Ich muss (!) meine Begeisterung für Claude Skills mit euch teilen. 😉

Wer mich kennt, weiß, dass ich niemand bin, der jedem Feature hinterher rennt.

Custom GPTs habe ich, Projektanweisungen auch. Stilreferenzen sowieso. Das hat auch wunderbar funktioniert.

Claude Skills befördert das alles für mich auf ein ganz anderes Niveau. Claude wird zu meinem persönlichen Assistenten und ich brauche keinen Agenten dafür.

💡Ein Skill ist eine Datei, die Claude anweist, eine konkrete Aufgabe selbständig zu erledigen. Nicht nur unterstützen, sondern erledigen. Mit jedem Skill, den du ihm gibst, kann Claude mehr. Er wird zu deinem persönlichen Assistenten, der dein Corporate Design kennt und deine Workflows umsetzt, ohne dass du jedes Mal erklären musst, was du brauchst und wie du es umgesetzt haben möchtest.

Ich sage “Erstelle ein Powepoint aus den Informationen von Notion Seite XY” und bekomme ein fertiges PPTX in meinem CI, bei dem jeder Abstand und jede Schriftgröße stimmt. Ich sage “Mach daraus ein Carousel” und bekomme ein PDF in einem anderen von mir festgelegten Design für meine LinkedIn Carousels.

Mit jedem neuen Skill wächst das Repertoire. Claude erstellt mir Rechnungen, Angebote, Schulungsunterlagen, Schulungs-Zertifikate, Präsentationen, u.v.m.. Alles nach den jeweils für diese Anwendung festgelegten Vorgaben.

Wenn du das auch umsetzen möchtest, dich aber alleine nicht rantraust: Am 23. April mache ich einen Kompakt-Workshop. Ich zeige live, wie man einen Skill erstellt und du kannst direkt mitmachen: Wir erstellen gemeinsam einen Skill, der PowerPoint-Präsentationen in deinem individuellen Design generiert. Du gehst mit einem funktionierenden, installierten Skill aus dem Workshop.

📅Hier geht´s zur Anmeldung:

https://lnkd.in/d3Vw4i6b

Keine Vorkenntnisse nötig. Alles passiert im Chat. Du benötigst nur Claude, möglichst in einer Bezahlvariante, weil das Nutzungslimit bei Free-Accounts möglicherweise nicht ausreicht, um einen kompletten Skill ohne Unterbrechung zu erstellen.

Hier geht es zum Beitrag auf LinkedIn: Claude Skills

Du brauchst keinen Agenten mehr um zu automatisieren!

Viele KI-Agenten werden gerade durch die Einführung von Skills überflüssig: Skills sind für einige Einsatzzwecke nicht nur flexibler, sondern um ein Vielfaches einfacher einzurichten.

Was ist ein Skill?

Ein Skill ist eine persönliche Arbeitsanweisung für dein LLM. Es enthält alle Instruktionen, die die KI braucht, um eine Aufgabe exakt so auszuführen, wie du es festlegst: Dokumentenformat, Arbeitsschritte, Kontext, Schreibstil, Qualitätsrichtlinien, u.v.m.

Kein zusätzliches Tool, keine Programmierkenntnisse, keine Einrichtungshürde: Den Skill kannst du direkt im Chat erstellen.

Dein persönlicher prall gefüllter Werkzeugkoffer

Stell dir ein Netzwerk spezialisierter KI-Assistenten vor: Jeder Skill übernimmt einen klar definierten Aufgabenbereich und das LLM greift selbstständig auf das richtige Werkzeug zu, sobald es es braucht. Kein ausführliches Briefing im Prompt. Nie wieder Verlust des eigenen Stils an “typisch KI”.

Was Skills konkret leisten:

→ Wiederkehrende Anforderungen als jederzeit abrufbare, flexible Werkzeuge

→ Präzise Arbeitsanweisungen inkl. Ausgabeformat und Qualitätsrichtlinien

→ Zeitersparnis und Professionalisierung der Ergebnisse

→ Einfache Weitergabe: die Skill-Datei lässt sich teilen und in mehreren LLMs nutzen.

Im Unternehmen haben Skills ihren größten Hebel

Alle Mitarbeitenden nutzen dieselben Skills, passen sie optional an den eigenen Arbeitsbereich an und sorgen so für konsistente Prozesse und Ergebnisse. Ein konkretes Beispiel zeige ich euch im Carousel unten: PDFs, die immer genau im festgelegten Layout und Formatierungslogik generiert werden.

👇 Was das Carousel zeigt

Schritt für Schritt: von der Einrichtung eines Skills über Anpassungen bis zur Aktivierung im Chat. Das Prinzip lässt sich auf viele Aufgaben übertragen: von Schreibstilen bis zu komplexen Dokumentenlogiken.

Die Kompetenz verschiebt sich – mal wieder

Generative KI wird genau in dem Maß produktiver, in dem sie sich an die eigene Arbeitsweise anpasst. Skills sind dafür ein großer Hebel.

Die technische Einrichtung eines Agenten ist nicht mehr die Hürde. Die Hürde ist die saubere Beschreibung der eigenen Prozesse. So präzise, dass die KI sie optimal ausführen kann. Das ist eine wichtige Kompetenz im Umgang mit LLMs.

Die Fähigkeit, einen Skill per Chat erstellen zu lassen, ist übrigens selbst ein vorinstallierter Skill in Claude.

Anmerkung für alle, die mit ChatGPT arbeiten: Skills sind für ChatGPT bereits angekündigt, stehen aber aktuell – zumindest im Plus-Abo – noch nicht zur Verfügung. Meine Erfahrungen hier beziehen sich daher auf Claude Skills, wo die Funktion bereits vollständig nutzbar ist.

🔔 Ich biete in Kürze einen kompakten Workshop zur Erstellung von Skills an. Gib mir gerne in den Kommentaren Bescheid, dann melde ich mich, sobald der Termin steht.

Hier geht es zum Beitrag auf LinkedIn: Automatisierung mit KI – Skills

Macht mehr Kontext KI-Outputs schlechter?

Und wie kommt relevanter Kontext in die KI?

Manche formalisieren Context Engineering inzwischen als eigenständige Disziplin, die weit über Prompt-Formulierungen hinausgeht. Nicht weil Prompts unwichtig werden, sondern weil Kontext das ist, was Prompts erst wirksam macht.. Gartner hat das sogar so formuliert: “Context engineering is in, and prompt engineering is out”.

Was ist der Unterschied in der Praxis?

Prompt Engineering fragt: Wie formuliere ich die Anfrage optimal?

Context Engineering fragt: Was weiß das Modell über mich und meine Anforderungen, wenn es antwortet?

Der Prompt ist der Auslöser. Der Kontext ist das Fundament. Und das Fundament kommt aus drei Quellen:

– was du direkt mitgibst,

– was das System im Hintergrund liefert (Systemprompts, Gesprächshistorie, Nutzerdaten), und

– was das Modell sich aktiv holt (RAG, Websuche, verbundene Tools wie Notion oder CRM-Systeme).

Context Engineering bedeutet, alle Quellen für Kontext bewusst zu gestalten.

Jetzt kommt der Teil, der es etwas schwierig macht: Mehr Kontext ist nicht besser. Eine Untersuchung hat gezeigt, dass die Leistung mit wachsendem Kontextfenster zunehmend unzuverlässig wird. Ein Phänomen, das Forschende inzwischen “Context Rot” nennen. Das Modell verliert den Fokus auf das Wesentliche, wenn es mit zu vielen Tokens überladen wird.

Das Kontextfenster funktioniert wie das menschliche Arbeitsgedächtnis: Es ist endlich, und Überladen ist keine Strategie.

Relevanter, strukturierter Kontext schlägt umfangreichen, ungeordneten Kontext.

Context Engineering ist deshalb keine Technik, die man einmal lernt.

Context Engineering ist eine Denkweise, die man auf jeden Prompt anwenden kann:

❓Welche Informationen braucht das Modell, um gute Arbeit zu leisten?

❓Was genau soll ich als Kontext liefern?

❓Wie strukturiere ich die Information so, dass sie maximalen Nutzen für die KI Outputs haben?

Welchen Kontext schuldest du der KI bei deinem nächsten Prompt, damit sie nicht raten muss?

Prompt Engineering ist Taktik. Context Engineering ist Strategie.

Hier geht es zum Beitrag auf LinkedIn: Anleitung Context Engineering

„Zeig mir 04:35 Uhr” klingt einfach. Ist für eine Bild-KI aber ein Problem.

Warum? Die Antwort verrät viel über die Funktionsweise generativer KI.

Die Screenshots im Carousel zeigen die Ergebnisse meiner Tests: Die Zeiger stehen selten da, wo sie sollen, Ein volles Weinglas ist selten voll.

Aber warum eigentlich?

Wie funktioniert ein KI Bildgenerator: Diffuionmodell

Bildgeneratoren funktionieren komplett anders, als viele denken. Sie „verstehen” keinen Prompt. Sie haben während des Trainings Millionen Bilder von Uhren gesehen und dabei gelernt, wie Uhren AUSSEHEN (Ziffernblatt, Zeiger, Gehäuse, Zahlen). Was sie nicht gelernt haben: Was eine bestimmte Uhrzeit BEDEUTET. Dass 14:35 heißt, der große Zeiger steht auf der 7 und der kleine kurz vor der 3. Das ist für ein Diffusion Model unsichtbar.

Noch verrückter: Weil Uhren in Werbung und Produktfotos fast immer 10:10 Uhr zeigen (das symmetrische „V” rahmt das Logo ein), sind die Trainingsdaten massiv in diese Richtung verzerrt. Die KI hat also nicht nur kein Verständnis von Zeit, sie hat auch noch einen eingebauten Bias Richtung 10:10 Uhr.

Im Carousel erkläre ich Slide für Slide, was da technisch passiert, vom Training über Embeddings bis zu den Grenzen der aktuellen Architektur.

Das Uhr-Problem verrät darüber hinaus ziemlich viel darüber, wo KI-generierte Bilder insgesamt ihre Schwächen haben.

Hier geht es zum Beitrag auf LinkedIn: Wie funktioniert KI Bilidgenerierung?