentakel-Agenten, die parallel arbeiten.

Databricks hat mit Omnigent eine Abstraktionsschicht über AI-Coding-Agents open-sourcet, die verschiedene Harnesses (Claude Code, Codex, Pi, OpenAI Agents SDK) als austauschbare Worker in einem orchestrierten System behandelt.

Claude Fable 5 demonstrierte komplett autonome Debugging-Fähigkeiten: Ohne Browser-Automation zu können, manipulierte es Website-Templates, injizierte JavaScript, startete lokale Server und erstellte ein CORS-basiertes Diagnose-System — alles aus einem Screenshot und einem Einzeiler-Prompt.

ThoughtWorks Research hat eine datenbasierte Methode entwickelt, um die typischen KI-Sprachklischees zu identifizieren, zu messen und automatisch zu entfernen.

Statt selbst Prompts zu schreiben, designst du ein System mit fünf Komponenten, das Coding-Agenten autonom und zyklisch arbeiten lässt.

Eine praxiserprobte Architektur für das non-stop-Betreiben mehrerer Coding-Agents mit Worker-Artefakten, Task-Warteschlangen und Git-Worktree-Isolation — validiert über 3 Tage Dauerlauf.

Moonshot AI veröffentlichte Kimi Work — einen lokalen Desktop-Agent, der auf Kimi K2.6 läuft und bis zu 300 Sub-Agenten parallel koordiniert für komplexe Recherche- und Reporting-Aufgaben.

Ein Paper zeigt, dass 98% der Agenten-Qualität unterhalb des Modells liegt: im Loop, der Context-Engine, der Tool-Oberfläche und dem Safety-Stack. GROOM ist ein Open-Source-System, das Wissensdatenbanken autonom wartet.

Zwei bewährte Techniken um LLMs aus Überzeugungsschleifen zu befreien, in denen sie unabhängig von weiteren Argumenten an einer einmal eingeschlagenen Position festhalten.

Fabel 5 führt einen neuen Systemprompt-Block ein, der KI-Agenten anleitet, Ergebnisse für abwesende Nutzer verständlich aufzubereiten — ohne ständiges Nachfragen.

Der Prompt-Prefix eines LLM-Calls wird byte-identisch stabilisiert, sodass API-Caching (DeepSeek, OpenAI) maximal trifft — 64% Kosteneinsparung auf gleicher Token-Menge.

Systematische Studie zeigt: Effiziente Steering-Methoden erreichen Conditioning auf Kosten der Fluency — und funktionieren auf instruction-tuned Modellen deutlich schlechter.

Append-only Thread-Design mit SDK-basierter Tool-Übergabe statt Tool-Loading, das bei Claude Opus 4.8 die Agent-Kosten um 80% senkt.

Agenten sollen zuerst ein Audit-Skript schreiben, das Issues als deduplizierte CSV liefert, statt direkt die ganze Datei zu analysieren.

Frontier-LLMs haben „jagged intelligence" — brillante Analyse kombiniert mit offensichtlich fehlerhaften Entscheidungen. „Taste" ist die Fähigkeit, aus mehreren korrekten Optionen die beste zu wählen.

Statt das LLM die Aufgabe lösen zu lassen, wird es angewiesen, interaktive Tutorials zu generieren, durch die der Nutzer selbst lernt.

Neue arXiv-Methode extrahiert die tatsächlichen Steuerungs-Instruktionen aus LLM-Layer-Aktivierungen, nicht aus dem Output — kritisch für Prompt-Injection-Erkennung und Agent-Monitoring.

Claude Fable 5 kann bei „Frontier LLM Development"-Anfragen unbemerkt gedrosselt werden — ein neues Supply-Chain-Risiko für AI-Teams.

Ein lokaler Gateway, der jeden Coding-Agent-Request an das günstigste geeignete Modell routet — 3x mehr Nutzung bei gleichem Budget.

Medizinische LLMs reagieren extrem empfindlich auf subtile Prompt-Variationen — sowohl lexikalisch als auch syntaktisch.

Addy Osmanis (Google) neues Konzept: „Intent Debt" als dritte Art von technischer Schuld — die Lücke zwischen ungeschriebenem Wissen und was Agenten tatsächlich brauchen, um korrekt zu handeln.

Die Struktur eines Prompts ist wichtiger als die konkreten Worte und Techniken darin — ein kalibriertes Negativergebnis der Forschung.

Analogien als funktionaler Beschleuniger für die Next-Token-Wahrscheinlichkeit, interaktiv geprüft mit 5 ein/ausschaltbaren Techniken.

Kontinuierliches Online-Learning (dynamic evaluation) statt In-Context-Learning als Ansatz für wirklich personalisierte LLM-Assistenten.