Füttere deinem KI-Agenten den Wikiprompt: MCP-Server + offener Datensatz

Füttern Sie Ihren KI-Agenten mit Wikiprompt: MCP-Server + Offenes Dataset

Wenn Sie einen Agenten bauen, ist der schwierige Teil selten die Denkschleife. Es geht darum, dem Modell etwas zu geben, über das es sich lohnt nachzudenken. Ein Agent, der Code schreiben kann, aber keine Ahnung hat, wie ein guter Midjourney-Prompt aussieht, oder welche System-Prompt-Struktur einen Coding-Assistenten tatsächlich zum Funktionieren bringt, verpasst eine ganze Kategorie fundierten Wissens. Wikiprompt existiert, um diese Lücke zu füllen, und jetzt gibt es zwei Möglichkeiten, es in das einzubinden, was Sie bauen: einen Live-MCP-Server, den Ihr Agent zur Laufzeit aufrufen kann, und ein Bulk-Dataset, das Sie einmalig indexieren und lokal behalten können.

Sie lösen unterschiedliche Probleme, und die meisten ernsthaften Setups nutzen am Ende beide.

Der MCP-Server: nur einen Tool-Aufruf entfernt

Der MCP-Server unter https://mcp.wikiprompt.org/mcp ist ein Streamable-HTTP-Endpunkt, für Lesezugriffe ist kein API-Schlüssel erforderlich. Richten Sie Claude oder einen beliebigen MCP-kompatiblen Client darauf aus, und Ihr Agent erhält Tools wie search_prompts, get_prompt, list_categories, get_featured, get_trending, random_prompt und prompts_by_author, zusätzlich zum vollständigen Katalog von über 55.000 kuratierten Prompts.

Das Hinzufügen zu Claude Code ist eine Zeile:

claude mcp add --transport http wikiprompt https://mcp.wikiprompt.org/mcp

Sobald es verbunden ist, muss der Agent Ihnen keinen Prompt in das Gespräch einfügen. Er kann mitten in der Aufgabe entscheiden, dass er ein Beispiel möchte. Angenommen, ein Benutzer bittet Ihren Assistenten: "Gib mir eine System-Prompt-Struktur für einen Kundensupport-Bot." Statt eines plausibel klingenden Templates zu halluzinieren, ruft der Agent search_prompts mit etwas wie model=claude prompt_type=system-prompt auf, erhält echte, von Menschen kuratierte Ergebnisse mit Qualitätsmetadaten und kann eine Antwort synthetisieren, die tatsächlich zitiert, woher das Muster stammt. Das ist eine materiell andere Antwort als eine, die nur aus Trainingsdaten-Intuition aufgebaut ist, und es ist die Art von Fundierung, die Empfehlungen eines Agenten verteidigbar statt nur plausibel macht.

Das ist noch wichtiger für Bild- und Video-Generierungsagenten. Wenn Ihr Agent GPT Image, Midjourney, Seedance, Veo, Kling oder Nano Banana umschließt, kann er search_prompts aufrufen, gefiltert nach Modell und Stil, strukturierte metadata (Seitenverhältnis, Stil-Tags, Qualitätsbewertung) zurückholen und dem Benutzer einen Ausgangspunkt geben, der geprüft statt spontan erfunden wurde. Schauen Sie sich diesen futuristischen Arachniden-Charaktertransformations-Prompt oder diesen Titan-Engineering-Blueprint eines transformierenden Roboters an: Beide sind genau die Art von hochstrukturiertem, hochspezifischem Prompt, den man aus dem Gedächtnis leicht schlecht beschreibt und leicht korrekt wiederverwendet, wenn man ihn tatsächlich abrufen kann.

Es gibt auch submit_prompt, mit dem ein Agent in den Katalog zurückschreiben kann (dafür ist ein API-Schlüssel erforderlich). Wenn Ihr Agent etwas wirklich Gutes generiert, in einem Workflow-Tool oder einer kreativen Pipeline, kann es zum Gemeingut beitragen, statt in einem Chat-Log verloren zu gehen.

Das Dataset: für den Fall, dass Sie es offline wollen

Der MCP-Server ist großartig für On-Demand-Abfragen, aber es ist ein Live-Netzwerkaufruf, und manchmal möchten Sie den gesamten Katalog in Ihrem eigenen Vektor-Store haben, durchsuchbar mit Ihren eigenen Embeddings, verknüpft mit Ihren eigenen Daten. Dafür ist das Dataset da.

Rufen Sie zuerst das Manifest ab:

curl "https://www.wikiprompt.org/dataset"

Es gibt total_prompts, die record_fields, die Sie zurückbekommen, und das Paginierungsschema zurück. Die eigentlichen Datensätze liegen unter /dataset/prompts, paginiert mit einem Keyset-Cursor, bis zu 500 pro Seite:

curl "https://www.wikiprompt.org/dataset/prompts?limit=500"

Jede Antwort enthält eine next-URL. Folgen Sie ihr, bis next null zurückgibt, und Sie haben die vollen 55.000+, einschließlich slug, url, title, description, content (der eigentliche Prompt-Text, den Sie embedden würden), category, tags, media, model, strukturierte metadata, author und original_source. Eine minimale Paginierungsschleife:

import requests

url = "https://www.wikiprompt.org/dataset/prompts?limit=500"

records = []

while url:

resp = requests.get(url).json()

records.extend(resp["records"])

url = resp.get("next")

print(len(records), "Prompts gesammelt")

Kein API-Schlüssel, CORS aktiviert, Edge-gecacht, sodass Sie dies aus einem browserbasierten Tool oder einem CI-Job ausführen können, ohne vorher um Erlaubnis zu fragen. Chunken Sie content plus title und description in Ihre Embedding-Pipeline, behalten Sie category, tags und metadata als filterbare Felder, und Sie haben eine RAG-bereite Wissensbasis, die ein Agent lokal abfragen kann, ohne Abhängigkeit von unserer Verfügbarkeit.

Dies ist auch der bessere Weg, wenn die Aufgabe Ihres Agenten analytisch statt konversationell ist: ein Leaderboard zu erstellen, welches Modell am häufigsten in hochwertigen Prompts auftaucht, Prompts nach Technik zu clustern oder einen Retrieval-Reranker auf den Qualitätssignalen von metadata.assessment zu trainieren. Das Dataset gibt Ihnen das Rohmaterial; was Sie darauf aufbauen, liegt bei Ihnen.

Beides zusammenbringen

Ein Muster, das in der Praxis gut funktioniert: Laden Sie das Dataset in Ihren Vektor-Store als Basis-Wissensschicht und halten Sie den MCP-Server für Aktualität verdrahtet. Neue Prompts landen kontinuierlich auf wikiprompt, und get_recent oder get_trending über MCP werden Dinge an die Oberfläche bringen, die Ihr letzter Dataset-Snapshot noch nicht hat. Das Dataset gibt Ihnen Tiefe und Offline-Zuverlässigkeit; der MCP-Server gibt Ihnen die letzte Meile.

Ein Beispiel, das sich lohnt, direkt über beide Wege zu prüfen, ist dieser Daten-Physikalisierungs-Bild-Prompt, eine gute Illustration, wie viel Struktur ein gut kuratierter Prompt trägt gegenüber einer einzeiligen Beschreibung, und genau die Art von Detail, die es wert ist, abgerufen statt aus einer Modell-Vermutung rekonstruiert zu werden.

Egal, wie Sie sich anschließen, attribuieren Sie, was Sie nutzen. Jeder Datensatz trägt seine original_source, und die Menschen, die diese Prompts geschrieben haben, sind diejenigen, die die eigentliche kreative Arbeit geleistet haben. Zitieren Sie wikiprompt.org als Aggregator und verlinken Sie zurück zum Originalbeitrag, wenn Sie können.

Wenn Sie die Klartext-Version für einen schnellen Scan ohne JSON-Parsing möchten, gibt llms.txt jedem Agenten einen Überblick über die gesamte maschinenlesbare Oberfläche der Website in einer Datei. Und wenn Suche alles ist, was Ihr Agent braucht, ohne sich auf MCP oder das vollständige Dataset festzulegen, ist die Such-API ein einfacher JSON-GET, der nichts als eine Query-String benötigt.