docs(prompts): add RNG-uniform coding prompt and ornith35b usage

Add coding_05_rng_uniform.md (cryptographically strong uniform float in
[0.0, 1.0), 53-bit mantissa, bias-free, with distribution tests) and
document running the coding prompts against the ornith35b profile, which
ships coding-tuned sampling plus config-backed stream + read_timeout.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

example_user_prompts/README.md

@@ -13,7 +13,7 @@ Referenzmodell (zunächst): das Default-Modell aus `llama.cpp.config`
 |---|---|
 | `system_prompt_prosa.md` | `prosa_01_werkstatt.md`, `prosa_02_dystopie.md`, `prosa_03_essay.md`, `prosa_04_dialog.md` |
 | `system_prompt_reden.md` | `reden_01_abifeier.md`, `reden_02_windkraft.md`, `reden_03_umstrukturierung.md`, `reden_04_gedenken.md` |
-| `system_prompt_coding.md` | `coding_01_jsonl_validator.md`, `coding_02_refactor.md`, `coding_03_ts_retry.md`, `coding_04_performance.md` |
+| `system_prompt_coding.md` | `coding_01_jsonl_validator.md`, `coding_02_refactor.md`, `coding_03_ts_retry.md`, `coding_04_performance.md`, `coding_05_rng_uniform.md` |
 
 Jeder User-Prompt fordert gezielt Eigenschaften heraus, die der jeweilige
 System-Prompt verspricht (z. B. „show, don't tell" und Schlussbild bei Prosa;
@@ -37,7 +37,20 @@ Hinweise:
   (`--max-tokens`) muss **Denk- plus Ausgabe-Tokens** abdecken — für Prosa/Reden
   großzügig wählen (z. B. 6000–10000), sonst bricht die sichtbare Antwort ab
   oder bleibt leer.
-- **`--stream` benutzen.** Ohne Streaming wartet das Tool die komplette Antwort
-  in einem einzigen Read ab und läuft beim langen Reasoning-Output in den
-  Default-`--read-timeout` (30 s). Beim Streaming setzt jeder Token den Timeout
-  zurück. Für lange nicht-gestreamte Läufe zusätzlich `--read-timeout 600`.
+- **`--stream` benutzen.** Beim Streaming setzt jeder Token den Read-Timeout
+  zurück; ohne Streaming muss `read_timeout` die gesamte Generierung abdecken.
+  Chat-`read_timeout`/`stream` sind pro Profil in der Config setzbar (Default
+  `read_timeout = 600`), `--read-timeout`/`--stream` auf der CLI überschreiben.
+
+## Coding-Prompts mit dem `ornith35b`-Profil
+
+Die `coding_*`-Prompts lassen sich direkt gegen das Coding-Profil testen. Es
+bringt deterministischeres Sampling mit und aktiviert `stream` + hohen
+`read_timeout` bereits in der Config, es sind also keine Extra-Flags nötig:
+
+```bash
+llamacppctl --change --profile ornith35b            # Coding-Modell laden
+llamacppctl --chat --profile ornith35b \
+  --system-prompt-profile coding \
+  --prompt-file example_user_prompts/coding_05_rng_uniform.md
+```

example_user_prompts/coding_05_rng_uniform.md

@@ -0,0 +1,10 @@
+Implementiere in Python eine Funktion `random_unit_float() -> float`, die eine möglichst „perfekte" gleichverteilte Zufallszahl im halboffenen Intervall [0.0, 1.0) liefert.
+
+Anforderungen:
+- Verwende eine kryptografisch starke Entropiequelle aus der Standardbibliothek (kein `random.random()`), z. B. `secrets`/`os.urandom`.
+- Nutze die volle 53-Bit-Mantisse eines `float64` und erzeuge die Zahl bias-frei (kein Modulo-Bias, keine ungleichmäßige Rundung); begründe die Wahl von genau 53 Bit.
+- Halte das Intervall sauber halboffen: 0.0 ist möglich, 1.0 darf niemals herauskommen.
+- Type Hints, ein knapper Docstring und keine unnötigen Abhängigkeiten.
+- pytest-Tests, die abdecken: Wertebereich [0.0, 1.0) über viele Ziehungen, dass 1.0 nie auftritt, und ein einfacher Verteilungs-Check (z. B. Bucket-/Mittelwert-Test) mit begründeter Toleranz.
+
+Erkläre im Anschluss kurz die wichtigsten Designentscheidungen (warum 53 Bit, warum die gewählte Quelle, wie 1.0 ausgeschlossen wird).