Prompting für Claude Opus 5

Dieser Leitfaden behandelt die Prompting-Muster, die spezifisch für Claude Opus 5 sind. Zu den Fähigkeiten des Modells und den API-Änderungen siehe Was ist neu in Claude Opus 5. Zu Techniken, die für alle aktuellen Claude-Modelle gelten, siehe Best Practices für das Prompting.

Claude Opus 5 ist für komplexes agentisches Coding und Unternehmensarbeit gebaut, mit besonderen Stärken bei agentischen Aufgaben mit langem Zeithorizont. Es funktioniert ohne Anpassungen gut mit bestehenden Prompts für Claude Opus 4.8. Die folgenden Muster behandeln die Verhaltensweisen, die am häufigsten eine Feinabstimmung erfordern.

Verbesserungen der Fähigkeiten

Im Vergleich zu Claude Opus 4.8 sind die für das Prompting relevantesten Verbesserungen:

• Agentisches Coding: Claude Opus 5 ist am stärksten bei schwierigen Coding-Aufgaben: Features über mehrere Dateien, größere Refactorings und End-to-End-Feature-Arbeit. Es schließt vollständige Aufgaben ab, anstatt Stubs oder Platzhalter zu hinterlassen, und es arbeitet am besten, wenn es die vollständige Aufgabenspezifikation vorab erhält und dann laufen gelassen wird. Es schneidet auch bei einfacheren Aufgaben wie Single-Turn-Bearbeitungen gut ab, wo der Unterschied zu früheren Modellen geringer ist.
• Code-Review und Fehlersuche: Claude Opus 5 überprüft Code mit hoher Präzision und hohem Recall: Es findet echte Bugs mit einer hohen Rate pro Durchlauf, und seine zusätzlichen Befunde sind überwiegend echte Probleme statt Fehlalarme. Die Genauigkeit bleibt bei niedrigeren Effort-Einstellungen erhalten, was einen schnellen Durchlauf zum Review-Zeitpunkt und einen gründlicheren Durchlauf später ermöglicht. Wenn dein Review-Prompt „melde nur Probleme mit hohem Schweregrad“ oder „sei konservativ“ sagt, befolgt das Modell diese Anweisung möglicherweise wörtlich und meldet weniger; bitte es stattdessen, alles zu melden, und filtere in einem separaten Durchlauf.
• Effizienz bei niedrigerem Effort: low und medium Effort (Aufwand) liefern starke Qualität bei einem Bruchteil der Token und der Latenz höherer Einstellungen. Beginne mit dem Standard (high) und passe ihn anhand deiner Evals an: Verwende low und medium großzügig als deine primäre Steuerung für Token-Kosten und Antwortzeit, wo immer die Qualität erhalten bleibt, und steige für anspruchsvolle Coding- und agentische Arbeit auf xhigh hoch. Wenn du Effort-Standardwerte von einem früheren Modell übernommen hast, führe erneut einen Effort-Sweep auf deinen eigenen Evals durch. Siehe Effort für die vollständigen Empfehlungen.
• Vision: Claude Opus 5 ist stark beim Verständnis von Diagrammen, Dokumenten und Schaubildern sowie bei der visuellen Nachbildung von UIs und Frontends. Validiere alle promptseitigen Vision-Workarounds erneut, die du für frühere Modelle abgestimmt hast; sie werden möglicherweise nicht mehr benötigt. Die Vision-Leistung ist am stärksten, wenn das Modell Tools hat, um seine Arbeit iterativ zu analysieren, zuzuschneiden und visuell zu überprüfen, und Tool-Nutzung ist ein kosteneffektiverer Hebel als Denken allein.
• Arbeit mit langem Kontext: Claude Opus 5 hat ein „context window“ (Kontextfenster) von 1 Mio. Token sowohl als Standard als auch als Maximum, und seine Anweisungsbefolgung, seine Tool-Aufrufe und sein Schlussfolgern bleiben über das gesamte Fenster hinweg konsistent.
• Office- und Dokumentaufgaben: Claude Opus 5 erzeugt und bearbeitet komplexe Tabellenkalkulationen mit mehreren Blättern und nicht-trivialen Formeln, und es erstellt gut strukturierte Foliensätze. Gib ihm im Prompt alle spezifischen Stile oder Vorlagen vor, die es befolgen soll.
• Multi-Agenten-Koordination: Claude Opus 5 koordiniert Teams von Subagenten gut, mit effektiven Writer-Verifier-Mustern und wenigen Fällen, in denen Agenten die Arbeit anderer überschreiben. Begrenze bei kostensensiblen Workloads die Delegation; siehe Steuerung des Startens von Subagenten.

Antwortlänge und Ausführlichkeit

Die standardmäßigen nutzerseitigen Antworten von Claude Opus 5 fallen länger aus als die früherer Opus-Modelle. Der Effort-Parameter steuert, wie viel das Modell denkt, und nicht, wie viel es sagt: Das Senken des Efforts kann das Denkvolumen reduzieren, ohne die sichtbare Antwort zuverlässig zu verkürzen. Um die Antwortlänge zu steuern, fordere sie explizit im Prompt an.

Eine kurze Anweisung zur Prägnanz ist wirksam. Zum Beispiel für ein nutzerseitiges Multi-Turn-Produkt:

Keep responses focused, brief, and concise. Keep disclaimers and caveats short, and spend most of the response on the main answer. When asked to explain something, give a high-level summary unless an in-depth explanation is specifically requested.

Kombiniere die Anweisung in einem langen System-Prompt mit einer kurzen Erinnerung gegen Ende des Prompts:

<tone_preference>
Keep outputs reasonably concise.
</tone_preference>

Nutzerseitige Fortschrittsmeldungen

Claude Opus 5 erzählt während agentischer Arbeit bereitwillig: Es neigt dazu, anzukündigen, was es gleich tun wird, und seine Ausgabe pro Nachricht in agentischen Sitzungen ist oft länger als bei früheren Modellen. Es profitiert von expliziter Anleitung dazu, wie es während einer Aufgabe mit dem Nutzer kommunizieren soll. Um die Erzählung zu reduzieren, beschreibe den Rhythmus und die Form, die du möchtest:

Before your first tool call, say in one sentence what you're about to do. While working, give a brief update only when you find something important or change direction. When you finish, lead with the outcome: your first sentence should answer "what happened" or "what did you find," with supporting detail after it for readers who want it.

Um die Erzählung zu verstärken oder ihren Stil zu ändern, gilt derselbe Hebel in die andere Richtung: Beschreibe explizit, wie Updates aussehen sollen, und gib Beispiele. Positive Beispiele für den gewünschten Kommunikationsstil sind in der Regel wirksamer als Anweisungen darüber, was nicht zu tun ist.

Länge schriftlicher Arbeitsergebnisse

Unabhängig von der Ausführlichkeit im Gespräch sind Dateien, die Claude Opus 5 auf die Festplatte schreibt (Berichte, Markdown-Dokumente, Zusammenfassungen), oft länger als bei früheren Modellen. Wenn dein Produkt von Claude verfasste Dokumente enthält, füge eine explizite Längenkalibrierung hinzu:

Match the length of written documents to what the task needs: cover the substance, but do not pad with filler sections, redundant summaries, or boilerplate.

Aufgabenumfang und Überverifizierung

Claude Opus 5 überprüft seine eigene Arbeit, ohne dazu aufgefordert zu werden. Wenn dein Prompt explizite Verifizierungsanweisungen enthält („füge bei jeder nicht-trivialen Aufgabe einen abschließenden Verifizierungsschritt ein“, „verwende einen Subagenten zur Verifizierung“), entferne sie: Anweisungen wie diese verursachen bei Claude Opus 5 Überverifizierung, und ihr Entfernen reduziert verschwendete Token ohne Qualitätsverlust. Dasselbe gilt für veraltetes Harness-Scaffolding, das separate Verifizierungsschritte hinzufügt.

Claude Opus 5 kann auch den Umfang einer Aufgabe erweitern, indem es Schritte hinzufügt, die nicht angefordert wurden, oder sein eigenes Urteil darüber anwendet, was die Aufgabe sein sollte. Begrenze bei eng gefassten Aufgaben den Umfang explizit:

Deliver what was asked, at the scope intended. Make routine judgment calls yourself, and check in only when different readings of the request would lead to materially different work. If the request seems mistaken or a better approach exists, say so in a sentence and continue with the task as asked rather than quietly narrowing, widening, or transforming it. Finish the whole task, and stop short of actions that are clearly beyond what was asked.

Steuerung des Startens von Subagenten

Claude Opus 5 delegiert bereitwilliger an Subagenten als frühere Modelle. Delegation zahlt sich bei wirklich unabhängigen, umfangreichen Arbeitssträngen aus, vervielfacht aber Kosten und Zeit, wenn sie auf kleine Aufgaben angewendet wird. Wenn dein Harness Subagenten unterstützt, gib explizite Anleitung dazu, welche Szenarien eine Delegation rechtfertigen, oder setze deterministische Obergrenzen dafür, wie viele Agenten gestartet werden können. Zum Beispiel:

Delegate to a subagent only for large tasks that are genuinely independent and parallelizable, such as a wide multi-file investigation. Do not delegate work you can finish yourself in a handful of tool calls, and do not use subagents to verify or double-check your own work. If one subagent can complete the task, use one rather than several, and keep spawn counts low.

Wenn dein Harness Claude Code oder das Claude Agent SDK ist, sind die deterministischen Obergrenzen die Umgebungsvariablen CLAUDE_CODE_MAX_SUBAGENT_SPAWN_DEPTH und CLAUDE_CODE_MAX_CONCURRENT_SUBAGENTS sowie die SDK-Option max_budget_usd. Sie erfordern Claude Code 2.1.217 oder neuer, aktualisiere also ein fest gepinntes SDK, bevor du es auf Claude Opus 5 richtest. Claude Code fügt bei Claude Opus 5 nur dann eine eigene Delegationsanweisung hinzu, wenn du sein System-Prompt-Preset claude_code verwendest; bei einem benutzerdefinierten oder weggelassenen System-Prompt füge selbst eine Delegationsanweisung wie das Beispiel in diesem Abschnitt hinzu. Siehe Subagenten-Tiefe, Parallelität und Ausgaben begrenzen in der Agent-SDK-Dokumentation.

Selbstkorrektur

Claude Opus 5 erkennt und behebt seine eigenen Fehler gut, ohne dazu aufgefordert zu werden. Vermeide es, erneute Prüfungen anzuweisen, die es bereits durchführt („überprüfe deine Antwort doppelt“, „verifiziere erneut, bevor du antwortest“); wie Verifizierungsanweisungen verstärken sich diese mit dem eigenen Verhalten des Modells und erhöhen die Kosten, ohne die Ergebnisse zu verbessern.

Das Modell erzählt außerdem Korrekturen seiner früheren Aussagen häufiger als frühere Modelle, was in nutzerseitigen Produkten unerwünscht sein kann. Um die Korrekturerzählung auf Korrekturen zu beschränken, die wichtig sind:

Only correct an earlier statement when the error would change the user's code, conclusions, or decisions. State corrections plainly and briefly, then continue the task. For slips that change nothing for the user, make the fix and move on without noting it.

Betrieb mit deaktiviertem Denken

Claude Opus 5 läuft standardmäßig mit aktiviertem Denken, und das Denken kann nur bei Effort high oder darunter deaktiviert werden; siehe den Migrationsleitfaden. Bei deaktiviertem Denken können gelegentlich zwei Artefakte in der sichtbaren Ausgabe des Modells auftreten. Die primäre Gegenmaßnahme für beide ist, das Denken aktiviert zu lassen und die Token-Kosten mit niedrigeren Effort-Stufen zu steuern, anstatt das Denken zu deaktivieren: Bei den meisten Aufgaben schneidet aktiviertes Denken bei low Effort besser ab als deaktiviertes Denken bei ähnlichen Kosten.

Tool-Aufrufe als Text. Bei deaktiviertem Denken schreibt das Modell gelegentlich einen Tool-Aufruf in seinen nutzerseitigen Text, anstatt einen strukturierten tool_use-Block auszugeben. Der Turn wird normal abgeschlossen und der Aufruf wird nie ausgeführt, und in agentischen Schleifen bleibt der durchgesickerte Text im Gesprächsverlauf, sodass auch spätere Turns betroffen sind. Dies tritt am häufigsten bei Tool-intensiven Workloads wie der Suche auf.

Interne XML-Tags in der Ausgabe. Bei deaktiviertem Denken kann das Modell <thinking>-Tags oder andere interne XML-Tags in seine sichtbare Antwort ausgeben. Wenn dein System-Prompt eine Regel enthält, die das Modell anweist, nicht zu denken oder nicht zu schlussfolgern, entferne sie; diese Art von Anweisung erhöht das Durchsickern von Tags.

Für Integrationen, die das Denken deaktiviert lassen müssen, mildert eine einzige kombinierte Anweisung beide Artefakte: Sie gibt dem Modell die explizite Erlaubnis, vor einem Tool-Aufruf zu sprechen, eine Alternative zum Erzwingen eines Aufrufs, wenn kein Tool passt, und eine allgemeine Regel gegen interne Tags:

When you use a tool, you may say a brief sentence first. If no tool can express what the user asked for, say so instead of guessing. Do not include internal or system XML tags in your response.

Anweisungen, die Thinking-Tags namentlich nennen, sind weniger wirksam als die allgemeine Form, vermeide es also, sie spezifisch zu benennen.