Prompting für Claude Opus 4.8

Dieser Leitfaden behandelt die Prompting-Muster, die spezifisch für Claude Opus 4.8 sind. Für die API-Änderungen beim Wechsel von Claude Opus 4.8 zum neuesten Opus-Modell siehe Migration zu Claude Opus 5 von Claude Opus 4.8. Für Techniken, die für alle aktuellen Claude-Modelle gelten, siehe Best Practices für das Prompting.

Claude Opus 4.8 hat besondere Stärken bei agentischer Arbeit mit langem Zeithorizont, Wissensarbeit, Vision und Gedächtnisaufgaben. Es funktioniert ohne weitere Anpassung gut mit bestehenden Prompts für Claude Opus 4.7. Die folgenden Muster decken die Verhaltensweisen ab, die am häufigsten eine Feinabstimmung erfordern.

Antwortlänge und Ausführlichkeit

Claude Opus 4.8 kalibriert die Antwortlänge danach, wie komplex es die Aufgabe einschätzt, anstatt standardmäßig eine feste „verbosity“ (Ausführlichkeit) zu verwenden. Das bedeutet in der Regel kürzere Antworten bei einfachen Nachschlagefragen und deutlich längere bei offenen Analysen.

Wenn dein Produkt von einem bestimmten Stil oder einer bestimmten Ausführlichkeit der Ausgabe abhängt, musst du deine Prompts möglicherweise anpassen. Um beispielsweise die Ausführlichkeit zu verringern, könntest du Folgendes hinzufügen:

Provide concise, focused responses. Skip non-essential context, and keep examples minimal.

Wenn du konkrete Beispiele für bestimmte Arten von Ausführlichkeit siehst (etwa übermäßiges Erklären), kannst du zusätzliche Anweisungen in deinen Prompt aufnehmen, um sie zu verhindern. Positive Beispiele, die zeigen, wie Claude mit dem angemessenen Maß an Prägnanz kommunizieren kann, sind in der Regel wirksamer als negative Beispiele oder Anweisungen, die dem Modell sagen, was es nicht tun soll.

Kalibrierung von Effort und Denktiefe

Der Effort-Parameter ermöglicht es dir, Claudes Intelligenz gegen den Token-Verbrauch abzuwägen und Leistungsfähigkeit gegen höhere Geschwindigkeit und niedrigere Kosten einzutauschen. Beginne mit der Effort-Stufe xhigh für Coding- und agentische Anwendungsfälle und verwende mindestens high Effort für die meisten intelligenzsensiblen Anwendungsfälle. Experimentiere mit anderen Effort-Stufen, um Token-Verbrauch und Intelligenz weiter abzustimmen:

• max: Max Effort kann in einigen Anwendungsfällen Leistungsgewinne bringen, zeigt aber möglicherweise abnehmende Erträge durch den erhöhten Token-Verbrauch. Diese Einstellung kann außerdem manchmal zu übermäßigem Nachdenken neigen. Teste Max Effort für intelligenzintensive Aufgaben.
• xhigh: Extra High Effort ist die beste Einstellung für die meisten Coding- und agentischen Anwendungsfälle.
• high: Diese Einstellung balanciert Token-Verbrauch und Intelligenz aus. Verwende für die meisten intelligenzsensiblen Anwendungsfälle mindestens high Effort.
• medium: Gut für kostensensible Anwendungsfälle, die den Token-Verbrauch reduzieren müssen und dafür Intelligenz eintauschen.
• low: Reserviere diese Stufe für kurze, klar abgegrenzte Aufgaben und latenzsensible Workloads, die nicht intelligenzsensibel sind.

Claude Opus 4.8 hält sich strikt an Effort-Stufen, insbesondere am unteren Ende. Bei low und medium beschränkt das Modell seine Arbeit auf das, was gefragt wurde, anstatt darüber hinauszugehen. Das ist gut für Latenz und Kosten, aber bei mäßig komplexen Aufgaben, die mit low Effort laufen, besteht ein gewisses Risiko, dass zu wenig nachgedacht wird.

Wenn du bei komplexen Problemen oberflächliches Schlussfolgern beobachtest, erhöhe den Effort auf high oder xhigh, anstatt per Prompt darum herumzuarbeiten. Wenn du den Effort aus Latenzgründen auf low halten musst, füge gezielte Anleitungen hinzu:

This task involves multistep reasoning. Think carefully through the problem before responding.

Effort ist für dieses Modell wahrscheinlich wichtiger als für jedes frühere Opus-Modell, also experimentiere beim Upgrade aktiv damit.

Bei Claude Opus 4.8 ist das Denken deaktiviert, sofern du nicht explizit thinking: {type: "adaptive"} setzt. Das Auslöseverhalten für adaptives Denken ist steuerbar. Wenn du feststellst, dass das Modell häufiger nachdenkt, als du möchtest, was bei großen oder komplexen System-Prompts vorkommen kann, füge Anleitungen hinzu, um es zu steuern. Miss wie immer die Auswirkung jeder Prompt-Änderung auf die Leistung. Beispiel:

Thinking adds latency and should only be used when it will meaningfully improve answer quality — typically for problems that require multistep reasoning. When in doubt, respond directly.

Umgekehrt gilt: Wenn du anspruchsvolle Workloads mit medium ausführst und zu wenig Nachdenken beobachtest, ist der erste Hebel, den Effort zu erhöhen. Wenn du feinere Kontrolle brauchst, fordere sie direkt per Prompt an.

Auslösen der Tool-Nutzung

Claude Opus 4.8 neigt dazu, Schlussfolgern gegenüber Tool-Aufrufen zu bevorzugen. Das führt in den meisten Fällen zu besseren Ergebnissen. Das Erhöhen der Effort-Einstellung ist jedoch ein nützlicher Hebel, um das Maß an „tool use“ (Tool-Nutzung) zu steigern, insbesondere bei Wissensarbeit. Die Effort-Einstellungen high oder xhigh zeigen deutlich mehr Tool-Nutzung bei agentischer Suche und beim Coding. Für Szenarien, in denen du mehr Tool-Nutzung möchtest, kannst du auch deinen Prompt anpassen, um das Modell explizit darüber zu instruieren, wann und wie es seine Tools richtig einsetzen soll. Wenn du beispielsweise feststellst, dass das Modell deine Websuche-Tools nicht verwendet, beschreibe klar, warum und wie es das tun sollte.

Nutzerseitige Fortschrittsmeldungen

Claude Opus 4.8 liefert dem Nutzer über lange agentische Abläufe hinweg regelmäßigere und hochwertigere Updates. Wenn du Scaffolding hinzugefügt hast, um Zwischenstatusmeldungen zu erzwingen („Fasse nach jeweils 3 Tool-Aufrufen den Fortschritt zusammen“), versuche, es zu entfernen. Wenn du feststellst, dass Länge oder Inhalt der nutzerseitigen Updates von Claude Opus 4.8 nicht gut auf deinen Anwendungsfall kalibriert sind, beschreibe im Prompt explizit, wie diese Updates aussehen sollen, und gib Beispiele an.

Wörtlichere Befolgung von Anweisungen

Claude Opus 4.8 interpretiert Prompts wörtlich und explizit, insbesondere bei niedrigeren Effort-Stufen. Es verallgemeinert eine Anweisung nicht stillschweigend von einem Element auf ein anderes und leitet keine Anfragen ab, die du nicht gestellt hast. Der Vorteil dieser Wörtlichkeit ist Präzision und weniger Hin und Her, und sie funktioniert im Allgemeinen besser für API-Anwendungsfälle mit sorgfältig abgestimmten Prompts, strukturierter Extraktion und Pipelines, bei denen du vorhersagbares Verhalten möchtest. Wenn Claude eine Anweisung breit anwenden soll, gib den Geltungsbereich explizit an (zum Beispiel: „Wende diese Formatierung auf jeden Abschnitt an, nicht nur auf den ersten“).

Ton und Schreibstil

Wie bei jedem neuen Modell kann sich der Prosastil bei längeren Texten verschieben. Claude Opus 4.8 tendiert zu einem direkten, meinungsstarken Stil mit minimalen bestätigungsorientierten Formulierungen und sparsamem Emoji-Einsatz. Wenn dein Produkt auf eine bestimmte Stimme angewiesen ist, bewerte Stil-Prompts anhand der neuen Ausgangsbasis neu.

Wenn die Stimme deines Produkts beispielsweise wärmer oder gesprächiger ist, füge hinzu:

Use a warm, collaborative tone. Acknowledge the user's framing before answering.

Steuerung des Erzeugens von Subagenten

Claude Opus 4.8 neigt standardmäßig dazu, weniger Subagenten zu erzeugen. Dieses Verhalten ist jedoch durch Prompting steuerbar; gib Claude Opus 4.8 explizite Anleitungen dazu, wann Subagenten wünschenswert sind. Ein einfaches Beispiel für einen Coding-Anwendungsfall:

Do not spawn a subagent for work you can complete directly in a single response (e.g. refactoring a function you can already see).

Spawn multiple subagents in the same turn when fanning out across items or reading multiple files.

Design- und Frontend-Standardeinstellungen

Claude Opus 4.8 hat ein ausgeprägtes Designgespür mit einem konsistenten Standard-Hausstil: warme cremefarbene/gebrochen weiße Hintergründe (~#F4F1EA), Serifen-Display-Schriften (Georgia, Fraunces, Playfair), kursive Wortakzente und ein Terrakotta-/Bernstein-Akzent. Das wirkt gut bei redaktionellen, Gastgewerbe- und Portfolio-Briefings, fühlt sich aber bei Dashboards, Entwickler-Tools, Fintech, Gesundheitswesen oder Enterprise-Apps unpassend an. Der Standard erscheint in Foliensätzen und Web-UIs.

Dieser Standard ist hartnäckig. Allgemeine Anweisungen („verwende kein Creme“, „mach es sauber und minimal“) verschieben das Modell eher zu einer anderen festen Palette, als dass sie Vielfalt erzeugen. Zwei Ansätze funktionieren zuverlässig:

1. Gib eine konkrete Alternative an. Das Modell befolgt explizite Spezifikationen präzise:

Design a desktop landing page for a supplement brand called AEFRM.

The visual direction should come from a cold monochrome atmosphere using pale silver-gray tones that gradually deepen into blue-gray and near-black, similar to a misted metallic surface.

The page should feel sharp and controlled, with a strong sense of structure and restraint.

Use this tonal system across the full page instead of introducing bright accent colors.

Use the uploaded image on the hero design in black and white.

The layout should be built with clear horizontal sections and a centered max-width container. Use 4px corner radius consistently across cards, buttons, inputs, and media frames. Margins should feel generous, with enough empty space around each section so the page breathes.

Typography should use a square, angular sans-serif with wider letter spacing than usual, especially in headings and navigation, so the text feels more engineered and less compressed. Headline text can be large and uppercase, while supporting copy remains short and sparse. The sub texts should be written with Alumni Sans SC in 4-6px like tiny little texts on corners bottom centre like that.

For the structure, start with a hero section containing a strong product statement, one short supporting paragraph, and a clean product placeholder or packshot frame. Below that, add a benefit grid with three or four blocks, then a formulation or ingredients section, and finally a cta.

Buttons should be flat and precise, with subtle hover changes using transition: all 160ms ease out where brightness and border contrast shift slightly rather than using dramatic motion.

Color palette should stay within this range:
#E9ECEC, #C9D2D4, #8C9A9E, #44545B, #11171B.

2. Lass das Modell vor dem Bauen Optionen vorschlagen. Das durchbricht den Standard und gibt Nutzern Kontrolle. Wenn du dich bisher für Designvielfalt auf temperature verlassen hast, verwende diesen Ansatz; er erzeugt über mehrere Durchläufe hinweg deutlich unterschiedliche Richtungen. Beispiel-Prompt:

Before building, propose 4 distinct visual directions tailored to this brief (each as: bg hex / accent hex / typeface — one-line rationale). Ask the user to pick one, then implement only that direction.

Darüber hinaus benötigt Claude Opus 4.8 weniger Frontend-Design-Prompting als frühere Modelle, um generische Muster zu vermeiden, die Nutzer als „AI slop“-Ästhetik bezeichnen. Bei früheren Modellen empfahl Anthropic einen längeren Prompt-Ausschnitt im frontend-design-Skill. Claude Opus 4.8 generiert jedoch markante, kreative Frontends mit minimaleren Prompting-Anleitungen. Dieser Prompt-Ausschnitt funktioniert gut zusammen mit den vorangehenden Prompting-Ratschlägen für Vielfalt:

<frontend_aesthetics>
NEVER use generic AI-generated aesthetics like overused font families (Inter, Roboto, Arial, system fonts), cliched color schemes (particularly purple gradients on white or dark backgrounds), predictable layouts and component patterns, and cookie-cutter design that lacks context-specific character. Use unique fonts, cohesive colors and themes, and animations for effects and micro-interactions.
</frontend_aesthetics>

Interaktive Coding-Produkte

Der Token-Verbrauch und das Verhalten von Claude Opus 4.8 können sich zwischen autonomen, asynchronen Coding-Agenten mit einem einzigen Nutzer-Turn und interaktiven, synchronen Coding-Agenten mit mehreren Nutzer-Turns unterscheiden. Konkret neigt es dazu, in interaktiven Umgebungen mehr Token zu verbrauchen, vor allem weil es nach Nutzer-Turns mehr nachdenkt. Das kann die Kohärenz über lange Zeithorizonte, die Befolgung von Anweisungen und die Coding-Fähigkeiten in langen, interaktiven Coding-Sitzungen verbessern, geht aber auch mit höherem Token-Verbrauch einher. Um sowohl Leistung als auch Token-Effizienz in Coding-Produkten zu maximieren, verwende xhigh oder high Effort, füge autonome Funktionen wie einen Auto-Modus hinzu und reduziere die Anzahl der von deinen Nutzern erforderlichen menschlichen Interaktionen.

Wenn du die Anzahl der erforderlichen Nutzerinteraktionen begrenzt, ist es natürlich wichtig, Aufgabe, Absicht und relevante Einschränkungen vorab im ersten menschlichen Turn anzugeben. Gut spezifizierte, klare und genaue Aufgabenbeschreibungen vorab bereitzustellen, kann helfen, Autonomie und Intelligenz zu maximieren und gleichzeitig zusätzlichen Token-Verbrauch nach Nutzer-Turns zu minimieren. Da Claude Opus 4.8 autonomer ist als frühere Modelle, hilft dieses Nutzungsmuster, die Leistung zu maximieren. Im Gegensatz dazu neigen mehrdeutige oder unterspezifizierte Prompts, die schrittweise über mehrere Nutzer-Turns vermittelt werden, dazu, die Token-Effizienz und manchmal auch die Leistung relativ zu verringern.

Code-Review-Harnesses

Claude Opus 4.8 ist deutlich besser darin, Bugs zu finden, als frühere Modelle und weist in internen Evals sowohl höheren Recall als auch höhere Precision auf. Wenn dein Code-Review-Harness jedoch auf ein früheres Modell abgestimmt war, siehst du möglicherweise zunächst einen niedrigeren Recall. Das ist wahrscheinlich ein Harness-Effekt und keine Fähigkeitsregression. Wenn ein Review-Prompt Dinge wie „melde nur Probleme mit hohem Schweregrad“, „sei konservativ“ oder „sei nicht kleinlich“ enthält, befolgt Claude Opus 4.8 diese Anweisung möglicherweise treuer als frühere Modelle: Es untersucht den Code vielleicht genauso gründlich, identifiziert die Bugs und meldet dann Befunde nicht, die es als unterhalb deiner angegebenen Schwelle einschätzt. Das kann sich darin zeigen, dass das Modell dieselbe Untersuchungstiefe leistet, aber weniger Untersuchungen in gemeldete Befunde umwandelt, insbesondere bei Bugs mit geringerem Schweregrad. Die Precision steigt typischerweise, aber der gemessene Recall kann sinken, obwohl sich die zugrunde liegende Fähigkeit des Modells, Bugs zu finden, verbessert hat.

Einige empfohlene Prompt-Formulierungen:

Report every issue you find, including ones you are uncertain about or consider low-severity. Do not filter for importance or confidence at this stage - a separate verification step will do that. Your goal here is coverage: it is better to surface a finding that later gets filtered out than to silently drop a real bug. For each finding, include your confidence level and an estimated severity so a downstream filter can rank them.

Dieser Prompt kann verwendet werden, ohne dass es tatsächlich einen zweiten Schritt gibt, aber das Auslagern der Konfidenzfilterung aus dem Befundschritt hilft oft. Wenn dein Harness eine separate Verifizierungs-, Deduplizierungs- oder Ranking-Stufe hat, sage dem Modell explizit, dass seine Aufgabe in der Befundstufe Abdeckung und nicht Filterung ist.

Wenn du möchtest, dass das Modell in einem einzigen Durchgang selbst filtert, sei konkret, wo die Schwelle liegt, anstatt qualitative Begriffe wie „wichtig“ zu verwenden: zum Beispiel „melde alle Bugs, die zu fehlerhaftem Verhalten, einem fehlschlagenden Test oder einem irreführenden Ergebnis führen könnten; lass nur Kleinigkeiten wie reine Stil- oder Benennungspräferenzen weg."

Iteriere Prompts anhand einer Teilmenge deiner Evals oder Testfälle, um Gewinne bei Recall oder F1-Score zu validieren.

Computer Use

Claude Opus 4.8 unterstützt das Toolset computer_toolset_20260801 (auf der Claude API und Google Cloud) sowie die frühere Tool-Version computer_20251124. Für Aufgaben innerhalb von Webseiten unterstützt Claude Opus 4.8 außerdem das Browser-Use-Tool (browser_toolset_20260801). Die Computer-Use-Fähigkeit funktioniert über verschiedene Auflösungen hinweg, bis zu einer maximalen Auflösung von 2576px / 3,75MP. Interne Computer-Use-Tests zeigen, dass das Senden von Bildern in 1080p eine gute Balance zwischen Leistung und Kosten bietet.

Für besonders kostensensible Workloads sind 720p oder 1366×768 kostengünstigere Optionen mit starker Leistung. Führe eigene Tests durch, um die idealen Einstellungen für deinen Anwendungsfall zu finden; das Experimentieren mit Effort-Einstellungen kann ebenfalls helfen, das Verhalten des Modells abzustimmen.