Episode

Mythos Anthropic

Podcast
Think Different. Think AI.
Published
Apr 12, 2026
Duration seconds
3357
Processing state
not_requested
Canonical source
https://think-ai.podigee.io/36-mythos-anthropic
Audio
https://audio.podigee-cdn.net/2442712-m-82fe18ce5b8f2e0c9d331fc080e5d909.mp3?source=feed
JSON
/v1/public/podcasts/think-different-think-ai-7426047/episodes/mythos-anthropic
Markdown
/podcast/think-different-think-ai-7426047/mythos-anthropic.md

Actions

  • POST https://stenobird.com/v1/public/podcasts/think-different-think-ai-7426047/episodes/mythos-anthropic/transcription-requests
    Idempotently request low-priority transcript generation for this episode.
  • GET https://stenobird.com/podcast/think-different-think-ai-7426047/mythos-anthropic.md
    Read the agent-friendly Markdown representation of this episode resource.

Summary

Was passiert, wenn aus Prompt Engineering plötzlich Skill Engineering wird? Für diese Folge holen sich Mark und Jens ihren allerersten Podcast-Gast zurück ins virtuelle Studio: René, mit dem sie schon vor Monaten über Agents und das IOC-Modell (Intent – Operate – Control) gesprochen hatten. Die zentrale These der Folge fällt schnell: "Prompt Engineering ist gestern, Skill Engineering ist morgen", und zwar nicht nur für Agenten, sondern für ganze Organisationen. Ein Skill, erklärt René, ist mehr als ein gut formulierter Prompt: orchestrierter Zugriff auf Tools, ausführbarer Code mitten in der Markdown-Datei (ja, auch Python-Snippets tauchen darin auf) und persistente Speichereinheiten, und das alles modellagnostisch, sodass derselbe Skill wahlweise mit Modellen von Anthropic oder anderen Anbietern läuft. Als Aufhänger dient der kurze Rückblick, wie sich seit der ersten gemeinsamen Folge N8N, Managed Agents bei Notion und die gesamte Modelllandschaft schon wieder verändert haben. Die Pixel-Rennen-Analogie aus der Digitalkamera-Ära liefert die Einordnung: Irgendwann sättigt die reine Modell-Leistung, und das System drumherum entscheidet. Sehr konkret wird das, als René von seinem eigenen Skill erzählt, der alte GitHub-Repositories durchforstet, brauchbaren Code in eigenständige Skills überführt und den Rest als Python weiterlaufen lässt. Mit Verweis auf Andrej Karpathy spinnt die Runde das weiter: Statt ganzer Legacy-Codebasen forkt man in Zukunft nur noch das Markdown-File mit der eigentlichen Idee, token-optimiert, ganz im Sinne einer Jobs-to-be-done-Logik, bei der am Ende nur das Loch in der Wand zählt, nicht der Bohrer. Ein Leadership-Paradox trägt die zweite Hälfte der Folge: Je mehr Geschäftsprozesse automatisiert werden, desto mehr Führung statt weniger wird gebrau…