KI in 30 Tagen meistern: Der ultimative Fahrplan

Die meisten Menschen nutzen KI seit zwei Jahren und tippen immer noch in das Feld, als würden sie googeln. Eine vage Zeile, ein Achselzucken bei der Antwort, Tab zu. Sie „nutzen KI" so, wie man einen Kleiderständer-Bügel „nutzt".

Hier ist der unangenehme Teil: Die Kluft zwischen denen, die das 10-Fache aus diesen Modellen herausholen, und denen, die nichts bekommen, ist kein Talent und kein geheimes Modell. Es ist ein System. Die 10x-Leute verwenden immer wieder dieselben Handvoll Tricks – jeden Prompt, jeden Tag – bis die Bewegungen ins Muskelgedächtnis übergehen.

Meisterschaft bedeutet nicht, mehr Prompts zu kennen. Es bedeutet, ein wiederholbares System zu besitzen, das man ausführt, ohne nachzudenken.

Das ist dieses System, komprimiert auf 30 Tage. Vier Wochen, zwölf nummerierte Spielzüge, die jeweils in einer Sache enden, die du heute tust. Kopierbare Prompts. Echtes, lauffähiges Python (verifiziert gegen das anthropic SDK, v0.109.1). Keine Theorie, auf die du nicht bis heute Abend handeln kannst.

Der kulturelle Startschuss war Andrej Karpathys inzwischen berühmter Satz über „Vibe Coding" – „du gibst dich ganz den Vibes hin ... und vergisst, dass der Code überhaupt existiert." Das ist der Vibe. Das hier ist die Disziplin darunter, die dafür sorgt, dass der Vibe tatsächlich ausgeliefert wird.

Teil 1 · Woche 1 — Das mentale Modell und erste Erfolge (Tag 1–7)

Das Ziel diese Woche ist nicht Wissen. Es ist ein Erfolg. Bis Tag 7 solltest du mindestens eine echte Aufgabe an ein Modell delegiert und gespürt haben, wie die Zeit zu dir zurückkommt. Alles andere baut auf diesem Gefühl auf.

01. Erledige heute eine echte Aufgabe mit KI – noch heute.

Fang nicht mit einem Kurs an. Fang mit einer lästigen Pflicht an, die du jemandem schuldest: eine E-Mail, vor der du dich drückst, Notizen, die aufgeräumt werden müssen, eine Funktion, die entworfen werden soll. Der schnellste Weg, KI zu „verstehen", ist, ihr etwas mit echtem Gewicht zu geben und das Ergebnis mit dem zu vergleichen, was du selbst geschrieben hättest.

Der Fehler, den Anfänger machen, ist, ein Thema zu tippen („schreibe über Onboarding") statt eines Briefings. Behandle das Modell wie einen scharfen neuen Mitarbeiter am ersten Tag: Es hat die Fähigkeiten, aber keinen deiner Kontexte. Gib ihm eine Rolle, die Aufgabe, den Kontext und die genaue gewünschte Ausgabe.

Verwende es, wenn: du eine Aufgabe hast, die du normalerweise allein in unter einer Stunde erledigen würdest – Schreiben, Zusammenfassen, Umformatieren, Brainstormen, Planen.

1Du bist mein <Rolle, z.B. "knallharter Chefredakteur">.
2Aufgabe: <eine konkrete Aufgabe in einem Satz>.
3Kontext: <2–3 Zeilen, die das Modell nicht wissen kann – Zielgruppe, Ziel, Einschränkungen>.
4Ausgabe: <genaues Format – Länge, Struktur, Ton>.
5Wenn etwas unklar ist, frag mich zuerst, anstatt zu raten.

Diese letzte Zeile ist der Cheat-Code. Sie verwandelt einen einmaligen Schuss in ein kurzes Gespräch, und Gespräche schlagen Monologe fast jedes Mal.

Mach das jetzt: wähle eine Aufgabe auf deinem Tisch, fülle die vier Felder aus, führe sie aus. Behalte den Prompt – du wirst das Gerüst den ganzen Monat wiederverwenden.

02. Lerne die Anatomie eines funktionierenden Prompts.

Jeder zuverlässige Prompt hat drei Teile, und Anfänger überspringen zwei davon. Klarheit (sage genau, was du willst), Kontext (sage warum und für wen) und Format (sage, wie die Ausgabe aussehen soll). Anthropics eigene Anleitung nennt das die „brillante, aber neue Mitarbeiter"-Regel: Je präziser du erklärst, desto besser das Ergebnis – und ihre goldene Regel ist wörtlich „zeige deinen Prompt einem Kollegen mit minimalem Kontext; wenn er verwirrt wäre, wird das Modell es auch sein."

Der einzelne Hebel mit der höchsten Wirkung ist das Hinzufügen von Motivation. Sag nicht einfach „verwende niemals Auslassungspunkte". Sag „das wird von einer Text-zu-Sprache-Engine vorgelesen, also verwende niemals Auslassungspunkte – sie kann sie nicht aussprechen." Das Modell verallgemeinert aus dem Grund. Es ist der Unterschied zwischen einem Befehl und einer Erklärung.

Verwende es, wenn: eine Antwort generisch, tonlos oder technisch korrekt, aber nutzlos zurückkommt. In neun von zehn Fällen fehlte einer der drei Teile.

1# Schwach (Thema, kein Briefing)
2Schreibe über unsere neue Funktion.
3
4# Stark (Klarheit + Kontext + Format)
5Schreibe eine 120-Wort-Produktankündigung für unseren neuen „Fokus-Modus."
6Zielgruppe: Bestehende Nutzer, die die App als überladen empfinden.
7Ziel: Sie dazu bringen, es diese Woche einmal auszuprobieren.
8Ton: Ruhig, selbstbewusst, null Hype.
9Format: 1 kurzer Absatz + ein einzeiliger CTA.

Mach das jetzt: nimm den schwachen Prompt von gestern und schreibe ihn mit allen drei beschrifteten Teilen neu. Führe beide aus. Beobachte die Lücke.

03. Stiehl die 6 Kern-Techniken – und eine Zeile Code.

Diese sechs tauchen in jedem ernsthaften Prompt-Engineering-Guide auf, weil sie immer noch funktionieren: (1) Sei klar und direkt, (2) füge Kontext/Motivation hinzu, (3) gib Beispiele, (4) strukturiere mit XML-ähnlichen Tags, (5) weise eine Rolle zu, (6) sag ihm, es solle nachdenken, bevor es antwortet. Du wirst Woche 2 damit verbringen, jede einzelne zu drillen – das hier ist die Karte.

Zwei davon lohnen sich, sofort in die Hände zu legen: Rollen und Tags. Eine Rolle in der Systemanweisung steuert Ton und Urteilsvermögen für die gesamte Konversation; selbst ein Satz bewegt die Nadel. Tags wie <context> und <examples> verhindern, dass das Modell deine Anweisungen mit deinen Daten verwechselt. Hier ist die Rollentechnik als echter, lauffähiger Code – dein erster Vorgeschmack auf die API, in der du ab Woche 3 leben wirst.

Verwende es, wenn: du konsistentes Verhalten über viele Aufrufe hinweg willst (die Rolle) oder du Anweisungen mit unordentlichen Eingaben mischt (die Tags).

1import anthropic
2
3client = anthropic.Anthropic()  # liest ANTHROPIC_API_KEY aus deiner Umgebung
4
5msg = client.messages.create(
6    model="claude-opus-4-8",
7    max_tokens=1024,
8    system="Du bist ein leitender Korrektor. Du entfernst Füllwörter und bewahrst die Stimme des Autors.",  # die Rolle
9    messages=[
10        {"role": "user", "content": "Bearbeite diesen Absatz und liste dann auf, was du geändert hast:\n\n<draft>...</draft>"}
11    ],
12)
13print(msg.content[0].text)

Mach das jetzt: schreibe einen Prompt mit einer expliziten Rolle und <tags> um die Eingabe um. Du hast jetzt 2 der 6 verwendet – Woche 2 vervollständigt den Satz.

Teil 2 · Woche 2 — Prompt Engineering für echte Ergebnisse (Tag 8–14)

Diese Woche verwandelst du „funktioniert irgendwie" in „funktioniert jedes Mal." Gleiche Aufgabe, gleiche Form, gleiche Qualität – auf Abruf. Diese Zuverlässigkeit ist es, die dir ermöglicht, in Woche 3 zu automatisieren.

04. Fixiere Ton und Format mit Multishot-Beispielen.

Dem Modell zu sagen, was du willst, ist gut. Es zu zeigen ist besser. Ein paar gut gewählte Beispiele (die Technik heißt Few-Shot- oder Multishot-Prompting) legen Format, Ton und Randfälle zuverlässiger fest als jedes Adjektiv. Die Anleitung ist in diesem Bereich konsistent: Füge 3–5 Beispiele ein, mach sie vielfältig, damit das Modell nicht an einem zufälligen Muster hängt, und packe jedes in Tags, damit klar ist, dass es ein Beispiel und keine Anweisung ist.

Das ist der größte Qualitätssprung für sich wiederholende Arbeiten – Klassifizierung, Extraktion, Formatierung, Umschreiben. Wenn du dieselbe Art von Aufgabe mehr als zweimal pro Woche erledigst, verdient sie Beispiele.

Verwende es, wenn: das Ausgabeformat zwischen den Durchläufen abweicht oder das Modell an einen bestimmten Hausstil angepasst werden muss.

1Klassifiziere jedes Support-Ticket als genau eines von: Bug | Abrechnung | Feature.
2
3<examples>
4<example>
5Ticket: „Mir wurde diesen Monat zweimal abgebucht."
6Kategorie: Abrechnung
7</example>
8<example>
9Ticket: „Export-Button tut nichts unter Safari."
10Kategorie: Bug
11</example>
12<example>
13Ticket: „Bitte fügt einen Dark Mode hinzu."
14Kategorie: Feature
15</example>
16</examples>
17
18Ticket: „Die App stürzt ab, wenn ich eine PDF hochlade."
19Kategorie:

Mach das jetzt: nimm eine wiederkehrende Aufgabe, schreibe 3 verschiedene Beispiele in <example>-Tags und beobachte, wie die Ausgabe in Form kommt.

05. Bring das Modell zum Denken, bevor es antwortet.

Bei allem, was Logik erfordert – Analyse, Mathematik, Planung, knifflige Urteile – ist das Schlimmste, was du tun kannst, die sofortige Antwort zu verlangen. Gib ihm Raum, zuerst zu argumentieren. Du kannst entweder neueren Modellen erlauben, adaptiv zu denken, oder, in einfachem Chat, es erzwingen: Bitte um schrittweise Argumentation in einem <thinking>-Block, dann eine knappe endgültige Antwort in einem <answer>-Block. Die Trennung beider bedeutet, dass du den Nutzen der Argumentation erhältst, ohne die Textwand.

Ein Bonus-Trick aus Anthropics Anleitung: Bitte es, sich selbst zu überprüfen, bevor es fertig ist – „überprüfe deine Antwort auf die obigen Einschränkungen." Es fängt seine eigenen Fehler überraschend oft, besonders bei Mathematik und Logik.

Verwende es, wenn: die Aufgabe mehr als einen Schritt hat, eine richtige Antwort, bei der du falsch liegen kannst, oder Abwägungen, die zu berücksichtigen sind.

1Frage: <eine Frage mit einem echten Abwägung>
2
3Denke zuerst innerhalb von <thinking>-Tags: Liste auf, was du weißt, was fehlt,
4und zwei Kandidatenantworten mit ihren Abwägungen.
5Gib dann deine Entscheidung innerhalb von <answer>-Tags – max. 3 Sätze.
6Bevor du fertig bist, überprüfe, ob deine Antwort nichts von oben widerspricht.

Mach das jetzt: nimm eine Entscheidung, die du erwägst, laufe sie durch die Denken/Antworten-Trennung und lies das <thinking> – dort versteckt sich der Wert.

06. Baue eine wiederverwendbare Prompt-Bibliothek.

Inzwischen hast du ein Dutzend gute Prompts geschrieben und die Hälfte im Chat-Verlauf verloren. Hör auf. Die Profis schreiben Prompts nicht neu – sie füllen Vorlagen aus. Ziehe deine besten Prompts in eine einzige Datei mit {Variablen} für die Teile, die sich ändern, und du hast einmalige Cleverness in Infrastruktur verwandelt.

Das ist das Scharnier der gesamten 30 Tage: Es ist der Moment, in dem deine Prompts aufhören, wegwerfbar zu sein, und anfangen, sich zu verzinsen. Ein einfaches Python-dict und str.format ist alles, was du zum Starten brauchst – kein Framework, keine Abhängigkeiten.

Verwende es, wenn: du einen ähnlichen Prompt dreimal ausgeführt hast. Beim dritten Mal machst du eine Vorlage daraus.

1# prompt_bibliothek.py – deine Prompts als wiederverwendbare Infrastruktur
2TEMPLATES = {
3    "zusammenfassen": (
4        "Du bist ein {rolle}.\n"
5        "Fasse den folgenden Text für {zielgruppe} zusammen.\n"
6        "Format: {fmt}.\n\n"
7        "<text>\n{text}\n</text>"
8    ),
9}
10
11def erstellen(name: str, **kwargs) -> str:
12    return TEMPLATES[name].format(**kwargs)
13
14prompt = erstellen(
15    "zusammenfassen",
16    rolle="technischer Redakteur",
17    zielgruppe="nicht-technische Nutzer",
18    fmt="3 Aufzählungspunkte, max. 15 Wörter pro Punkt",
19    text="...Release-Notes hier einfügen...",
20)
21print(prompt)  # direkt an client.messages.create(...) verfüttern

Mach das jetzt: erstelle prompt_bibliothek.py, verschiebe deine 3 besten Prompts als Vorlagen mit Variablen hinein. Diese Datei wächst den ganzen Monat.

Teil 3 · Woche 3 — Automatisieren mit der API (Tag 15–21)

Chat ist zum Lernen da. Die API ist zum Skalieren da. Diese Woche machst du den Abschluss von Aufgaben, die du einzeln erledigst, zu solchen, die du zu Hunderten, nach Zeitplan, ausführst, während du schläfst.

07. Steige vom Chat auf die API um.

Die API ist nur deine Chat-Prompts in einer Funktion, die du aufrufen kannst. Wenn du einen Prompt schreiben kannst, kannst du das auch – es sind zehn Zeilen. Setze deinen Schlüssel als Umgebungsvariable (füge ihn niemals in Code ein), verpacke den Aufruf in einer Funktion, und du hast einen wiederverwendbaren KI-Befehl, den du in jedes Skript einbauen kannst.

Simon Willison, der die praktische Nutzung von LLMs besser dokumentiert hat als fast jeder andere, macht den Punkt, dass die Hebelwirkung nicht in exotischen Setups liegt – sondern darin, Modelle in die kleinen Werkzeuge einzubinden, die du bereits verwendest. Diese Funktion ist dieser Draht.

Verwende es, wenn: du denselben Prompt überall verfügbar haben willst – in Skripten, Cron-Jobs, anderen Programmen – nicht nur in einem Browser-Tab.

1import os
2import anthropic
3
4client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])
5
6def ask(prompt: str) -> str:
7    msg = client.messages.create(
8        model="claude-opus-4-8",
9        max_tokens=1024,
10        messages=[{"role": "user", "content": prompt}],
11    )
12    return msg.content[0].text
13
14if __name__ == "__main__":
15    print(ask("Gib mir 5 knackige Betreffzeilen für eine Produkteinführungs-E-Mail."))

Mach das jetzt: installiere das SDK (pip install anthropic), setze ANTHROPIC_API_KEY und führe diese Datei aus. Erster erfolgreicher API-Aufruf = Woche 3 freigeschaltet.

08. Verwandle eine tägliche Routine in ein Skript.

Hier kommt die Zeit tatsächlich zurück. Jede Aufgabe, die du an einem Ordner von Dingen erledigst – diese 50 Transkripte zusammenfassen, diese 200 Tickets taggen, diese 30 Produktbeschreibungen umschreiben – ist eine Schleife. Schreibe die Einzelversion einmal, richte sie auf einen Ordner aus, geh weg. Verwende ein günstigeres, schnelleres Modell für Massenarbeit; du brauchst dein stärkstes Modell nicht, um ein Memo zusammenzufassen.

Verwende es, wenn: du dich dabei ertappst, dieselbe KI-Aufgabe immer wieder von Hand zu erledigen. Diese Wiederholung ist ein Skript, das du noch nicht geschrieben hast.

1import pathlib
2import anthropic
3
4client = anthropic.Anthropic()
5EINGANG = pathlib.Path("./eingang")        # .txt-Dateien hier ablegen
6AUSGANG = pathlib.Path("./zusammenfassungen")
7AUSGANG.mkdir(exist_ok=True)
8
9def zusammenfassen(text: str) -> str:
10    msg = client.messages.create(
11        model="claude-haiku-4-5",      # günstig + schnell: richtiges Werkzeug für Massenarbeit
12        max_tokens=300,
13        system="Fasse in 3 konkreten Aufzählungspunkten zusammen. Kein Füllwort.",
14        messages=[{"role": "user", "content": text}],
15    )
16    return msg.content[0].text
17
18for f in EINGANG.glob("*.txt"):
19    (AUSGANG / f"{f.stem}.md").write_text(zusammenfassen(f.read_text(encoding="utf-8")), encoding="utf-8")
20    print("zusammengefasst:", f.name)

Mach das jetzt: finde eine Stapelaufgabe, lege die Dateien in ./eingang ab, führe die Schleife aus. Du hast gerade eine Stunde Arbeit in einer Minute erledigt.

09. Senke Kosten und Latenz durch Caching.

Sobald du echtes Volumen fährst, werden zwei Dinge wichtig: Geschwindigkeit und die Rechnung. Der größte Hebel ist Prompt-Caching. Wenn jeder Aufruf ein langes, unverändertes Präfix gemeinsam nutzt – ein Styleguide, eine Wissensdatenbank, eine große Systemanweisung –, zahlst du dafür, es jedes einzelne Mal neu zu lesen. Markiere es mit cache_control und das Modell verwendet die gecachte Version: Ein Cache-Lesevorgang kostet etwa 10 % des normalen Eingabepreises, gegenüber einem einmaligen Schreiben mit +25 %. Für Batch-Jobs, die ein gemeinsames Präfix haben, gibt die Batch-API weitere ~50 % Rabatt obendrauf.

Verwende es, wenn: viele Aufrufe ein großes, statisches Kontextstück gemeinsam nutzen (der klassische Fall: eine lange Systemanweisung, die für einen ganzen Job wiederverwendet wird).

1import anthropic
2
3client = anthropic.Anthropic()
4STYLE_GUIDE = open("style_guide.md").read()   # lang, bei jedem Aufruf identisch
5
6msg = client.messages.create(
7    model="claude-opus-4-8",
8    max_tokens=1024,
9    system=[
10        {
11            "type": "text",
12            "text": STYLE_GUIDE,
13            "cache_control": {"type": "ephemeral"},  # dieses große Präfix cachen
14        }
15    ],
16    messages=[{"role": "user", "content": "Schreibe diese E-Mail um, damit sie dem Guide entspricht:\n\n..."}],
17)
18print(msg.usage)  # beobachte, wie cache_read_input_tokens nach dem ersten Aufruf steigt

Mach das jetzt: finde einen Prompt mit einem großen wiederholten Präfix, verpacke ihn in einen cache_control-Block und führe ihn zweimal aus. Drucke msg.usage und beobachte, wie der gecachte Lesevorgang einsetzt.

Teil 4 · Woche 4 — Tools, Daten und Auslieferung (Tag 22–30)

Die letzte Woche ist der Sprung von „KI, die redet" zu „KI, die handelt." Du gibst dem Modell Werkzeuge, verbindest es mit deinen echten Daten und verpackst das Ganze in einen Workflow, den du jahrelang ausführen wirst.

10. Gib dem Modell Werkzeuge (Function Calling).

Ein Modell allein kann nur Text produzieren. Gib ihm Werkzeuge und es kann Aktionen ausführen – deinen Kalender abfragen, eine API ansprechen, eine Berechnung durchführen. Du beschreibst jedes Werkzeug mit einem Namen, einer Beschreibung und einem JSON-Schema seiner Eingaben; das Modell entscheidet, wann es es aufruft, und gibt dir strukturierte Argumente zur Ausführung. Das ist die Grundlage für jeden „KI-Agenten", von dem du gehört hast.

Verwende es, wenn: die Aufgabe Live-Daten oder eine Aktion benötigt, die das Modell nicht allein aus Text ausführen kann (alles mit „nachschlagen", „abrufen", „berechnen" oder „senden").

1import anthropic
2
3client = anthropic.Anthropic()
4
5tools = [
6    {
7        "name": "kalendertermine_abrufen",
8        "description": "Gibt die Termine des Benutzers für ein bestimmtes Datum zurück.",
9        "input_schema": {
10            "type": "object",
11            "properties": {
12                "datum": {"type": "string", "description": "Datum im Format JJJJ-MM-TT"}
13            },
14            "required": ["datum"],
15        },
16    }
17]
18
19msg = client.messages.create(
20    model="claude-opus-4-8",
21    max_tokens=1024,
22    tools=tools,
23    messages=[{"role": "user", "content": "Was steht nächsten Montag in meinem Kalender?"}],
24)
25
26for block in msg.content:
27    if block.type == "tool_use":
28        print("Modell möchte aufrufen:", block.name, "mit", block.input)
29        # jetzt führst DU kalendertermine_abrufen(**block.input) aus und sendest das Ergebnis zurück

Mach das jetzt: definiere ein Werkzeug für etwas, das du tatsächlich verwendest (Kalender, Wetter, eine Suche), und beobachte, wie das Modell einen sauberen tool_use-Aufruf produziert. Du musst es noch nicht einmal ausführen – sieh nur, wie es entscheidet.

11. Verbinde KI mit deinen Daten über MCP.

Kontext per Hand einzufügen, skaliert nicht. Das Model Context Protocol (MCP), eingeführt von Anthropic im November 2024, ist der Standard-Fix – denk daran wie an einen USB-C-Anschluss für KI: Ein Verbinder-Spezifikation, und jede kompatible App kann sich mit deinen Dateien, Datenbanken und Werkzeugen verbinden. Es ging von einer internen Idee zum Industriestandard in Monaten, mit Tausenden von fertigen Servern, die du per Konfiguration einbinden kannst.

Du schreibst für die meisten Server keinen Code – du fügst einen Eintrag in eine Konfigurationsdatei hinzu. Hier ist ein Dateisystem-Server, der einem Modell Lesezugriff auf einen Notizordner gibt:

Verwende es, wenn: du dem Modell immer wieder dieselbe Wahrheitsquelle von Hand fütterst – deine Dokumente, ein Repository, eine Datenbank, eine Wissensdatenbank.

1{
2  "mcpServers": {
3    "filesystem": {
4      "command": "npx",
5      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/du/notizen"]
6    }
7  }
8}

Mach das jetzt: durchstöbere die verfügbaren MCP-Server, wähle einen aus, der auf Daten zeigt, die du wöchentlich verwendest, und füge ihn zur Konfiguration deines Clients hinzu. Stelle eine Frage, die nur deine Daten beantworten können.

12. Packe einen Workflow, den du für immer wiederverwenden wirst.

Tag 30. Du hast Prompts, Skripte und Werkzeuge – jetzt mach daraus ein Ding, das du beim Namen rufst. Anthropics Agent Skills (im Dezember 2025 zu einem offenen Standard gemacht) sind das saubere Format dafür: Ein Ordner mit einer SKILL.md, die einen Namen, eine Beschreibung, wann sie verwendet werden soll, und die Schritte enthält. Das Modell lädt sie nur, wenn es relevant ist (ein Entwurfsprinzip namens Progressive Disclosure), sodass du Dutzende stapeln kannst, ohne den Kontext aufzublähen. Selbst wenn du die API nie wieder anfasst, ist das Schreiben deiner wiederholbaren Aufgaben als Skills die Gewohnheit, die dich schnell macht.

Verwende es, wenn: du eine mehrschrittige Aufgabe hast, die du monatelang wiederholen wirst – ein wöchentlicher Bericht, eine Standardüberprüfung, eine Formatierungspipeline.

1---
2name: wochenbericht
3description: Verwandle meine rohen Notizen in den Standard-Wochenbericht. Verwende, wenn ich Notizen einfüge und nach „dem Wochenbericht" frage.
4---
5
6# Wochenbericht
7
8## Schritte
91. Gruppiere Notizen in: Ausgeliefert, In Arbeit, Blockiert.
102. Schreibe 2–3 Aufzählungspunkte pro Gruppe, Vergangenheitsform, kein Füllwort.
113. Beende mit „Nächste Woche" – genau 3 Prioritäten.
12
13## Format
14- Titel: „Wochenbericht – <Datum>"
15- Unter 200 Wörtern. Kein Hype.

Mach das jetzt: wähle deine am häufigsten wiederholte Aufgabe, schreibe sie als SKILL.md mit einer scharfen Beschreibung. Diese Beschreibung ist es, die dafür sorgt, dass sie im richtigen Moment feuert – investiere echte Mühe darin.

Typische Fehler (und die Lösung)

1. Vage Prompts. „Schreibe über X" lässt das Modell über deine Absicht raten – und es rät durchschnittlich. Lösung: Gib immer Rolle + Kontext + Format. Du bist <Rolle>. Aufgabe: <ein Satz>. Ausgabe: <genaues Format>.

2. Über-Prompting mit GROSSBUCHSTABEN-Dringlichkeit. Neuere Modelle befolgen Anweisungen präzise und reagieren über auf „KRITISCH!!! Du MUSST." Anthropics eigene Anleitung: Töne es runter auf normale Formulierungen wie „Verwende dieses Werkzeug, wenn …". Lösung: Schreibe Anweisungen, wie du einen kompetenten Erwachsenen einweisen würdest, nicht wie du einen Hund anschreist.

3. Beschreiben statt Zeigen. Adjektive („mach es professionell") sind schwach; Beispiele sind stark. Lösung: Füge 3–5 verschiedene Beispiele in <example>-Tags hinzu und lass das Muster die Arbeit machen.

4. Formulieren als „nicht". „Sei nicht weitschweifig" bringt das Modell dazu, über Weitschweifigkeit nachzudenken. Lösung: Sage, was zu tun ist – „Antworte in 2 kurzen Sätzen." Positive Anweisungen landen härter als Verbote.

5. Nicht überprüfter Ausgabe vertrauen. Kopieren und Einfügen einer nicht verifizierten Antwort ist, wie Fehler ausgeliefert werden. Lösung: Bei faktenlastiger Arbeit bitte es, Behauptungen mit Zitaten aus der Quelle zu untermauern und sich selbst zu überprüfen, bevor es fertig ist: Überprüfe jede Behauptung am obigen Text; markiere alles, bei dem du dir unsicher bist.

6. Von Hand machen, was eine Schleife erledigen könnte. Denselben Prompt 50 Mal im Chat auszuführen, ist das Teuerste, was du mit deinem Nachmittag anstellen kannst. Lösung: In dem Moment, in dem du Wiederholung bemerkst, schreibe die Schleife aus Block 08. Deine Zeit ist die knappe Ressource, nicht die Tokens.

Fazit: Das System ist die Fähigkeit

Dreißig Tage machen dich nicht zum KI-Forscher. Sie machen dich zu etwas Nützlicherem: jemandem mit einem System. Du kannst jede Aufgabe nehmen, ihr ein sauberes Briefing geben, ihr Beispiele zeigen, sie zum Denken bringen und – wenn sie sich wiederholt – sie automatisieren, cachen und in eine Fähigkeit verpacken, die du beim Namen rufst.

Das ist das ganze Geheimnis, das die 10x-Leute nie versteckt haben. Nicht mehr Prompts. Kein besseres Modell. Ein kleiner Satz von Bewegungen, die so lange ausgeführt werden, bis sie Reflex sind. Du hast jetzt die Bewegungen. Die einzige verbleibende Variable sind die Wiederholungen.

Deine 30-Tage-Checkliste – starte heute:

1. Erledige eine echte Aufgabe mit einem Rolle + Kontext + Format-Prompt (Block 01).
2. Starte prompt_bibliothek.py und verschiebe deine 3 besten Prompts als Vorlagen hinein (Block 06).
3. Tätige deinen ersten API-Aufruf mit der 10-zeiligen ask()-Funktion (Block 07).
4. Automatisiere eine Stapelaufgabe mit der Ordner-Schleife (Block 08).
5. Schreibe eine SKILL.md für deinen am häufigsten wiederholten Workflow (Block 12).

Wenn du diese fünf machst, bist du weiter als 90 % aller, die „schon immer mal in KI einsteigen wollten." Dann führst du einfach die Schleife weiter aus.