Best Practices für Prompting

Dies ist die Referenz für Prompt Engineering mit Claudes neuesten Modellen, einschließlich Claude Fable 5, Claude Mythos 5, Claude Opus 4.8, Claude Opus 4.7, Claude Opus 4.6, Claude Sonnet 4.6 und Claude Haiku 4.5. Die Seite ist in drei Teile gegliedert:

• Modellspezifische Hinweise zuerst: wo sich Claude Fable 5 und Claude Opus 4.8 anders verhalten und was du ändern solltest.
• Techniken für alle aktuellen Modelle danach: allgemeine Prinzipien, Ausgabe und Formatierung, Tool-Nutzung, Denken und agentische Systeme.
• Migrationsüberlegungen zuletzt, für Prompts, die von früheren Generationen übernommen werden.



Claude Fable 5

Prompting-Hinweise für Claude Fable 5 und Claude Mythos 5 haben eine eigene Seite: Prompting für Claude Fable 5. Sie behandelt die Verhaltensunterschiede zu Claude Opus 4.8 und die lohnenswerten Änderungen an Prompts und Scaffolding, einschließlich Effort-Stufen, Befolgung von Anweisungen, Fortschrittsangaben bei langen Läufen, Memory-Systemen und der Ablehnungskategorie reasoning_extraction.



Prompting für Claude Opus 4.8

Prompting-Hinweise für Claude Opus 4.8 haben eine eigene Seite: Prompting für Claude Opus 4.8. Sie behandelt Antwortlänge, Kalibrierung von Effort und Denktiefe, Auslösung der Tool-Nutzung, wörtliche Befolgung von Anweisungen, Subagent-Steuerung sowie Design- und Frontend-Standardeinstellungen.



Allgemeine Prinzipien

Die Techniken in diesem Abschnitt und den folgenden Abschnitten gelten für alle aktuellen Claude-Modelle, einschließlich Claude Fable 5 und Claude Mythos 5.



Sei klar und direkt

Claude reagiert gut auf klare, explizite Anweisungen. Wenn du spezifisch angibst, welche Ausgabe du wünschst, kann das die Ergebnisse verbessern. Wenn du ein Verhalten möchtest, das „über das Erwartete hinausgeht", fordere es explizit an, anstatt dich darauf zu verlassen, dass das Modell dies aus vagen Prompts ableitet.

Stell dir Claude als brillanten, aber neuen Mitarbeiter vor, dem der Kontext zu deinen Normen und Arbeitsabläufen fehlt. Je präziser du erklärst, was du möchtest, desto besser das Ergebnis.

Goldene Regel: Zeige deinen Prompt einem Kollegen mit minimalem Kontext zur Aufgabe und bitte ihn, ihm zu folgen. Wenn er verwirrt wäre, wird Claude es auch sein.

• Sei spezifisch bezüglich des gewünschten Ausgabeformats und der Einschränkungen.
• Gib Anweisungen als sequenzielle Schritte mit nummerierten Listen oder Aufzählungspunkten an, wenn die Reihenfolge oder Vollständigkeit der Schritte wichtig ist.



Füge Kontext hinzu, um die Leistung zu verbessern

Wenn du Kontext oder Motivation hinter deinen Anweisungen lieferst, etwa indem du Claude erklärst, warum ein bestimmtes Verhalten wichtig ist, kann Claude deine Ziele besser verstehen und gezieltere Antworten liefern.

Claude ist intelligent genug, um aus der Erklärung zu generalisieren.



Verwende Beispiele effektiv

Beispiele sind eine der zuverlässigsten Methoden, um Claudes Ausgabeformat, Ton und Struktur zu steuern. Ein paar gut gestaltete Beispiele (bekannt als „few-shot" oder „multishot prompting") können Genauigkeit und Konsistenz dramatisch verbessern.

Achte beim Hinzufügen von Beispielen darauf, dass sie:

• Relevant sind: Spiegle deinen tatsächlichen Anwendungsfall genau wider.
• Vielfältig sind: Decke Grenzfälle ab und variiere genug, damit Claude keine unbeabsichtigten Muster aufgreift.
• Strukturiert sind: Umschließe Beispiele mit <example>-Tags (mehrere Beispiele in <examples>-Tags), damit Claude sie von Anweisungen unterscheiden kann.



Strukturiere Prompts mit XML-Tags

XML-Tags helfen Claude, komplexe Prompts eindeutig zu parsen, besonders wenn dein Prompt Anweisungen, Kontext, Beispiele und variable Eingaben mischt. Wenn du jeden Inhaltstyp in ein eigenes Tag einschließt (z. B. <instructions>, <context>, <input>), reduziert das Fehlinterpretationen.

Best Practices:

• Verwende konsistente, beschreibende Tag-Namen in deinen Prompts.
• Verschachtle Tags, wenn der Inhalt eine natürliche Hierarchie hat (Dokumente innerhalb von <documents>, jedes innerhalb von <document index="n">).



Gib Claude eine Rolle

Das Festlegen einer Rolle im System-Prompt fokussiert Claudes Verhalten und Ton für deinen Anwendungsfall. Schon ein einziger Satz macht einen Unterschied:

import anthropic

client = anthropic.Anthropic()

message = client.messages.create(
    model="claude-opus-4-8",
    max_tokens=1024,
    system="You are a helpful coding assistant specializing in Python.",
    messages=[
        {"role": "user", "content": "How do I sort a list of dictionaries by key?"}
    ],
)
print(message.content)



Prompting mit langem Kontext

Wenn du mit großen Dokumenten oder datenreichen Eingaben (20k+ Token) arbeitest, strukturiere deinen Prompt sorgfältig, um die besten Ergebnisse zu erzielen:

• Platziere lange Daten oben: Platziere deine langen Dokumente und Eingaben nahe dem Anfang deines Prompts, über deiner Anfrage, deinen Anweisungen und Beispielen. Dies kann die Leistung bei allen Modellen erheblich verbessern.

  

  Anfragen am Ende können die Antwortqualität in Tests um bis zu 30 % verbessern, besonders bei komplexen Eingaben mit mehreren Dokumenten.

• Strukturiere Dokumentinhalte und Metadaten mit XML-Tags: Wenn du mehrere Dokumente verwendest, umschließe jedes Dokument mit <document>-Tags mit <document_content>- und <source>-Untertags (und anderen Metadaten) für mehr Klarheit.

  Beispiel für eine Struktur mit mehreren Dokumenten

• Verankere Antworten in Zitaten: Bitte Claude bei Aufgaben mit langen Dokumenten, zuerst relevante Teile der Dokumente zu zitieren, bevor es seine Aufgabe ausführt. Dies hilft Claude, das Rauschen des restlichen Dokumentinhalts zu durchdringen.

  Beispiel für Zitatextraktion



Selbstkenntnis des Modells

Wenn du möchtest, dass Claude sich in deiner Anwendung korrekt identifiziert oder bestimmte API-Strings verwendet:

The assistant is Claude, created by Anthropic. The current model is Claude Opus 4.8.

Für LLM-basierte Apps, die Modell-Strings angeben müssen:

When an LLM is needed, please default to Claude Opus 4.8 unless the user requests
otherwise. The exact model string for Claude Opus 4.8 is claude-opus-4-8.



Ausgabe und Formatierung



Kommunikationsstil und Ausführlichkeit

Claudes neueste Modelle haben einen prägnanteren und natürlicheren Kommunikationsstil im Vergleich zu früheren Modellen:

• Direkter und fundierter: Liefert faktenbasierte Fortschrittsberichte statt selbstlobender Updates
• Gesprächiger: Etwas flüssiger und umgangssprachlicher, weniger maschinenhaft
• Weniger ausführlich: Kann detaillierte Zusammenfassungen aus Effizienzgründen überspringen, sofern nicht anders angewiesen

Das bedeutet, dass Claude verbale Zusammenfassungen nach Tool-Aufrufen überspringen und direkt zur nächsten Aktion übergehen kann. Wenn du mehr Einblick in seine Überlegungen bevorzugst:

After completing a task that involves tool use, provide a quick summary of the work you've done.



Steuere das Format der Antworten

Es gibt einige besonders effektive Methoden, um die Ausgabeformatierung zu steuern:

1. Sage Claude, was es tun soll, statt was es nicht tun soll

   • Statt: „Verwende kein Markdown in deiner Antwort"
   • Versuche: „Deine Antwort sollte aus flüssig formulierten Prosa-Absätzen bestehen."

2. Verwende XML-Formatindikatoren

   • Versuche: „Schreibe die Prosa-Abschnitte deiner Antwort in <smoothly_flowing_prose_paragraphs>-Tags."

3. Passe deinen Prompt-Stil an die gewünschte Ausgabe an

   Der in deinem Prompt verwendete Formatierungsstil kann Claudes Antwortstil beeinflussen. Wenn du weiterhin Probleme mit der Steuerbarkeit der Ausgabeformatierung hast, versuche, deinen Prompt-Stil so genau wie möglich an deinen gewünschten Ausgabestil anzupassen. Wenn du beispielsweise Markdown aus deinem Prompt entfernst, kann das die Menge an Markdown in der Ausgabe reduzieren.

4. Verwende detaillierte Prompts für spezifische Formatierungspräferenzen

   Für mehr Kontrolle über die Verwendung von Markdown und Formatierung gib explizite Anweisungen:

<avoid_excessive_markdown_and_bullet_points>
When writing reports, documents, technical explanations, analyses, or any long-form
content, write in clear, flowing prose using complete paragraphs and sentences. Use
standard paragraph breaks for organization and reserve markdown primarily for `inline
code`, code blocks (```...```), and simple headings (###, and ###). Avoid using **bold**
and *italics*.

DO NOT use ordered lists (1. ...) or unordered lists (*) unless : a) you're presenting
truly discrete items where a list format is the best option, or b) the user explicitly
requests a list or ranking

Instead of listing items with bullets or numbers, incorporate them naturally into
sentences. This guidance applies especially to technical writing. Using prose instead of
excessive formatting will improve user satisfaction. NEVER output a series of overly
short bullet points.

Your goal is readable, flowing text that guides the reader naturally through ideas
rather than fragmenting information into isolated points.
</avoid_excessive_markdown_and_bullet_points>



LaTeX-Ausgabe

Claudes neueste Modelle verwenden standardmäßig LaTeX für mathematische Ausdrücke, Gleichungen und technische Erklärungen. Wenn du Klartext bevorzugst, füge die folgenden Anweisungen zu deinem Prompt hinzu:

Format your response in plain text only. Do not use LaTeX, MathJax, or any markup
notation such as \( \), $, or \frac{}{}. Write all math expressions using standard text
characters (e.g., "/" for division, "*" for multiplication, and "^" for exponents).



Dokumenterstellung

Claudes neueste Modelle zeichnen sich durch das Erstellen von Präsentationen, Animationen und visuellen Dokumenten mit beeindruckendem kreativem Flair und starker Befolgung von Anweisungen aus. Die Modelle produzieren in den meisten Fällen beim ersten Versuch ausgefeilte, verwendbare Ausgaben.

Für beste Ergebnisse bei der Dokumenterstellung:

Create a professional presentation on [topic]. Include thoughtful design elements,
visual hierarchy, and engaging animations where appropriate.



Migration weg von vorausgefüllten Antworten

Ab den Claude 4.6-Modellen und Claude Mythos Preview werden vorausgefüllte Antworten („prefilled responses") im letzten Assistant-Turn nicht mehr unterstützt. Anfragen mit vorausgefüllten Assistant-Nachrichten an diese Modelle geben einen 400-Fehler zurück. Die Modellintelligenz und die Befolgung von Anweisungen haben sich so weit entwickelt, dass die meisten Anwendungsfälle von Prefill dies nicht mehr erfordern. Frühere Modelle unterstützen Prefills weiterhin, und das Hinzufügen von Assistant-Nachrichten an anderer Stelle in der Konversation ist nicht betroffen.

Hier sind häufige Prefill-Szenarien und wie du davon wegmigrieren kannst:



Tool-Nutzung



Verwendung von Tools

Claudes neueste Modelle sind auf präzise Befolgung von Anweisungen trainiert und profitieren von expliziten Anweisungen zur Verwendung bestimmter Tools. Wenn du sagst „kannst du einige Änderungen vorschlagen", wird Claude manchmal Vorschläge liefern, anstatt sie umzusetzen, auch wenn du eigentlich Änderungen vornehmen lassen wolltest.

Damit Claude aktiv wird, sei expliziter:

Um Claude standardmäßig proaktiver beim Handeln zu machen, kannst du dies zu deinem System-Prompt hinzufügen:

<default_to_action>
By default, implement changes rather than only suggesting them. If the user's intent is
unclear, infer the most useful likely action and proceed, using tools to discover any
missing details instead of guessing. Try to infer the user's intent about whether a tool
call (e.g., file edit or read) is intended or not, and act accordingly.
</default_to_action>

Wenn du andererseits möchtest, dass das Modell standardmäßig zurückhaltender ist, weniger dazu neigt, direkt in Implementierungen zu springen, und nur auf Anfrage handelt, kannst du dieses Verhalten mit einem Prompt wie dem folgenden steuern:

<do_not_act_before_instructions>
Do not jump into implementation or change files unless clearly instructed to make
changes. When the user's intent is ambiguous, default to providing information, doing
research, and providing recommendations rather than taking action. Only proceed with
edits, modifications, or implementations when the user explicitly requests them.
</do_not_act_before_instructions>

Claude Opus 4.5 und Claude Opus 4.6 reagieren auch stärker auf den System-Prompt als frühere Modelle. Wenn deine Prompts darauf ausgelegt waren, zu seltenes Auslösen von Tools oder Skills zu reduzieren, können diese Modelle jetzt zu häufig auslösen. Die Lösung besteht darin, aggressive Formulierungen zurückzunehmen. Wo du vielleicht „KRITISCH: Du MUSST dieses Tool verwenden, wenn..." gesagt hast, kannst du normaleres Prompting wie „Verwende dieses Tool, wenn..." verwenden.



Optimiere parallele Tool-Aufrufe

Claudes neueste Modelle zeichnen sich durch parallele Tool-Ausführung aus. Diese Modelle werden:

• Mehrere spekulative Suchen während der Recherche ausführen
• Mehrere Dateien gleichzeitig lesen, um schneller Kontext aufzubauen
• Bash-Befehle parallel ausführen (was sogar die Systemleistung zum Engpass machen kann)

Dieses Verhalten ist leicht steuerbar. Während das Modell ohne Prompting eine hohe Erfolgsrate bei parallelen Tool-Aufrufen hat, kannst du diese auf ~100 % steigern oder den Aggressivitätsgrad anpassen:

<use_parallel_tool_calls>
If you intend to call multiple tools and there are no dependencies between the tool
calls, make all of the independent tool calls in parallel. Prioritize calling tools
simultaneously whenever the actions can be done in parallel rather than sequentially.
For example, when reading 3 files, run 3 tool calls in parallel to read all 3 files into
context at the same time. Maximize use of parallel tool calls where possible to increase
speed and efficiency. However, if some tool calls depend on previous calls to inform
dependent values like the parameters, do NOT call these tools in parallel and instead
call them sequentially. Never use placeholders or guess missing parameters in tool
calls.
</use_parallel_tool_calls>

Execute operations sequentially with brief pauses between each step to ensure stability.



Denken und Schlussfolgern



Übermäßiges Nachdenken und übertriebene Gründlichkeit

Claude Opus 4.6 führt deutlich mehr Vorab-Exploration durch als frühere Modelle, besonders bei höheren effort-Einstellungen. Diese anfängliche Arbeit hilft oft, die Endergebnisse zu optimieren, aber das Modell kann umfangreichen Kontext sammeln oder mehrere Recherche-Stränge verfolgen, ohne dazu aufgefordert zu werden. Wenn deine Prompts das Modell zuvor zu mehr Gründlichkeit ermutigt haben, solltest du diese Anweisungen für Claude Opus 4.6 anpassen:

• Ersetze pauschale Standardvorgaben durch gezieltere Anweisungen. Statt „Verwende standardmäßig [tool]" füge Anweisungen hinzu wie „Verwende [tool], wenn es dein Verständnis des Problems verbessern würde."
• Entferne Over-Prompting. Tools, die in früheren Modellen zu selten ausgelöst wurden, werden jetzt wahrscheinlich angemessen ausgelöst. Anweisungen wie „Im Zweifelsfall verwende [tool]" führen zu übermäßigem Auslösen.
• Verwende Effort als Fallback. Wenn Claude weiterhin zu aggressiv ist, verwende eine niedrigere Einstellung für effort.

In manchen Fällen kann Claude Opus 4.6 ausgiebig nachdenken, was die Thinking-Token aufblähen und Antworten verlangsamen kann. Wenn dieses Verhalten unerwünscht ist, kannst du explizite Anweisungen hinzufügen, um sein Schlussfolgern einzuschränken, oder du kannst die effort-Einstellung senken, um das gesamte Denken und die Token-Nutzung zu reduzieren.

When you're deciding how to approach a problem, choose an approach and commit to it.
Avoid revisiting decisions unless you encounter new information that directly
contradicts your reasoning. If you're weighing two approaches, pick one and see it
through. You can always course-correct later if the chosen approach fails.

Wenn du eine harte Obergrenze für Thinking-Kosten benötigst, ist erweitertes Denken mit einer budget_tokens-Obergrenze auf Opus 4.6 und Sonnet 4.6 weiterhin funktional, aber veraltet. Bevorzuge das Senken der effort-Einstellung oder die Verwendung von max_tokens als harte Grenze mit adaptivem Denken.



Nutze Thinking- und Interleaved-Thinking-Fähigkeiten

Claudes neueste Modelle bieten Thinking-Fähigkeiten, die besonders hilfreich für Aufgaben sein können, die Reflexion nach der Tool-Nutzung oder komplexes mehrstufiges Schlussfolgern erfordern. Du kannst sein anfängliches oder verschachteltes Denken für bessere Ergebnisse lenken.

Claude Opus 4.6 und Claude Sonnet 4.6 verwenden adaptives Denken (thinking: {type: "adaptive"}), bei dem Claude dynamisch entscheidet, wann und wie viel es nachdenkt. Claude kalibriert sein Denken basierend auf zwei Faktoren: dem effort-Parameter und der Komplexität der Anfrage. Höherer Effort führt zu mehr Denken, und komplexere Anfragen ebenso. Bei einfacheren Anfragen, die kein Denken erfordern, antwortet das Modell direkt. In internen Evaluierungen führt adaptives Denken zuverlässig zu besserer Leistung als erweitertes Denken. Erwäge den Wechsel zu adaptivem Denken, um die intelligentesten Antworten zu erhalten.

Verwende adaptives Denken für Workloads, die agentisches Verhalten erfordern, wie mehrstufige Tool-Nutzung, komplexe Coding-Aufgaben und langfristige Agent-Schleifen. Ältere Modelle verwenden den manuellen Thinking-Modus mit budget_tokens.

Du kannst Claudes Thinking-Verhalten lenken:

After receiving tool results, carefully reflect on their quality and determine optimal
next steps before proceeding. Use your thinking to plan and iterate based on this new
information, and then take the best next action.

Das Auslöseverhalten für adaptives Denken ist promptbar. Wenn du feststellst, dass das Modell häufiger nachdenkt als gewünscht, was bei großen oder komplexen System-Prompts vorkommen kann, füge Anweisungen hinzu, um es zu steuern:

Extended thinking adds latency and should only be used when it will meaningfully improve
answer quality - typically for problems that require multi-step reasoning. When in
doubt, respond directly.

Wenn du von erweitertem Denken mit budget_tokens migrierst, ersetze deine Thinking-Konfiguration und verlagere die Budget-Steuerung auf effort:

Vorher (erweitertes Denken, ältere Modelle):

client.messages.create(
    model="claude-sonnet-4-5-20250929",
    max_tokens=64000,
    thinking={"type": "enabled", "budget_tokens": 32000},
    messages=[{"role": "user", "content": "..."}],
)

Nachher (adaptives Denken):

client.messages.create(
    model="claude-opus-4-8",
    max_tokens=64000,
    thinking={"type": "adaptive"},
    output_config={"effort": "high"},  # or "max", "xhigh", "medium", "low"
    messages=[{"role": "user", "content": "..."}],
)

Wenn du kein erweitertes Denken verwendest, sind keine Änderungen erforderlich. Thinking ist standardmäßig deaktiviert, wenn du den thinking-Parameter weglässt.

• Bevorzuge allgemeine Anweisungen gegenüber vorgeschriebenen Schritten. Ein Prompt wie „denke gründlich nach" führt oft zu besserem Schlussfolgern als ein handgeschriebener Schritt-für-Schritt-Plan. Claudes Schlussfolgern übertrifft häufig das, was ein Mensch vorschreiben würde.
• Multishot-Beispiele funktionieren mit Thinking. Verwende <thinking>-Tags innerhalb deiner Few-Shot-Beispiele, um Claude das Denkmuster zu zeigen. Es wird diesen Stil auf seine eigenen erweiterten Thinking-Blöcke generalisieren.
• Manuelles CoT als Fallback. Wenn Thinking deaktiviert ist, kannst du schrittweises Schlussfolgern trotzdem fördern, indem du Claude bittest, das Problem durchzudenken. Verwende strukturierte Tags wie <thinking> und <answer>, um Schlussfolgern sauber von der endgültigen Ausgabe zu trennen.
• Bitte Claude um Selbstüberprüfung. Füge etwas hinzu wie „Bevor du fertig bist, überprüfe deine Antwort anhand von [Testkriterien]." Dies fängt Fehler zuverlässig ab, besonders bei Coding und Mathematik.



Agentische Systeme



Langfristiges Schlussfolgern und Zustandsverfolgung

Claudes neueste Modelle zeichnen sich durch langfristige Schlussfolgerungsaufgaben mit außergewöhnlichen Fähigkeiten zur Zustandsverfolgung aus. Claude behält die Orientierung über längere Sitzungen hinweg, indem es sich auf inkrementellen Fortschritt konzentriert und stetige Fortschritte bei wenigen Dingen gleichzeitig macht, anstatt alles auf einmal zu versuchen. Diese Fähigkeit zeigt sich besonders über mehrere Kontextfenster oder Aufgabeniterationen hinweg, wo Claude an einer komplexen Aufgabe arbeiten, den Zustand speichern und mit einem frischen Kontextfenster fortfahren kann.



Kontextbewusstsein und Multi-Window-Workflows

Claude 4.6- und Claude 4.5-Modelle verfügen über Kontextbewusstsein, das es dem Modell ermöglicht, sein verbleibendes Kontextfenster (d. h. „Token-Budget") während einer Konversation zu verfolgen. Dies ermöglicht Claude, Aufgaben auszuführen und Kontext effektiver zu verwalten, indem es versteht, wie viel Platz es zum Arbeiten hat.

Verwaltung von Kontextgrenzen:

Wenn du Claude in einem Agent-Harness verwendest, das Kontext kompaktiert oder das Speichern von Kontext in externen Dateien ermöglicht (wie in Claude Code), erwäge, diese Information zu deinem Prompt hinzuzufügen, damit Claude sich entsprechend verhalten kann. Andernfalls kann Claude manchmal von sich aus versuchen, die Arbeit abzuschließen, wenn es sich der Kontextgrenze nähert. Unten ist ein Beispiel-Prompt:

Your context window will be automatically compacted as it approaches its limit, allowing
you to continue working indefinitely from where you left off. Therefore, do not stop
tasks early due to token budget concerns. As you approach your token budget limit, save
your current progress and state to memory before the context window refreshes. Always be
as persistent and autonomous as possible and complete tasks fully, even if the end of
your budget is approaching. Never artificially stop any task early regardless of the
context remaining.

Das Memory-Tool passt natürlich zum Kontextbewusstsein für nahtlose Kontextübergänge.



Workflows über mehrere Kontextfenster

Für Aufgaben, die sich über mehrere Kontextfenster erstrecken:

1. Verwende einen anderen Prompt für das allererste Kontextfenster: Nutze das erste Kontextfenster, um ein Framework einzurichten (Tests schreiben, Setup-Skripte erstellen), und nutze dann zukünftige Kontextfenster, um an einer To-do-Liste zu iterieren.

2. Lass das Modell Tests in einem strukturierten Format schreiben: Bitte Claude, Tests zu erstellen, bevor es mit der Arbeit beginnt, und sie in einem strukturierten Format zu verfolgen (z. B. tests.json). Dies führt zu einer besseren langfristigen Fähigkeit zu iterieren. Erinnere Claude an die Wichtigkeit von Tests: „Es ist inakzeptabel, Tests zu entfernen oder zu bearbeiten, da dies zu fehlender oder fehlerhafter Funktionalität führen könnte."

3. Richte Quality-of-Life-Tools ein: Ermutige Claude, Setup-Skripte (z. B. init.sh) zu erstellen, um Server elegant zu starten, Test-Suites und Linter auszuführen. Dies verhindert wiederholte Arbeit beim Fortsetzen aus einem frischen Kontextfenster.

4. Neustart vs. Kompaktierung: Wenn ein Kontextfenster geleert wird, erwäge, mit einem brandneuen Kontextfenster zu beginnen, anstatt Kompaktierung zu verwenden. Claudes neueste Modelle sind extrem effektiv darin, den Zustand aus dem lokalen Dateisystem zu ermitteln. In manchen Fällen möchtest du dies vielleicht gegenüber der Kompaktierung nutzen. Sei präskriptiv, wie es beginnen soll:

   • „Rufe pwd auf; du kannst nur Dateien in diesem Verzeichnis lesen und schreiben."
   • „Überprüfe progress.txt, tests.json und die Git-Logs."
   • „Führe manuell einen grundlegenden Integrationstest durch, bevor du mit der Implementierung neuer Features fortfährst."

5. Stelle Verifizierungs-Tools bereit: Wenn die Länge autonomer Aufgaben wächst, muss Claude die Korrektheit ohne kontinuierliches menschliches Feedback verifizieren. Tools wie der Playwright-MCP-Server oder Computer-Use-Fähigkeiten zum Testen von UIs sind hilfreich.

6. Fördere die vollständige Nutzung des Kontexts: Fordere Claude auf, Komponenten effizient abzuschließen, bevor es weitergeht:

This is a very long task, so it may be beneficial to plan out your work clearly. It's
encouraged to spend your entire output context working on the task - just make sure you
don't run out of context with significant uncommitted work. Continue working
systematically until you have completed this task.



Best Practices für Zustandsverwaltung

• Verwende strukturierte Formate für Zustandsdaten: Wenn du strukturierte Informationen verfolgst (wie Testergebnisse oder Aufgabenstatus), verwende JSON oder andere strukturierte Formate, um Claude zu helfen, Schema-Anforderungen zu verstehen
• Verwende unstrukturierten Text für Fortschrittsnotizen: Freiform-Fortschrittsnotizen funktionieren gut zum Verfolgen des allgemeinen Fortschritts und Kontexts
• Verwende Git zur Zustandsverfolgung: Git bietet ein Protokoll dessen, was getan wurde, und Checkpoints, die wiederhergestellt werden können. Claudes neueste Modelle sind besonders gut darin, Git zur Zustandsverfolgung über mehrere Sitzungen hinweg zu verwenden.
• Betone inkrementellen Fortschritt: Bitte Claude explizit, seinen Fortschritt zu verfolgen und sich auf inkrementelle Arbeit zu konzentrieren



Balance zwischen Autonomie und Sicherheit

Ohne Anleitung kann Claude Opus 4.6 Aktionen ausführen, die schwer rückgängig zu machen sind oder gemeinsam genutzte Systeme betreffen, wie das Löschen von Dateien, Force-Pushing oder das Posten an externe Dienste. Wenn du möchtest, dass Claude Opus 4.6 vor potenziell riskanten Aktionen eine Bestätigung einholt, füge Anweisungen zu deinem Prompt hinzu:

Consider the reversibility and potential impact of your actions. You are encouraged to
take local, reversible actions like editing files or running tests, but for actions that
are hard to reverse, affect shared systems, or could be destructive, ask the user before
proceeding.

Examples of actions that warrant confirmation:
- Destructive operations: deleting files or branches, dropping database tables, rm -rf
- Hard to reverse operations: git push --force, git reset --hard, amending published commits
- Operations visible to others: pushing code, commenting on PRs/issues, sending
messages, modifying shared infrastructure

When encountering obstacles, do not use destructive actions as a shortcut. For example,
don't bypass safety checks (e.g. --no-verify) or discard unfamiliar files that may be
in-progress work.



Recherche und Informationsbeschaffung

Claudes neueste Modelle zeigen außergewöhnliche agentische Suchfähigkeiten und können Informationen aus mehreren Quellen effektiv finden und synthetisieren. Für optimale Recherche-Ergebnisse:

1. Gib klare Erfolgskriterien an: Definiere, was eine erfolgreiche Antwort auf deine Recherche-Frage ausmacht

2. Fördere Quellenverifizierung: Bitte Claude, Informationen über mehrere Quellen hinweg zu verifizieren

3. Verwende für komplexe Recherche-Aufgaben einen strukturierten Ansatz:

Search for this information in a structured way. As you gather data, develop several
competing hypotheses. Track your confidence levels in your progress notes to improve
calibration. Regularly self-critique your approach and plan. Update a hypothesis tree or
research notes file to persist information and provide transparency. Break down this
complex research task systematically.

Dieser strukturierte Ansatz ermöglicht es Claude, praktisch jede Information zu finden und zu synthetisieren und seine Erkenntnisse iterativ zu kritisieren, unabhängig von der Größe des Korpus.



Subagent-Orchestrierung

Claudes neueste Modelle zeigen deutlich verbesserte native Subagent-Orchestrierungsfähigkeiten. Diese Modelle können erkennen, wann Aufgaben davon profitieren würden, Arbeit an spezialisierte Subagents zu delegieren, und tun dies proaktiv, ohne explizite Anweisung zu benötigen.

Um dieses Verhalten zu nutzen:

1. Stelle gut definierte Subagent-Tools sicher: Halte Subagent-Tools verfügbar und in Tool-Definitionen beschrieben
2. Lass Claude natürlich orchestrieren: Claude wird angemessen delegieren, ohne explizite Anweisung
3. Achte auf Übernutzung: Claude Opus 4.6 hat eine starke Vorliebe für Subagents und kann sie in Situationen erzeugen, in denen ein einfacherer, direkter Ansatz ausreichen würde. Zum Beispiel kann das Modell Subagents für Code-Exploration erzeugen, wenn ein direkter grep-Aufruf schneller und ausreichend ist.

Wenn du übermäßige Subagent-Nutzung siehst, füge explizite Anweisungen hinzu, wann Subagents gerechtfertigt sind und wann nicht:

Use subagents when tasks can run in parallel, require isolated context, or involve
independent workstreams that don't need to share state. For simple tasks, sequential
operations, single-file edits, or tasks where you need to maintain context across steps,
work directly rather than delegating.



Verkette komplexe Prompts

Mit adaptivem Denken und Subagent-Orchestrierung handhabt Claude das meiste mehrstufige Schlussfolgern intern. Explizites Prompt-Chaining (das Aufteilen einer Aufgabe in sequenzielle API-Aufrufe) ist weiterhin nützlich, wenn du Zwischenausgaben inspizieren oder eine bestimmte Pipeline-Struktur erzwingen musst.

Das häufigste Chaining-Muster ist Selbstkorrektur: einen Entwurf generieren → Claude ihn anhand von Kriterien überprüfen lassen → Claude basierend auf der Überprüfung verfeinern lassen. Jeder Schritt ist ein separater API-Aufruf, sodass du an jedem Punkt protokollieren, evaluieren oder verzweigen kannst.



Reduziere Dateierstellung beim agentischen Coding

Claudes neueste Modelle können manchmal neue Dateien zu Test- und Iterationszwecken erstellen, besonders bei der Arbeit mit Code. Dieser Ansatz ermöglicht es Claude, Dateien, insbesondere Python-Skripte, als „temporären Notizblock" zu verwenden, bevor es seine endgültige Ausgabe speichert. Die Verwendung temporärer Dateien kann die Ergebnisse besonders für agentische Coding-Anwendungsfälle verbessern.

Wenn du die Erstellung neuer Dateien minimieren möchtest, kannst du Claude anweisen, hinter sich aufzuräumen:

If you create any temporary new files, scripts, or helper files for iteration, clean up
these files by removing them at the end of the task.



Übereifer

Claude Opus 4.5 und Claude Opus 4.6 neigen dazu, zu over-engineeren, indem sie zusätzliche Dateien erstellen, unnötige Abstraktionen hinzufügen oder Flexibilität einbauen, die nicht angefordert wurde. Wenn du dieses unerwünschte Verhalten siehst, füge spezifische Anweisungen hinzu, um Lösungen minimal zu halten.

Zum Beispiel:

Avoid over-engineering. Only make changes that are directly requested or clearly
necessary. Keep solutions simple and focused:

- Scope: Don't add features, refactor code, or make "improvements" beyond what was
asked. A bug fix doesn't need surrounding code cleaned up. A simple feature doesn't need
extra configurability.

- Documentation: Don't add docstrings, comments, or type annotations to code you didn't
change. Only add comments where the logic isn't self-evident.

- Defensive coding: Don't add error handling, fallbacks, or validation for scenarios
that can't happen. Trust internal code and framework guarantees. Only validate at system
boundaries (user input, external APIs).

- Abstractions: Don't create helpers, utilities, or abstractions for one-time
operations. Don't design for hypothetical future requirements. The right amount of
complexity is the minimum needed for the current task.



Vermeide Fokus auf das Bestehen von Tests und Hard-Coding

Claude kann sich manchmal zu stark darauf konzentrieren, Tests zum Bestehen zu bringen, auf Kosten allgemeinerer Lösungen, oder kann Workarounds wie Helper-Skripte für komplexes Refactoring verwenden, anstatt Standard-Tools direkt zu nutzen. Um dieses Verhalten zu verhindern und robuste, generalisierbare Lösungen sicherzustellen:

Please write a high-quality, general-purpose solution using the standard tools
available. Do not create helper scripts or workarounds to accomplish the task more
efficiently. Implement a solution that works correctly for all valid inputs, not just
the test cases. Do not hard-code values or create solutions that only work for specific
test inputs. Instead, implement the actual logic that solves the problem generally.

Focus on understanding the problem requirements and implementing the correct algorithm.
Tests are there to verify correctness, not to define the solution. Provide a principled
implementation that follows best practices and software design principles.

If the task is unreasonable or infeasible, or if any of the tests are incorrect, please
inform me rather than working around them. The solution should be robust, maintainable,
and extendable.



Minimierung von Halluzinationen beim agentischen Coding

Claudes neueste Modelle sind weniger anfällig für Halluzinationen und geben genauere, fundiertere, intelligentere Antworten basierend auf dem Code. Um dieses Verhalten noch weiter zu fördern und Halluzinationen zu minimieren:

<investigate_before_answering>
Never speculate about code you have not opened. If the user references a specific file,
you MUST read the file before answering. Make sure to investigate and read relevant
files BEFORE answering questions about the codebase. Never make any claims about code
before investigating unless you are certain of the correct answer - give grounded and
hallucination-free answers.
</investigate_before_answering>



Fähigkeitsspezifische Tipps



Verbesserte Vision-Fähigkeiten

Claude Opus 4.5 und Claude Opus 4.6 haben verbesserte Vision-Fähigkeiten im Vergleich zu früheren Claude-Modellen. Sie schneiden besser bei Bildverarbeitungs- und Datenextraktionsaufgaben ab, besonders wenn mehrere Bilder im Kontext vorhanden sind. Diese Verbesserungen übertragen sich auf Computer Use, wo die Modelle Screenshots und UI-Elemente zuverlässiger interpretieren können. Du kannst diese Modelle auch verwenden, um Videos zu analysieren, indem du sie in Frames aufteilst.

Eine Technik, die sich als effektiv erwiesen hat, um die Leistung weiter zu steigern, ist, Claude ein Crop-Tool oder einen Skill zu geben. Tests haben eine konsistente Verbesserung bei Bild-Evaluierungen gezeigt, wenn Claude in relevante Bereiche eines Bildes „hineinzoomen" kann. Anthropic hat ein Cookbook für das Crop-Tool erstellt.



Frontend-Design

Claude Opus 4.5 und Claude Opus 4.6 zeichnen sich durch das Erstellen komplexer, realer Webanwendungen mit starkem Frontend-Design aus. Ohne Anleitung können Modelle jedoch auf generische Muster zurückfallen, die das erzeugen, was Nutzer als „AI slop"-Ästhetik bezeichnen. Um unverwechselbare, kreative Frontends zu erstellen, die überraschen und begeistern:

Hier ist ein System-Prompt-Snippet, das du verwenden kannst, um besseres Frontend-Design zu fördern:

<frontend_aesthetics>
You tend to converge toward generic, "on distribution" outputs. In frontend design, this
creates what users call the "AI slop" aesthetic. Avoid this: make creative, distinctive
frontends that surprise and delight.

Focus on:
- Typography: Choose fonts that are beautiful, unique, and interesting. Avoid generic
fonts like Arial and Inter; opt instead for distinctive choices that elevate the
frontend's aesthetics.
- Color & Theme: Commit to a cohesive aesthetic. Use CSS variables for consistency.
Dominant colors with sharp accents outperform timid, evenly-distributed palettes. Draw
from IDE themes and cultural aesthetics for inspiration.
- Motion: Use animations for effects and micro-interactions. Prioritize CSS-only
solutions for HTML. Use Motion library for React when available. Focus on high-impact
moments: one well-orchestrated page load with staggered reveals (animation-delay)
creates more delight than scattered micro-interactions.
- Backgrounds: Create atmosphere and depth rather than defaulting to solid colors. Layer
CSS gradients, use geometric patterns, or add contextual effects that match the overall
aesthetic.

Avoid generic AI-generated aesthetics:
- Overused font families (Inter, Roboto, Arial, system fonts)
- Clichéd color schemes (particularly purple gradients on white backgrounds)
- Predictable layouts and component patterns
- Cookie-cutter design that lacks context-specific character

Interpret creatively and make unexpected choices that feel genuinely designed for the
context. Vary between light and dark themes, different fonts, different aesthetics. You
still tend to converge on common choices (Space Grotesk, for example) across
generations. Avoid this: it is critical that you think outside the box!
</frontend_aesthetics>

Du kannst auch auf die vollständige Skill-Definition verweisen.



Migrationsüberlegungen

Bei der Migration zu Claude 4.6-Modellen von früheren Generationen:

1. Sei spezifisch bezüglich des gewünschten Verhaltens: Erwäge, genau zu beschreiben, was du in der Ausgabe sehen möchtest.

2. Formuliere deine Anweisungen mit Modifikatoren: Das Hinzufügen von Modifikatoren, die Claude ermutigen, die Qualität und Detailtiefe seiner Ausgabe zu erhöhen, kann helfen, Claudes Leistung besser zu formen. Zum Beispiel statt „Erstelle ein Analytics-Dashboard" verwende „Erstelle ein Analytics-Dashboard. Füge so viele relevante Features und Interaktionen wie möglich hinzu. Gehe über die Grundlagen hinaus, um eine voll ausgestattete Implementierung zu erstellen."

3. Fordere spezifische Features explizit an: Animationen und interaktive Elemente sollten explizit angefordert werden, wenn gewünscht.

4. Aktualisiere die Thinking-Konfiguration: Claude 4.6-Modelle verwenden adaptives Denken (thinking: {type: "adaptive"}) anstelle von manuellem Thinking mit budget_tokens. Verwende den effort-Parameter, um die Denktiefe zu steuern.

5. Migriere weg von vorausgefüllten Antworten: Vorausgefüllte Antworten im letzten Assistant-Turn werden ab den Claude 4.6-Modellen nicht mehr unterstützt. Siehe Migration weg von vorausgefüllten Antworten für detaillierte Hinweise zu Alternativen.

6. Passe Anti-Faulheits-Prompting an: Wenn deine Prompts das Modell zuvor zu mehr Gründlichkeit oder aggressiverer Tool-Nutzung ermutigt haben, nimm diese Anweisungen zurück. Claude 4.6-Modelle sind deutlich proaktiver und können bei Anweisungen, die für frühere Modelle nötig waren, zu häufig auslösen.

Detaillierte Migrationsschritte findest du im Migrationsleitfaden.



Migration von Claude Sonnet 4.5 zu Claude Sonnet 4.6

Siehe Migration von Sonnet 4.5 im Migrationsleitfaden, der die Änderung des Effort-Standardwerts und beide Migrationspfade für erweitertes Denken behandelt.