Beobachtetes Signal · 16. Juni 2026 · Technical Release · Quelle: DEV Community · Relevanz: 3/5 · Sentiment: Positiv
Mid-Conversation System Prompts: Agenten steuern ohne Cache-Verlust
Der Artikel erläutert eine von aktuellen Claude-Modellen unterstützte Technik, bei der Entwickler System-Rollen-Nachrichten mitten in der Session (nach dem gecachten Verlauf) in das Messages-Array einfügen können. Dies ermöglicht die Steuerung langlaufender Agenten, ohne die Prompt Caches zu invalidieren. Das Platzieren einer Systemnachricht nach dem gecachten Präfix bewahrt dieses, senkt die Kosten für die Neuverarbeitung und erhält die Autorität des Betreibers durch einen nicht fälschbaren Systemkanal im Vergleich zu Anweisungen in User-Nachrichten. Der Beitrag skizziert Nutzungsanforderungen und Einschränkungen: Die Systemnachricht muss auf einen User- oder Assistant-Turn folgen, rein textbasiert sein und ist modellgebunden (nicht unterstützte Modelle geben einen 400er-Fehler aus). Zudem wird empfohlen, injizierte Systemnachrichten als kontextbezogene Fakten statt als Überschreibungsbefehle zu formulieren. Für inkompatible Modelle wird ein Fallback-Muster vorgeschlagen.
Dieses technische Feature reduziert Rechenleistung und Kosten für langlaufende Agenten-Sessions und verbessert die Sicherheit gegen Prompt-Injection – hochrelevant für Entwickler von LLM-Agenten und Conversational Systems.
Marktsignale zu Anthropic 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
- Aktuelle Claude-Modelle unterstützen das Platzieren von role:"system"-Nachrichten direkt im messages-Array während einer laufenden Konversation.
- Das Hinzufügen einer Systemnachricht nach dem gecachten Konversationspräfix vermeidet dessen Invalidierung und verhindert kostspielige Neuverarbeitung.
- System-Rollen-Nachrichten bieten einen nicht fälschbaren Betreiberkanal im Vergleich zur Einbettung von Anweisungen in User-Nachrichten.
- Einschränkungen: Eine Systemnachricht muss auf eine User- oder Assistant-Nachricht folgen (nicht messages[0]), rein textbasiert sein und ist modellgebunden (400-Fehler bei Inkompatibilität).
- Das Entwicklerbeispiel beinhaltet das Senden eines anthropic-beta Header-Werts "mid-conversation-system-2026-04-07" zur Aktivierung des Features.
Verknüpfte Unternehmen
1 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Put Context in LLM System Prompt for Better Output
A developer guide explains that the largest quality-of-life improvement when using any large language model (local or hosted) is to supply persistent context — e.g., a System Prompt or Preferences field — that describes who you are and how you want responses formatted. The post shows how many front-ends (notably Claude.ai) provide a System Prompt/Preferences box and demonstrates a concrete example containing response rules and a <user_info> block describing the author's background. The author warns that persisting context increases token usage but argues the benefits outweigh the cost. Practical guidance includes preferring structured, reusable instructions over repeating context at every chat start and examples of what to include (response style, factual sourcing, stepwise instructions, and professional background). Publication date: 2026-06-14.
Kontext schlägt Prompt-Tuning: Der wahre Hebel für bessere KI-Ergebnisse
Ein auf DEV Community veröffentlichter Fachbeitrag argumentiert, dass die gezielte Verbesserung des Kontexts bei Large Language Models deutlich größere Qualitätssprünge bewirkt als das iterative Umschreiben von Prompts. Der Autor unterscheidet zwischen dem Prompt als reiner Instruktion und dem Kontext, der System-Setups, Dokumente, Beispiele, den Gesprächsverlauf sowie Daten im Modellfenster umfasst. Als 'Context Engineering' wird dabei das bewusste Kuratieren der für das Modell sichtbaren Informationen bezeichnet. Zu den empfohlenen Praxisgewohnheiten gehören das Zeigen echter Artefakte anstelle von Beschreibungen, das gezielte Kuratieren statt wahllosen Befüllens, eine klare Strukturierung mit Labels sowie das aktive Management des Konversationsstatus. Ergänzend verweist der Beitrag auf einen kostenpflichtigen, 40-seitigen Leitfaden des Autors für weiterführende Studien.
System-Prompts reduzieren ChatGPT-Halluzinationen und erzwungenes Wissen
Ein t3n-Fachbeitrag beleuchtet, wie große Sprachmodelle wie ChatGPT, Claude und Google Gemini durch erfundene Fakten, Quellen und Zahlen sogenannte Halluzinationen erzeugen. Zur Minderung dieses Problems wird eine über den t3n MeisterPrompter-Podcast vorgestellte Acht-Punkte-System-Prompt-Vorlage präsentiert. Dieses Template zielt darauf ab, die Modelle dazu zu bringen, Unsicherheiten explizit einzugestehen, das Erfinden von Fakten zu unterlassen und Annahmen klar zu kennzeichnen. Der Artikel zeigt zudem auf, wo solche System-Prompts in gängigen Chat-Benutzeroberflächen zentral hinterlegt werden können – darunter ChatGPT unter 'Individual Instructions' bzw. 'Personalization', Claude im Profil sowie Google Gemini im Bereich 'Personal Context'. Obwohl die Vorlage signifikant dabei hilft, Halluzinationen zu reduzieren, weist der Artikel darauf hin, dass sie Fehler nicht vollständig eliminieren kann.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.