Beobachtetes Signal · 6. Juli 2026 · Technical Release · Quelle: DEV Community · Relevanz: 1/5 · Sentiment: Neutral
Agenten-Prompts aus Markdown mit MDS kompilieren
MDS (Markdown Script) ist eine schlanke Open-Source-Template-Sprache und ein Compiler für Prompt Engineering. Entwickler können damit modulare Prompts in Markdown verfassen und diese Ahead-of-Time in sauberes Markdown oder ein JSON-Chat-Message-Array für LLM-Agenten übersetzen. Das Projekt in Version v0.3 bietet Importe, Variablen, Funktionen, Bedingungen, Partials, @message-Blöcke für {role, content}-JSON-Nachrichten sowie eine Build-Zeit-Validierung. MDS ist als Rust-CLI (cargo install mds-cli) sowie als JavaScript/TypeScript-Bibliothek und Bundler-Plugin (@mdscript/mds) verfügbar. Der Quellcode ist auf GitHub (github.com/dean0x/mdscript) veröffentlicht. Der Autor weist darauf hin, dass es sich um ein frührenales Projekt handelt, das derzeit noch keine LSP-/Editor-Unterstützung und keine veröffentlichten Python-Bindings bietet.
Entwickler-Tooling für Prompt Engineering ist zwar nützlich, aber primär nischig positioniert; dieser frührasige Open-Source-Compiler wird die Dynamik der AdTech-Branche aus eigener Kraft voraussichtlich nicht maßgeblich verändern.
Marktsignale zu npm in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- MDS (Markdown Script) ist eine Template-Sprache zur Kompilierung von Markdown mit Importen, Variablen, Funktionen und Bedingungen in Markdown oder JSON-Chat-Message-Arrays.
- Templates mit @message-Blöcken werden in JSON-Chat-Message-Arrays im {role, content}-Format kompiliert, wie es von SDKs genutzt wird.
- MDS ist als Rust-CLI (über cargo install mds-cli) sowie als JavaScript/TypeScript-Library und Bundler-Plugin (npm-Paket @mdscript/mds) verfügbar.
- Der Quellcode des Projekts ist unter github.com/dean0x/mdscript frei zugänglich.
- Das Projekt befindet sich auf Version v0.3 und weist aktuell Einschränkungen wie fehlenden LSP-/Editor-Support und noch nicht veröffentlichte Python-Bindings auf.
Verknüpfte Unternehmen
1 verknüpfte Unternehmen“If you'd rather stay in JS/TS, the compiler ships as a library and bundler plugins: npm install @mdscript/mds...”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Nicht der Code, sondern das Schema macht ein Tool agentisch
Der Autor vergleicht zwei Ansätze zur Generierung von Git-Commit-Nachrichten: ein einfaches Skript und ein über das Model Context Protocol (MCP) bereitgestelltes Tool. Obwohl beide dieselbe zugrundeliegende Logik und denselben Prompt verwenden, unterscheidet sich ihre Architektur grundlegend. Das MCP-Tool ist mit einem Dekorativem versehen, das eine JSON-Schema-ähnliche Schnittstelle über das Protokoll veröffentlicht, bevor die Ausführung erfolgt. Dadurch wird die Funktion für KI-Agenten auffindbar, typisiert und fehlerrobust ansprechbar, während das herkömmliche Skript eine für Agenten undurchsichtige Blackbox bleibt, die lediglich mit menschlich lesbaren Ausgaben und Exit-Codes kommuniziert. Der Beitrag verdeutlicht, dass agentisches Verhalten nicht aus dem KI-Aufruf selbst resultiert, sondern aus maschinenlesbaren und entdeckbaren Systemgrenzen, die Agenten autonom interpretieren können.
Harnesses, Kontext und besseres Prompting für zuverlässige LLM-Ergebnisse
Jorge Tovar hat auf DEV Community einen technischen Artikel veröffentlicht, der darlegt, dass das zugrundeliegende Sprachmodell allein nicht ausfürht, um zuverlässige Resultate mit LLMs zu erzielen. Er betont die zentrale Bedeutung eines sogenannten Harness – das umgebende System, das Kontext, Tools, Berechtigungen, Speicher, Feedbackschleifen und Evaluation steuert – sowie ein starkes Kontextmanagement mittels Konfigurationsdateien wie AGENTS.md und CLAUDE.md. Der Beitrag liefert praxisnahe Prompt-Engineering-Tipps wie Klarheit, Direktheit, spezifische Vorgaben zu Länge, Format und Tonfall, den Einsatz von XML-Tags für strukturierte Daten sowie Few-Shot-Beispiele und empfiehlt eine strukturierte Evaluierungs-Pipeline für Prompts. Anhand von Beispielen wie Strands Agents und Claude Code veranschaulicht der Autor, wie ein verbessertes Prompt-Sample mit strukturiertem Kontext und messbaren Richtlinien in der Praxis umgesetzt wird.
awesome-design-md: Markdown-Design-Spezifikationen für KI
Dieser Artikel aus einer Open-Source-Reihe stellt awesome-design-md vor, ein vom VoltAgent-Team entwickeltes Repository, das Design-Systeme in strukturierten Markdown-Dateien kodiert. Ziel ist es, visuelle Spezifikationen für Large Language Models lesbar und direkt verarbeitbar zu machen. Das Projekt bietet über 60 marken-inspirierte Templates von Unternehmen wie Stripe, Linear und Vercel, definiert hochpräzise Design-Token sowie Komponenten-Spezifikationen für LLM-Kontextfenster und setzt auf eine agenten-native Struktur ohne Abhängigkeiten. Zu den Anwendungsfällen gehören das Klonen von Premium-Ästhetiken, die Verankerung von Design-Konsens im Code sowie KI-gestützte UI-Refactorings. Das unter der MIT-Lizenz stehende Repository auf GitHub verzeichnet eine starke Community-Adoption. Der Beitrag erläutert typische DESIGN.md-Module wie visuelle Identität, Farbsysteme, Typografie und Komponenten-Stylings und liefert Praxisbeispiele für die Integration und das Prompting in KI-Assistenten.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.