Prompting für Claude Opus 5

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

Claude Opus 5 ist für komplexes agentisches Coding und Enterprise-Arbeit konzipiert, mit besonderen Stärken bei langfristigen agentischen Aufgaben. Es funktioniert out of the box gut mit bestehenden Claude Opus 4.8 Prompts. Die folgenden Muster behandeln die Verhaltensweisen, die am häufigsten eine Anpassung 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 hinweg, größere Refactorings und End-to-End-Feature-Arbeit. Es schließt vollständige Aufgaben ab, anstatt Stubs oder Platzhalter zu hinterlassen, und es funktioniert am besten, wenn es die vollständige Aufgabenspezifikation im Voraus erhält und dann laufen gelassen wird. Es schneidet auch bei einfacheren Aufgaben wie Single-Turn-Edits gut ab, wo der Unterschied zu früheren Modellen kleiner ist.
• Code-Review und Bug-Finding: Claude Opus 5 überprüft Code mit hoher Präzision und hohem Recall: Es findet echte Bugs mit einer hohen Rate pro Durchlauf, und seine zusätzlichen Funde sind größtenteils echte Probleme statt False Positives. Die Genauigkeit bleibt auch bei niedrigeren Effort-Einstellungen erhalten, was einen schnellen Durchlauf zur Review-Zeit und einen gründlicheren Durchlauf später unterstützt. Wenn dein Review-Prompt sagt „melde nur Probleme mit hohem Schweregrad" oder „sei konservativ", 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 liefern starke Qualität bei einem Bruchteil der Token und Latenz höherer Einstellungen. Beginne mit dem Standard (high) und passe basierend auf deinen Evals an: Verwende low und medium großzügig als deine primäre Steuerung für Token-Kosten und Antwortzeit, wo immer die Qualität erhalten bleibt, und steigere auf xhigh für anspruchsvolle Coding- und agentische Arbeit. Wenn du Effort-Standardwerte von einem früheren Modell übernommen hast, führe einen Effort-Sweep auf deinen eigenen Evals erneut durch. Siehe Effort für die vollständigen Empfehlungen.
• Vision: Claude Opus 5 ist stark im Verständnis von Diagrammen, Dokumenten und Schaubildern sowie bei der visuellen Replikation von UI und Frontend. Validiere alle Prompt-seitigen 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 verifizieren, und Tool-Nutzung ist ein kosteneffektiverer Hebel als Denken allein.
• Arbeit mit langem Kontext: Claude Opus 5 hat ein 1M-Token-Kontextfenster sowohl als Standard als auch als Maximum, und seine Befolgung von Anweisungen, Tool-Aufrufe und sein Reasoning bleiben über das gesamte Fenster hinweg konsistent.
• Office- und Dokumentaufgaben: Claude Opus 5 generiert und arbeitet mit komplexen Tabellenkalkulationen mit mehreren Blättern und nicht-trivialen Formeln und erstellt gut strukturierte Foliensätze. Gib ihm im Prompt alle spezifischen Stile oder Vorlagen vor, denen es folgen soll.
• Multi-Agent-Koordination: Claude Opus 5 koordiniert Teams von Subagenten gut, mit effektiven Writer-Verifier-Mustern und wenigen Fällen, in denen Agenten die Arbeit der anderen überschreiben. Für kostensensible Workloads begrenze die Delegation; siehe Steuerung des Subagent-Spawnings.



Antwortlänge und Ausführlichkeit

Die standardmäßigen nutzerseitigen Antworten von Claude Opus 5 sind länger als die früherer Opus-Modelle. Der Effort-Parameter steuert, wie viel das Modell denkt, 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 effektiv. 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.

In einem langen System-Prompt kombiniere die Anweisung mit einer kurzen Erinnerung am Ende des Prompts:

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



Nutzerseitige Fortschrittsupdates

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

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 tendenziell effektiver als Anweisungen darüber, was nicht zu tun ist.



Länge schriftlicher Ergebnisse

Getrennt von der konversationellen Ausführlichkeit 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 Über-Verifizierung

Claude Opus 5 verifiziert seine eigene Arbeit, ohne dazu aufgefordert zu werden. Wenn dein Prompt explizite Verifizierungsanweisungen enthält („füge einen abschließenden Verifizierungsschritt für jede nicht-triviale Aufgabe hinzu", „verwende einen Subagenten zur Verifizierung"), entferne sie: Solche Anweisungen verursachen bei Claude Opus 5 Über-Verifizierung, und ihr Entfernen reduziert verschwendete Token ohne Qualitätsverlust. Dasselbe gilt für Legacy-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. Für eng umrissene Aufgaben beschränke 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 Subagent-Spawnings

Claude Opus 5 delegiert bereitwilliger an Subagenten als frühere Modelle. Delegation zahlt sich bei wirklich unabhängigen, umfangreichen Arbeitssträngen aus, aber sie vervielfacht Kosten und Zeit, wenn sie auf kleine Aufgaben angewendet wird. Wenn dein Harness Subagenten unterstützt, gib explizite Anleitung, 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.



Selbstkorrektur

Claude Opus 5 erkennt und behebt seine eigenen Fehler gut, ohne dazu aufgefordert zu werden. Vermeide Anweisungen zu erneuten Überprüfungen, 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 auch mehr über Korrekturen seiner früheren Aussagen als frühere Modelle, was in nutzerseitigen Produkten unerwünscht sein kann. Um die Korrektur-Erzählung 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.



Ausführung mit deaktiviertem Denken

Claude Opus 5 läuft standardmäßig mit aktiviertem Denken, und 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 erscheinen. Die primäre Abhilfe für beide besteht darin, das Denken aktiviert zu lassen und die Token-Kosten mit niedrigeren Effort-Stufen zu steuern, anstatt das Denken zu deaktivieren: Für die 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 ist am häufigsten bei tool-lastigen Workloads wie Suche.

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 effektiv als die allgemeine Form, vermeide es also, sie spezifisch zu benennen.