So trainieren Sie KI, echte Dokumente statt leeres Gerede zu schreiben

Neulich habe ich versucht, Claude zu bitten, einen Mietvertrag zu analysieren. Ich erhielt die Standardantwort: „Beachten Sie die Zahlungsklausel, stellen Sie sicher, dass alle Beträge korrekt sind." Offensichtlicher Rat, der im echten Leben nicht sehr hilfreich ist.

Das Hauptproblem bei der Arbeit mit neuronalen Netzen liegt in der Kontext- und Aufgabenformulierung. Wir bitten das Modell, professionelle Arbeit zu leisten, erhalten aber einen Schulaufsatz voller Synonyme. Letzte Woche bin ich auf das pm-claude-skills Repository gestoßen. Der Autor hat über 700 klare Anweisungen in einfachen Markdown-Dateien gesammelt, die vage Prompts in klare Algorithmen verwandeln.

Einfaches Markdown statt komplexer Frameworks

Es gibt keine ausgefallene Laufzeitumgebung oder schweren Abhängigkeiten in diesem Repository. Jede Skill ist eine einfache SKILL.md-Datei. Darin befindet sich eine strenge Struktur: Eingabedaten, Entscheidungsregeln, Antwortvorlage und Antipatterns, die das Modell ignorieren sollte.

Das Modell liest eine solche Datei vor der Aufgabenausführung und beginnt, relevante Ergebnisse zu produzieren. Die Abkürzung PM steht für Professional, nicht nur für Product Manager. Der Katalog enthält Sets für Ingenieure, Anwälte, Marketing-Experten und Designer.

Jede Skill sieht ungefähr so aus:

---
name: lease-decoder
description: "Decode a residential lease into plain English..."
---
## Framework: Severity Scale
Red: Can cost you real money — auto-renewal, break penalties
Yellow: Unusual clauses requiring clarification
Green: Standard fair terms

Kein proprietärer Code involviert. Der Text ist für Menschen lesbar, kann an Ihre Bedürfnisse angepasst oder direkt in ein Projekt-Repository eingecheckt werden.

Was Interessantes darin steckt

Ich habe den Katalog durchgesehen und vier Bereiche identifiziert, die am praktischsten erschienen:

Dokument-Decoder. Anweisungen zum Parsen von Mietverträgen, Rechnungen oder Arbeitsbedingungen fordern die KI auf, potenzielle Probleme zu identifizieren. Wenn ein Dokument automatische Verlängerungsklauseln oder übermäßige Strafen enthält, hebt das Modell diese zuerst mit einer farbcodierten Risikobewertung hervor.

Komplexe Gesprächs-Simulatoren. Sie können Szenarien vor Vorstellungsgesprächen, Thesis-Verteidigungen oder Gehaltsverhandlungen durchspielen. Das Modell spielt einen anspruchsvollen Gegner und steigt dann aus der Rolle aus, um Feedback zu gemachten Fehlern zu geben.

Token-Optimierung im pm-tokens-Paket. Die Autoren haben Python-Utilities gebaut, die JSON-Arrays komprimieren und kompakte Repository-Karten generieren. Dies reduziert unnötigen Kontext für Agents und senkt die API-Kosten spürbar.

Prompt-Validierungstools. Das npx pm-claude-skills prove-Team führt A/B-Tests durch, die Modellantworten mit und ohne aktivierte Skills vergleichen und dabei den genauen Token-Verbrauch und die Ausgabequalität verfolgen.

Wie man es installiert und verwendet

Für Cursor-, Windsurf-, Codex- oder Aider-Nutzer können Skills mit einem einzigen npx-Befehl hinzugefügt werden:

npx pm-claude-skills add --agent cursor

Claude Code integriert das Projekt als offizielles Plugin über den /plugin-Befehl. Wer lieber Web-Oberflächen wie ChatGPT oder Gemini bevorzugt, findet fertige Textversionen im exports/-Ordner, die direkt in Systemanweisungen kopiert werden können.

Als Referenz hat der Autor ein Cheat Sheet erstellt, das alle Befehle und Bibliotheksfunktionen abdeckt:

Lohnt es sich zu installieren

Das Projekt sticht hervor, indem es die Falle aufgeblähter Alles-in-einem-Tools vermeidet. Es ist eine transparente Wissensdatenbank, die durch CI und automatisierte Tests validiert wird. Wenn Sie es leid sind, dem Modell wiederholt zu erklären, welches Format es für Spezifikationen, Code-Reviews oder E-Mail-Triage verwenden soll, finden Sie hier gebrauchsfertige Lösungen.

Alle Dateien sind MIT-lizenziert. Sie können sie bedenkenlos als Grundlage verwenden, forken und an die Workflows Ihres Unternehmens anpassen.