Don't ship
sloppy prompts.

Drei Gründe: Geschwindigkeit (50ms statt 5s), Kosten (gratis statt mit jedem Aufruf bezahlt), Privacy (lokale Verarbeitung statt Cloud-Roundtrip). Regex und Heuristik fangen 80% der typischen Prompt-Probleme — die restlichen 20% sind Bewertungsfragen, die nur Du selbst entscheiden kannst, nicht ein anderes LLM.

Ja, eingebaut. Wenn Dein Prompt Personennamen (Herr/Frau X, Mr./Mrs.), E-Mail-Adressen, Telefonnummern, IBANs oder andere personenbezogene Daten enthält, erscheint oben im Ergebnis eine Warnung mit konkreten Funden und Hinweis auf den DSGVO-Kontext. Echte Anonymisierung mit reversiblem Mapping kommt mit Privacy Shield.

Ja. Text in Anführungszeichen ("...", „...", «...») und Code-Blöcke (`...`, ```...```) werden als Daten erkannt und NICHT bereinigt — nur die Anweisung außenrum. Wenn Du z.B. eine Kunden-Email zur Analyse einklebst, bleiben deren Höflichkeitsfloskeln drin (sind ja Information für das Modell). Geschützte Bereiche werden im Diff mit Coral-Border-Left und cremefarbenem Hintergrund visuell markiert. PII-Erkennung läuft trotzdem weiter — auch in Zitaten.

Neben dem reinen Bereinigen erkennt PromptPolish automatisch Deinen Aufgaben-Typ (LinkedIn-Post, Code Review, Email, Bewerbung, etc.) und schlägt eine strukturierte Version mit Rolle / Aufgabe / Format / Tonalität / Vermeide / Output vor. Switcher rechts oberhalb des bereinigten Texts. Strukturierte Prompts haben in A/B-Tests 30-50% konsistentere Outputs.

Ehrlich: bei einzelnen Prompts ein paar Cent. Bei API-Volumen mit 100k+ Calls/Monat sind das $20-200 monatlich, je nach Modell. Aber das ist nicht der Hauptzweck — der ist bessere Outputs durch sauberere Prompts. Die Kostenersparnis ist Beifang.

Wir schätzen sprach-aware: chars/4.5 für Deutsch, chars/4.0 für Englisch. Das liegt typischerweise innerhalb 10-15% der echten Tokenizer-Werte (tiktoken/anthropic-sdk). Für Pro-Tier ist exakte Tokenizer-Integration geplant.

Nichts. Wirklich. Es gibt keinen Server-Endpoint, keine Analytics-Pipeline, kein Logging. Wenn Du den Tab schließt, ist alles weg. Wenn Du Pro buchst, kommt optionale Persistierung in localStorage dazu — auch das clientseitig.

Ja, im Chrome Web Store verfügbar (Version 0.3). Ein Klick auf „Hinzufügen", und der Floater erscheint direkt in ChatGPT, Claude.ai und Gemini — bereinigt den Prompt vor dem Senden. Funktioniert in allen Chromium-Browsern: Chrome, Edge, Brave, Arc, Opera, Vivaldi. Updates kommen automatisch über den Store. Safari- und Firefox-Versionen folgen später.

PromptPolish ist genau das: ein Live-Tutor fürs Prompt-Schreiben. Du tippst Deinen Prompt ein, klickst „Polieren", und siehst welche Wörter stören und warum. Über Wochen verinnerlichst Du die Muster: keine Begrüßungen, kein Konjunktiv („könntest du bitte..." → direkt „schreibe..."), klare Format-Specs („als Markdown-Liste"), präzise Längen-Vorgaben („max. 200 Wörter"). Die Regel-IDs unterhalb des Diff-Views sind klickbar und erklären jedes Anti-Pattern mit Beispiel.

Drei Schritte: Erstens nutze einen Prompt Cleaner wie PromptPolish vor jedem KI-Aufruf — die sofortigen Korrekturen lehren Dir die Anti-Patterns schneller als jeder Kurs. Zweitens übe das Strukturieren: Rolle / Aufgabe / Format / Tonalität / Vermeide / Output. Drittens reflektiere: bei schlechten Outputs frage Dich, ob Dein Prompt vage war, nicht das Modell schwach. PromptPolishs Cleanliness-Score gibt Dir ein objektives Feedback, an dem Du Dich messen kannst.

Ein Prompt Cleaner ist ein Tool, das Deinen KI-Prompt vor dem Senden bereinigt — Füllwörter, Höflichkeitsfloskeln, vage Adjektive, Padding raus, klare Struktur rein. PromptPolish ist regex-basiert und 100% lokal (im Gegensatz zu LLM-basierten Cleanern wie promptcleaner.app, die selbst eine KI im Hintergrund nutzen). Ergebnis: kürzere Prompts, weniger Tokens, konsistentere Outputs — und Du lernst, was beim Modell zählt.

Ja, mit allen drei. Die Bereinigungs- und Strukturieren-Regeln sind modell-unabhängig — sie verbessern die Klarheit Deines Prompts, bevor er an irgendein LLM geht. Die Token-Schätzung berücksichtigt unterschiedliche Tokenizer (GPT, Claude, Gemini, DeepSeek), und im Modell-Vergleich siehst Du parallel die Kosten- und Energie-Hochrechnungen für alle gängigen Modelle.

promptcleaner.app arbeitet LLM-basiert: Dein Prompt geht an ein Sprachmodell, das ihn umschreibt — 3–8 Sekunden Latenz, Cloud-Round-Trip, intransparent. PromptPolish.app arbeitet regex-basiert: 100+ deterministische Regeln greifen lokal in 50 ms, Du siehst pro Änderung warum sie greift, der Prompt verlässt nie Deinen Browser. Plus DSGVO-Erkennung, Strukturieren-Modus und Industry-Rule-Packs.

Vier Faustregeln: Erstens klare Rolle definieren („Erfahrener Marketing-Texter"). Zweitens Aufgabe konkret formulieren („LinkedIn-Post zur Beförderung schreiben"). Drittens Format vorgeben („2–3 Absätze, max. 150 Wörter"). Viertens Constraints explizit nennen („nicht arrogant, kein Buzzword-Bingo"). Genau diese Struktur erzeugt PromptPolishs Strukturieren-Modus automatisch — und im Diff-View lernst Du, welche Anti-Patterns Modelle stören.

Nach dem ersten Aufruf: ja. Die komplette Engine läuft clientseitig — sobald die Seite geladen ist, brauchst Du keine Verbindung mehr. Die Browser-Extension ist sogar vollständig offline-fähig: keine Server-Calls, alles im Browser. Externe Calls gibt es nur bei Klick auf Affiliate-Links — die Schriftarten werden seit Mai 2026 lokal vom Server geladen, nicht mehr von Google Fonts.

Ein Wert von 0–100, der die strukturelle Qualität Deines Prompts misst. Berechnet aus Anzahl und Gewicht der gefeuerten Regeln (Füllwörter, Hedging, vage Adjektive, fehlende Struktur) plus Abzügen für PII-Funde. Score < 40 = unsauber, 40–70 = okay, > 70 = klar. Ziel beim Bereinigen: über 80 kommen.