Hallo zusammen, hier ist leopardracer!
Gute Content-Ideen zu finden, hat mich früher jede Woche Stunden gekostet. Reddit in einem Tab, Nachrichten in einem anderen, arXiv in einem dritten und eine Obsidian-Notiz, in die ich alles eingefügt habe und versuchte, mich zu erinnern, wie die Teile zusammenhingen. Jede KI-Suche dauerte Sekunden, aber den Rest der Zeit verbrachte ich damit, der Klebstoff zu sein.
Noch schlimmer war, wie viel Aufmerksamkeit ich allein durch das Wechseln zwischen Tabs und Chats verbrauchte. Jeder Wechsel kostete mich Fokus, und jeder Neustart ließ die Arbeit schwerer erscheinen, als sie war.
Damals wusste ich es noch nicht, aber anstatt meine Prompts übermäßig zu optimieren, hätte ich einfach einen Workflow erstellen sollen. Es hat eine Weile gedauert, bis ich den besten Weg dafür gefunden habe, und jetzt bin ich bereit, meine Methode zu teilen, wie man Prompts in Workflows umwandelt.
In diesem Beitrag:
- Warum Prompt-Gewohnheiten im großen Maßstab scheitern
- Wie man seinen ersten Workflow-Kandidaten erkennt
- Wie man die Nahtstellen in langen Gesprächen findet
- Das Übergabemuster, das Kontext weiterträgt
Wenn du Ausgaben zwischen KI-Chat-Tabs kopierst, erledigst du die Koordinationsarbeit, die die KI übernehmen sollte. Die Lösung ist, deine Prompts in einen Workflow zu verwandeln, bei dem jeder Schritt in eine Datei schreibt und der nächste sie liest. Der Kontext wird weitergereicht, ohne dass du ihn tragen musst. Du stoppst nur dort, wo eine echte Entscheidung getroffen werden muss.
Wann Prompting nicht mehr funktioniert
Fast jeder fängt mit KI auf die gleiche Weise an. Du tippst eine Frage ein, bekommst eine Antwort, kopierst sie irgendwo hin, wiederholst das. So habe ich mein erstes Jahr mit KI verbracht. Und ich verstehe es, es fühlt sich produktiv an, weil jede Interaktion etwas Greifbares liefert.
Dann merkst du, dass du mehr Zeit damit verbringst, die KI zu verwalten, als die KI dir spart. Du bist derjenige, der zwischen den Schritten kopiert. Du bist derjenige, der sich erinnert, was Schritt drei von Schritt eins brauchte.
Eine Studie vom Oktober 2025, veröffentlicht auf arXiv, hat ergeben, dass die Genauigkeit von LLMs deutlich abnimmt, wenn relevante Informationen in längere Kontexte eingebettet sind, selbst wenn alle irrelevanten Token maskiert werden.
Prompt-Engineering-Blogs und -Kurse verkaufen immer noch die Idee, dass die richtigen Worte alles lösen. Sie optimieren die falsche Ebene. Du versuchst, eine Pipeline durch ein Chat-Fenster laufen zu lassen, und keine noch so gute Wortwahl ändert das.
Eine Grenze beim Prompting zu erreichen, bedeutet, dass du ein Architekturproblem hast.
Wie du deinen ersten KI-Workflow erkennst
Bevor wir weitermachen, versuche Folgendes. Denk an die letzte sich wiederholende Aufgabe, die du mit KI erledigt hast. Diejenige, die 45 Minuten gedauert hat und bei der du nach 30 Minuten schreien wolltest. Frag dich jetzt:
- Habe ich zwischen den Schritten kopiert und eingefügt?
- Habe ich mehrere Chat-Fenster geöffnet, weil der Kontext immer wieder verunreinigt wurde?
- Musste ich mich erinnern, was Schritt drei von Schritt eins brauchte?
- Hat die KI bei jedem Schritt gute Ergebnisse geliefert, aber das Endergebnis war mittelmäßig?
Wenn du eine dieser Fragen mit Ja beantwortet hast, hast du bereits einen Workflow-Kandidaten. Du hast die Koordinationsarbeit manuell erledigt.
Hier ist ein Prompt, den du sofort verwenden kannst. Füge ihn am Ende deines nächsten langen KI-Gesprächs ein, nachdem du eine Aufgabe abgeschlossen hast:
1Sieh dir dieses Gespräch an, das wir gerade geführt haben. Ich werde den ursprünglichen Prompt, mit dem ich begonnen habe, unten einfügen. Ich möchte, dass du analysierst, ob diese Aufgabe in eine wiederverwendbare Fähigkeit oder einen Workflow umgewandelt werden könnte.23Im Einzelnen:41. Könnten die von mir durchgeführten Schritte als eine Abfolge strukturiert werden, bei der jeder Schritt eine Ausgabe produziert, die der nächste Schritt benötigt?52. Gibt es Übergabepunkte, an denen der Kontext weitergetragen werden muss?63. Würde diese Aufgabe davon profitieren, in separate Schritte mit sauberem Kontext aufgeteilt zu werden, anstatt als ein langes Gespräch zu laufen?74. Wie würden die Eingabe, die Anweisungen, die Ausgabe und der Kontrollpunkt aussehen, wenn dies ein Workflow würde?89Hier ist der ursprüngliche Prompt, den ich verwendet habe: [FÜGE DEINEN URSPRÜNGLICHEN PROMPT HIER EIN]1011Sag mir, ob dies ein guter Kandidat für einen Workflow ist, und wenn ja, skizziere, wie die Schritte aussehen würden.
Führe dies nach deiner nächsten sich wiederholenden Aufgabe aus. Du wirst vielleicht feststellen, dass du bereits workflow-förmige Arbeit manuell erledigst.
Dies funktioniert, egal ob du Hermes, Claude Code, Codex, Cowork oder ein anderes KI-Konversationstool verwendest. Die Muster bleiben gleich. Die Werkzeuge spielen keine Rolle. Die Struktur schon.
Wo man die Nahtstellen in einem langen Gespräch findet
Die Umwandlung eines langen Gesprächs in einen Workflow beginnt damit, zu erkennen, wo dein aktueller Prozess Nahtstellen hat.
Wenn du ein langes KI-Gespräch führst, achte auf die Momente, in denen du den Gang gewechselt hast. Wo du gesagt hast: „Okay, jetzt machen wir X“ und einen neuen mentalen Kontext begonnen hast. Wo du etwas aus einem früheren Teil des Chats kopiert und in eine neue Anfrage eingefügt hast. Wo du die KI daran erinnern musstest, woran du gearbeitet hast, weil sie es vergessen hatte. Diese Nahtstellen sind die Stellen, an denen Scope Creep auftritt.
Das sind deine Nahtstellen. Jede Nahtstelle ist ein potenzieller Schritt in einem Workflow.
Mein Wendepunkt kam bei einem Content-Ideen-Projekt. Ich musste interessante Blickwinkel für Newsletter-Artikel finden, was bedeutete, aus mehreren Quellen zu schöpfen. Reddit-Threads enthüllten Beschwerden über bestimmte Probleme, Nachrichtenartikel berichteten über neue Tools, und arXiv-Papiere deuteten auf neue Fähigkeiten hin.
Ich begann manuell: Reddit-Beiträge in ein Dokument kopieren, Nachrichten-Schlagzeilen scrapen, arXiv-Suchen durchführen und Zusammenfassungen speichern. Jede Quelle lebte in einer eigenen Chat-Sitzung, weil die Kontextfenster ständig verunreinigt wurden. Als ich mit Reddit fertig war, hatte ich vergessen, was ich bei der Nachrichtensuche gefunden hatte.
Dann erstellte ich einzelne Skills für jede Quelle. Einen Skill für die Reddit-Recherche, einen anderen für das Nachrichten-Scraping, einen dritten für arXiv-Papiere. Jeder Skill funktionierte für sich allein gut, aber ich war immer noch derjenige, der zwischen ihnen koordinierte. Ich führte den Reddit-Skill aus, speicherte die Ausgabe, führte den Nachrichten-Skill aus, speicherte diese Ausgabe, führte den arXiv-Skill aus, speicherte diese Ausgabe. Dann kombinierte ich alle drei manuell zu einer endgültigen Ideenliste.
Ich erledigte die Koordinationsarbeit des Agenten manuell. Die KI konnte jeden Schritt gut ausführen. Die Übergaben waren das Problem. Ich war die Middleware.
Wie man Kontext korrekt weiterträgt
Workflows sind Abfolgen von Schritten, bei denen jeder Schritt etwas produziert, das der nächste Schritt benötigt. Was Workflows vom Prompting unterscheidet, ist, dass der Kontext automatisch weitergegeben wird, anstatt dass du ihn von Hand trägst.
Der Leitfaden von Anthropic, „Building Effective Agents“, veröffentlicht im Dezember 2024 und weithin als die maßgebliche Ressource zitiert, macht eine klare Unterscheidung. Workflows sind Systeme, in denen LLMs und Tools durch vordefinierte Codepfade orchestriert werden. Agenten sind Systeme, in denen LLMs ihre eigenen Prozesse dynamisch steuern.
Für Nicht-Programmierer sind Workflows der ideale Punkt. Du definierst den Pfad. Die KI erledigt die Arbeit an jeder Station.
Anthropic beschreibt fünf Workflow-Muster. In einfachem Deutsch:
Prompt Chaining funktioniert wie ein Fließband. Die Ausgabe von Schritt eins wird zur Eingabe von Schritt zwei. Jeder Schritt bleibt einfach und fokussiert.
Routing sortiert verschiedene Eingaben auf verschiedene Pfade. Wie eine Postsortieranlage, die Briefe an die richtige Postleitzahl sendet.
Parallelisierung führt mehrere Dinge gleichzeitig aus. Wie drei Forscher statt einem.
Orchestrator-Workers verwendet einen Chef-Agenten, der die Arbeit aufteilt und an Worker-Agenten delegiert.
Evaluator-Optimizer lässt einen Agenten die Arbeit erledigen und einen anderen sie überprüfen. Der erste überarbeitet sie basierend auf dem Feedback.
Ich nenne die Dateien, die alles zusammenhalten, Übergabedateien. Jeder Schritt schreibt seine Arbeit auf, damit der nächste Schritt nicht raten muss. Das Format ist weniger wichtig als das Prinzip. Es könnte eine Markdown-Datei, ein Google Doc, ein strukturierter Textblock sein. Wichtig ist, dass jeder Schritt etwas produziert, das der nächste Schritt lesen kann.
Ich habe alles ausprobiert, um den Kontext zwischen den Schritten zu halten. In-Memory-Variablen verschwinden, wenn die Sitzung endet, Datenbankeinträge erfordern Einrichtung und Wartung, und gemeinsame Zustandsdateien werden beschädigt, wenn zwei Schritte gleichzeitig schreiben.
Markdown-Dateien in Obsidian haben sich durchgesetzt, weil sie langweilig und zuverlässig sind.
Jeder Schritt in einem Workflow schreibt seine Ausgabe in eine Markdown-Datei, und der nächste Schritt liest diese Datei. Die Dateien befinden sich in einer Ordnerstruktur, die den Workflow widerspiegelt. Wenn etwas schiefgeht, öffne ich die Datei und sehe genau, was Schritt drei produziert hat. Ich verfolge das Problem rückwärts durch die Kette.
Das gibt mir auch etwas, das ich nicht erwartet hatte. Ich verfolge, was jeder Unteragent oder Schritt getan hat, mit Links zu den spezifischen Dateien, die er produziert hat. Wenn etwas im endgültigen Ergebnis komisch klingt, öffne ich die Zwischendateien und finde heraus, wo die Abweichung begonnen hat.
Markdown hat auch praktische Vorteile. Reiner Text funktioniert überall. Dateien können ohne Konvertierung zwischen Systemen verschoben werden. Änderungen sind im Laufe der Zeit versionierbar. Alles wird in Obsidian, das ich bereits für Notizen verwende, schön dargestellt.
Das Speichern von Kontext in einer Datenbank oder einem gemeinsamen Zustandsmechanismus fügt Komplexität hinzu, erfordert Einrichtung und schafft Abhängigkeiten. Markdown-Dateien benötigen nichts außer einem Ordner und einem Texteditor.
Jeder Schritt schreibt seine Arbeit auf. Der nächste Schritt liest, was der vorherige Schritt geschrieben hat. Der Kontext wird durch Dateien weitergegeben, nicht durch das Gedächtnis.
Einen KI-Workflow Schritt für Schritt aufbauen
Lass mich dir zeigen, wie das in der Praxis aussieht. Ich verwende meinen Content-Ideen-Workflow als Beispiel, aber die Struktur funktioniert für jede sich wiederholende Aufgabe.
Vier Schritte machen diesen Workflow aus. Jeder Schritt liest aus der Ausgabedatei des vorherigen Schritts und schreibt in seine eigene Ausgabedatei.
Schritt 1: Reddit-Recherche
Eingabe: Ein Thema oder ein Suchbegriff.
Was es tut: Durchsucht Reddit nach Threads, in denen Leute sich über Probleme im Zusammenhang mit diesem Thema beschweren.
Ausgabe: reddit-findings.md mit Thread-Titeln, URLs und wichtigsten Beschwerden.
Schritt 2: Nachrichten-Scraping
Eingabe: Dasselbe Thema.
Was es tut: Durchsucht Nachrichtenquellen nach Artikeln über neue Tools oder Trends im Zusammenhang mit diesem Thema.
Ausgabe: news-findings.md mit Schlagzeilen, URLs und Zusammenfassungen.
Schritt 3: arXiv-Suche
Eingabe: Dasselbe Thema.
Was es tut: Durchsucht arXiv nach Papieren, die auf neue Fähigkeiten im Zusammenhang mit diesem Thema hindeuten.
Ausgabe: arxiv-findings.md mit Papier-Titeln, Zusammenfassungen und Relevanznotizen.
Schritt 4: Synthese
Eingabe: Alle drei Dateien aus den Schritten 1-3.
Was es tut: Liest alle drei Dateien und synthetisiert sie zu einer Liste von Artikel-Winkel-Ideen.
Ausgabe: idea-angles.md mit 5-10 potenziellen Artikelthemen, die jeweils auf der Recherche basieren.
Jeder Schritt erhält einen sauberen Kontext mit genau dem, was er braucht. Nichts ist vergraben. Nichts ist vergessen.
Mein erster Versuch dieses Workflows war hässlich. Dateien auf meinem Desktop, eine Checkliste in einer Notizen-App und viel Kopieren und Einfügen hielten ihn zusammen. Aber er war strukturiert. Jeder Schritt hatte eine klare Eingabe und eine klare Ausgabe. Der Agent musste sich an nichts von drei Schritten zuvor erinnern, weil ich ihm genau das gab, was er brauchte.
Schließlich habe ich einen einzigen, einheitlichen Skill gebaut, der die gesamte Pipeline handhabt. Er zieht nacheinander aus Reddit, Nachrichtenquellen und arXiv, schreibt jede Erkenntnischarge in eine separate Markdown-Datei und synthetisiert dann alle drei zu einer endgültigen Ideenliste. Der Skill läuft von oben nach unten, ohne dass ich etwas zwischen den Schritten kopieren muss.
Prompting vs. Workflows: Dieselbe Aufgabe
Die Content-Ideenfindung sieht völlig anders aus, je nachdem, ob man den Prompt-Weg oder den Workflow-Weg geht.
Der Prompt-Weg: Du öffnest einen Chat und bittest die KI, Reddit nach Beschwerden zu einem bestimmten Thema zu durchsuchen. Sie gibt dir eine Liste. Du kopierst diese Liste in ein Dokument. Du öffnest einen neuen Chat und bittest sie, Nachrichtenartikel zum selben Thema zu scrapen. Sie gibt dir Schlagzeilen und Zusammenfassungen. Du kopierst diese in dein Dokument. Du öffnest einen weiteren Chat und bittest sie, arXiv nach relevanten Papieren zu durchsuchen. Sie gibt dir Zusammenfassungen. Auch diese kopierst du.
Wenn du fertig bist, hast du drei separate Textblöcke in einem Dokument. Jetzt musst du sie zu Ideen-Winkeln synthetisieren. Du fügst alles in einen neuen Chat ein und bittest um Ideen. Die KI produziert eine Liste, aber sie ist generisch. Sie hat die Nuancen aus den Reddit-Beschwerden verloren, weil sie im kombinierten Text vergraben waren. Sie hat die arXiv-Ergebnisse übersehen, weil sie am Ende eines 5.000-Wörter-Prompts standen.
Der Workflow-Weg: Du führst einen Skill aus, der Reddit durchsucht und die Ergebnisse in eine Datei namens reddit-findings.md schreibt. Der Skill durchsucht dann Nachrichtenquellen und schreibt in news-findings.md. Dann durchsucht er arXiv und schreibt in arxiv-findings.md. Jede Datei ist sauber und fokussiert.
Der letzte Schritt liest alle drei Dateien und synthetisiert sie in idea-angles.md. Jeder Schritt erhält einen sauberen Kontext mit genau dem, was er braucht. Nichts ist vergraben oder vergessen.
Clare Liguoris Forschung bei AWS testete fünf Ansätze zur Steuerung des Agentenverhaltens in 3.000 Evaluierungsdurchläufen. Einfache Prompt-Anweisungen erreichten eine Genauigkeit von 82,5 %, was bedeutet, dass etwa eine von fünf Interaktionen fehlschlug. Als sie strukturierte Feedback-Schleifen hinzufügte, die sie Steuerungshaken nennt, erreichte die Genauigkeit 100 % in 600 Durchläufen.
Bessere Struktur machte den Unterschied aus, nicht bessere Prompts.
Ich habe dies selbst getestet, als ich verglich, wie verschiedene Modelle mit echten Hermes-Workflows umgehen. Modelle, die bei Benchmarks beeindruckend aussahen, scheiterten oft an strukturierten Workflows, weil sie einfache Schritte überdachten oder Formatbeschränkungen ignorierten. Struktur ist wichtiger als rohe Fähigkeit.
Wo Menschen noch prüfen
Jeder Workflow braucht Kontrollpunkte, aber nicht jeder Schritt braucht einen. Überall Überprüfungspunkte hinzuzufügen, verwandelt den Workflow in eine Reihe von Unterbrechungen.
Ich verwende Entscheidungsgatter. Du stoppst nur dort, wo eine echte Wahl getroffen werden muss. Welchen Winkel du verfolgst. Welche Quelle du priorisierst. Ob du einen Abschnitt streichst, der nicht passt.
Wenn die Ausgabe in Ordnung ist und keine Entscheidung erforderlich ist, stoppst du nicht. Workflows laufen, bis sie einen Punkt erreichen, an dem sie ohne dein Urteil nicht fortfahren können.
Entscheidungsgatter prüfen, ob die Ausgabe deiner Absicht entspricht. KI produziert grammatikalisch korrekte, gut recherchierte Inhalte, die dennoch in die falsche Richtung gehen. Entscheidungsgatter fangen das ab, bevor der nächste Schritt auf einer falschen Annahme aufbaut.
In meinem Telegram-Kanal habe ich eine vollständige Anleitung zum Hinzufügen von Genehmigungsgattern zu Hermes-Workflows geschrieben, falls du die technischen Details möchtest. Gatter schützen deinen Ruf, indem sie externe Aktionen ohne deine Zustimmung blockieren, schützen deine Daten, indem sie vor Systemänderungen eine Bestätigung erfordern, und schützen deinen Geldbeutel, indem sie Ausgaben über einer Schwelle ohne Genehmigung blockieren.
Für die meisten Workflows brauchst du ein Gatter an dem Punkt, an dem die Ausgabe öffentlich oder unumkehrbar wird. Ein Content-Workflow könnte ein Gatter nach der Gliederung haben, bevor der endgültige Entwurf live geht. Ein Recherche-Workflow könnte ein Gatter nach der Synthese haben, bevor du auf der Grundlage der Ergebnisse handelst.
Entscheidungsgatter sind der Ort, an dem du die Kontrolle über die Richtung behältst, während die KI die Ausführung übernimmt.
Wo du mit deinem ersten Workflow beginnst
Wähle eine sich wiederholende Aufgabe. Nicht die komplexeste. Wähle diejenige, die du jede Woche erledigst, die 45 Minuten dauert und bei der du nach 30 Minuten schreien möchtest. Das ist dein erster Workflow.
Meiner war eine Morgenübersicht, die Aufgaben und Artikel vor dem Kaffee abruft. Zwei Schritte. Aus Asana lesen, die Ausgabe formatieren, liefern. Einfach genug, um an einem Nachmittag gebaut zu werden, nützlich genug, um seit dem Bau an jedem Wochentag zu laufen.
Wenn du neu bei Hermes bist, beginne mit einem Zwei-Schritte-Workflow wie diesem, bevor du etwas Komplexes versuchst.
Minimal lebensfähige Workflows haben vier Teile: Eingabe (was reingeht), Anweisungen (was der Agent tut), Ausgabe (was rauskommt) und Kontrollpunkt (wo du überprüfst). Du brauchst keine Software. Du brauchst keinen Code. Du brauchst einen Ordner mit Dateien darin.
Anthropics eigener Rat aus „Building Effective Agents“ ist, einfach zu beginnen und nur dann Komplexität hinzuzufügen, wenn sie benötigt wird. Sie warnen ausdrücklich davor, mit Frameworks oder komplexen Architekturen zu beginnen. Beginne mit zwei Schritten. Mach sie zuverlässig. Dann füge einen dritten hinzu.
Confluents Leitfaden zu KI-Workflows macht denselben Punkt. Einfache Lösungen sind oft der beste Ort, um zu beginnen. Mit einfachem Prompt-Engineering zu beginnen, mag nicht perfekt sein, aber es funktioniert gut genug als erster Durchgang. Wenn du an die Grenze stößt, füge Struktur hinzu. Füge nicht präventiv Struktur hinzu.
Langweilig schlägt clever. Dein erster Workflow sollte so einfach sein, dass er peinlich ist. Ein Zwei-Schritte-Prozess mit einer Dateiübergabe und einer menschlichen Überprüfung. Das ist alles. Leute, die Wert aus KI-Workflows ziehen, haben langweilige gebaut und sie 50 Mal ausgeführt, nicht beeindruckende, die sie zweimal ausgeführt haben.
Die meisten KI-Produktivitätsratschläge sagen dir, du sollst bessere Prompts schreiben. Bessere Übergaben zu entwerfen, ist der Ort, an dem die wirkliche Rendite liegt. Prompts in jedem Schritt können mittelmäßig sein, wenn der Kontext, den sie erhalten, sauber ist. Ein brillanter Prompt in einem aufgeblähten Chat-Thread wird immer noch mittelmäßige Ergebnisse liefern.
Zu erkennen, wann du Koordinationsarbeit erledigst, die die KI übernehmen sollte, ist die ganze Veränderung. Sobald du das Muster siehst, kannst du es nicht mehr sehen. Jede sich wiederholende Aufgabe wird zu einem Kandidaten für Struktur. Jede manuelle Übergabe wird zu einem Designproblem.
Eine Grenze beim Prompting zu erreichen, bedeutet, dass du ein Architekturproblem hast. Baue die Pipeline. Lass den Kontext fließen. Behalte die Entscheidungen, die wichtig sind, in deiner Hand.
Wenn dies deine Denkweise über KI-Workflows verändert hat, folge @leopardracer für weitere Inhalte wie diesen und tritt meinem Telegram-Kanal bei: https://t.me/+ygATQAt9sUM1N2U6
