Schreib nicht einfach KI-Text ab – bring deine eigene Perspektive ein

Die Seite dontquotetheai.com bringt es auf den Punkt: Rohe KI-Ausgaben in Antworten einzufügen ist faul und wenig hilfreich. Wenn dich jemand etwas fragt, will er deine Meinung – nicht eine Standardantwort, die er sich in vier Sekunden selbst holen könnte.
Was ist das Problem?
Jemand stellt eine echte Frage. Du wirfst sie in einen Chatbot, kopierst die Antwort und schickst sie zurück. Fühlt sich schnell und hilfreich an. Aber der Empfänger hat die gleichen Werkzeuge wie du. Wenn er die Standardantwort wollte, hätte er sie selbst geholt. Er hat dich gefragt, weil er deinen Kontext, deinen Geschmack und dein Urteil braucht.
Was du stattdessen tun solltest
- Nutze die KI als Schreibpartner. Lies, was sie generiert, und schreibe dann deine eigene Antwort.
- Extrahiere nur den Teil, der die Frage tatsächlich beantwortet. Lass den Rest weg. Drei eigene Sätze reichen völlig.
- Wenn ein Teil der KI-Antwort wirklich nützlich ist, zitiere ihn und erkläre, warum. Zum Beispiel: „Ich habe bei Claude nachgefragt, und dieser Teil deckt sich: …“
- Wenn du nichts hinzuzufügen hast, sag es. „Ich hab keine starke Meinung dazu“ ist eine echte, hilfreiche Antwort.
Das jemandem schicken
Wenn ein Kollege in deinen DMs, Slack oder PR-Reviews eine Wand aus Modelltext hinterlässt, kannst du ihm dontquotetheai.com schicken. Keine Predigt nötig. Es gibt auch eine „wütende Version“ für stärkere Gefühle (nicht geeignet für den Vorgesetzten).
Die Seite ist ein geistiger Verwandter von nohello.net und dontasktoask.com. Absichtlich von einem Menschen geschrieben. Frei zum Teilen, Remixen und Übersetzen – PRs auf GitHub willkommen.
📖 Vollständige Quelle lesen: HN AI Agents
👀 Siehe auch

KV-Cache-Quantisierungsprobleme bei lokalen Codierungs-Agents bei hohen Kontextlängen
Eine Reddit-Analyse identifiziert aggressive KV-Cache-Quantisierung als Ursache für unendliche Korrekturschleifen und fehlerhafte JSON-Ausgaben in lokalen Coding-Agents wie Qwen3-Coder und GLM 4.7 bei Kontextlängen über 30k. Gemischte Präzision oder reduzierte Kontextgröße werden als Workarounds empfohlen.

Wie die Aufteilung des Kontextes in separate Dateien Claude konsistenter machte
Ein Reddit-Nutzer teilt eine praktische Einrichtung für Claude: Kontext in about-me.md-, my-voice.md- und my-rules.md-Dateien aufteilen; einen Plan-vor-Ausführung-Ablauf verwenden; Modelle pro Aufgabe wechseln; und Feedback statt perfekter Prompts geben.

iCloud Desktop/Dokumente-Synchronisation verursacht Dateiverlustprobleme mit Claude auf Mac
Ein Mac-Benutzer berichtet, dass die Aktivierung der iCloud Drive-Synchronisation für Desktop- und Dokumentenordner dazu führt, dass Claude doppelte Dateien erstellt und dies zu dauerhaftem Datenverlust führen kann, einschließlich versteckter /.claude-Ordner, die von iCloud nicht gesichert werden.

Vage Prompts sind das eigentliche Problem, nicht das Modell — 50-Durchlauftest zeigt, dass die Prompt-Qualität die Modellwahl übertrifft
Ein Reddit-Nutzer hat dieselben zehn Eingabeaufforderungen fünfmal durch ChatGPT 4, Claude Sonnet und Gemini 1.5 Pro laufen lassen (insgesamt 150 Ausgaben) und festgestellt, dass alle drei Modelle ähnlich brauchbare oder ähnlich generische Ergebnisse lieferten – der entscheidende Faktor war die Spezifität der Aufforderung, nicht das Modell.