Prompting für Claude Sonnet 5

Dieser Leitfaden behandelt die Prompting-Muster, die spezifisch für Claude Sonnet 5 sind. Informationen zu den Fähigkeiten des Modells und API-Änderungen findest du unter Was ist neu in Claude Sonnet 5. Techniken, die für alle aktuellen Claude-Modelle gelten, findest du unter Best Practices für Prompting.

Claude Sonnet 5 hat besondere Stärken bei Coding- und agentischen Aufgaben. Es funktioniert von Haus aus gut mit bestehenden Prompts für Claude Sonnet 4.6. Die Muster in diesem Leitfaden behandeln die Verhaltensweisen, die am häufigsten eine Feinabstimmung erfordern.



Antwortlänge und Ausführlichkeit

Claude Sonnet 5 kalibriert die Antwortlänge anhand der Komplexität der Aufgabe, anstatt standardmäßig eine feste Ausführlichkeit zu verwenden. Das bedeutet in der Regel kürzere Antworten bei einfachen Nachschlageanfragen und längere bei offenen Analysen.

Wenn dein Produkt von einem bestimmten Stil oder einer bestimmten Ausführlichkeit der Ausgabe abhängt, musst du möglicherweise deine Prompts 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 bestimmte Arten von Ausführlichkeit beobachtest (wie übermäßiges Erklären), kannst du zusätzliche Anweisungen in deinem Prompt hinzufügen, um diese zu verhindern. Positive Beispiele, die zeigen, wie Claude mit dem angemessenen Maß an Prägnanz kommunizieren kann, sind tendenziell effektiver 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, die Intelligenz von Claude gegen den Token-Verbrauch abzuwägen und so Leistungsfähigkeit gegen höhere Geschwindigkeit und niedrigere Kosten einzutauschen. Bei Claude Sonnet 5 ist Effort standardmäßig auf high gesetzt, genau wie bei Claude Sonnet 4.6. Für die schwierigsten Coding- und agentischen Aufgaben erhöhe Effort auf xhigh. Experimentiere mit anderen Effort-Stufen, um Token-Verbrauch und Intelligenz weiter abzustimmen:

• max: Absolute maximale Leistungsfähigkeit ohne Einschränkungen beim Token-Verbrauch.
• xhigh: Extra hoher Effort ist die empfohlene Einstellung für die schwierigsten Coding- und agentischen Anwendungsfälle.
• high: Die Standardeinstellung. Diese Einstellung balanciert Token-Verbrauch und Intelligenz für die meisten Anwendungsfälle.
• medium: Gut für kostensensible Anwendungsfälle, die den Token-Verbrauch reduzieren müssen und dafür Intelligenz eintauschen.
• low: Reserviere dies für kurze, eng umrissene Aufgaben und latenzempfindliche Workloads, die nicht intelligenzempfindlich sind.

Als grobe modellübergreifende Zuordnung bei der Migration: Claude Sonnet 5 auf medium ist in der Intelligenz vergleichbar mit Claude Sonnet 4.6 auf high, und Claude Sonnet 5 auf high ist vergleichbar mit Claude Sonnet 4.6 auf max. Beim Benchmarking solltest du nach beobachteter Denklänge abgleichen, nicht nach dem Effort-Namen.

Claude Sonnet 5 hält sich strikt an die Effort-Stufen, besonders am unteren Ende. Bei low und medium beschränkt das Modell seine Arbeit auf das, was angefragt 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 von zu oberflächlichem Denken.

Wenn du bei komplexen Problemen oberflächliches Reasoning beobachtest, erhöhe Effort auf high oder xhigh, anstatt das Problem über Prompting zu umgehen. Wenn du Effort aus Latenzgründen auf low belassen musst, füge gezielte Anweisungen hinzu:

This task involves multi-step reasoning. Think carefully through the problem before responding.

Bei Claude Sonnet 5 ist adaptives Denken standardmäßig aktiviert. Anfragen ohne thinking-Feld laufen mit adaptivem Denken. Das ist eine Änderung gegenüber Claude Sonnet 4.6, wo dieselben Anfragen ohne Denken liefen. Um das Denken vollständig auszuschalten, übergib thinking: {type: "disabled"}. Da max_tokens eine harte Grenze für die Gesamtausgabe ist (Denken plus Antworttext), solltest du diesen Wert für Workloads überprüfen, die bei Claude Sonnet 4.6 ohne Denken liefen. Wenn du zuvor bei Claude Sonnet 4.6 mit deaktiviertem Denken gearbeitet hast, probiere bei Claude Sonnet 5 aktiviertes Denken mit niedrigeren Effort-Stufen aus.

Das Auslöseverhalten für adaptives Denken ist steuerbar. Wenn du feststellst, dass das Modell häufiger Denkblöcke ausgibt, als dir lieb ist – was bei großen oder komplexen System-Prompts vorkommen kann –, füge Anweisungen hinzu, um es zu steuern. Wie immer solltest du die Auswirkung von Prompting-Änderungen auf die Leistung messen. Beispiel:

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.

Umgekehrt gilt: Wenn du schwierige Workloads auf medium ausführst und zu oberflächliches Denken beobachtest, ist der erste Hebel, Effort zu erhöhen. Wenn du feinere Kontrolle benötigst, fordere sie direkt im Prompt an.

Manuelles erweitertes Denken (thinking: {type: "enabled", budget_tokens: N}) wird bei Claude Sonnet 5 nicht unterstützt und gibt einen 400-Fehler zurück. Es wurde bei Claude Sonnet 4.6 als veraltet markiert und ist jetzt entfernt. Verwende stattdessen adaptives Denken mit dem Effort-Parameter.



Auslösung der Tool-Nutzung

Claude Sonnet 5 ist standardmäßig agentischer als Claude Sonnet 4.6 und greift bereitwilliger zu Tools und führt Selbstverifizierungsschleifen aus. Bei deaktiviertem Denken ist es weniger wahrscheinlich, dass das Modell zu Tools greift oder eine Suche in Betracht zieht; wenn du bei deaktiviertem Denken auf Tool-Aufrufe angewiesen bist, füge einen expliziten Hinweis im System-Prompt hinzu. Effort ist ebenfalls ein Hebel für die Tool-Nutzung: Die Effort-Einstellungen high oder xhigh zeigen deutlich mehr Tool-Nutzung bei agentischer Suche und Coding. Für Szenarien, in denen du mehr Tool-Nutzung möchtest, kannst du auch deinen Prompt anpassen, um das Modell explizit anzuweisen, wann und wie es seine Tools richtig verwenden soll. Wenn du beispielsweise feststellst, dass das Modell deine Websuche-Tools nicht verwendet, beschreibe klar, warum und wie es das tun sollte.



Fortschrittsupdates für den Nutzer

Claude Sonnet 5 liefert während langer agentischer Abläufe regelmäßige, qualitativ hochwertigere Updates an den Nutzer. Wenn du Scaffolding hinzugefügt hast, um zwischenzeitliche Statusmeldungen zu erzwingen („Fasse nach jeweils 3 Tool-Aufrufen den Fortschritt zusammen"), versuche, es zu entfernen. Wenn du feststellst, dass die Länge oder der Inhalt der nutzerseitigen Updates von Claude Sonnet 5 nicht gut auf deinen Anwendungsfall abgestimmt sind, beschreibe explizit im Prompt, wie diese Updates aussehen sollten, und liefere Beispiele.



Wörtlichere Befolgung von Anweisungen

Claude Sonnet 5 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 sie funktioniert im Allgemeinen besser für API-Anwendungsfälle mit sorgfältig abgestimmten Prompts, strukturierter Extraktion und Pipelines, bei denen du vorhersehbares Verhalten möchtest. Wenn du möchtest, dass Claude eine Anweisung breit anwendet, 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. Wenn dein Produkt auf eine bestimmte Stimme angewiesen ist, überprüfe deine Stil-Prompts anhand der neuen Baseline.

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

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

Wenn du zuvor auf temperature für stilistische Vielfalt gesetzt hast, beachte, dass das Setzen von temperature, top_p oder top_k auf einen nicht standardmäßigen Wert bei Claude Sonnet 5 einen 400-Fehler zurückgibt. Diese Einschränkung ist neu für Modelle der Sonnet-Klasse. Entferne diese Parameter bei der Migration und verwende stattdessen Anweisungen im System-Prompt, um Ton und Vielfalt zu steuern.



Standardeinstellungen für Design und Frontend

Claude Sonnet 5 kann sich bei offenen Frontend- und Design-Briefings auf einen konsistenten visuellen Standardstil einpendeln. Ein Standard-Hausstil kann für manche Briefings gut wirken, aber für Dashboards, Entwickler-Tools, Fintech, Healthcare oder Enterprise-Apps unpassend erscheinen.

Generische Anweisungen („verwende diese Farbe nicht", „mach es clean und minimal") führen tendenziell dazu, dass das Modell zu einer anderen festen Palette wechselt, anstatt Vielfalt zu erzeugen. Zwei Ansätze funktionieren zuverlässig:

1. Gib eine konkrete Alternative an. Das Modell folgt expliziten 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 Optionen vorschlagen, bevor es baut. Das durchbricht den Standard und gibt Nutzern Kontrolle. Da temperature bei Claude Sonnet 5 nicht akzeptiert wird, ist dieser Ansatz der empfohlene Weg, um über mehrere Durchläufe hinweg deutlich unterschiedliche Design-Richtungen zu erzeugen. Beispiel-Prompt:

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

Um von generischen Mustern wegzusteuern, die Nutzer als „AI-Slop"-Ästhetik bezeichnen, kannst du eine kurze Anweisung in deinen System-Prompt aufnehmen. Der frontend-design Skill bietet eine ausführlichere Behandlung, aber dieser Ausschnitt funktioniert gut zusammen mit den vorangegangenen Ansätzen 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

Token-Verbrauch und Verhalten können sich zwischen autonomen, asynchronen Coding-Agenten mit einem einzigen Nutzer-Turn und interaktiven, synchronen Coding-Agenten mit mehreren Nutzer-Turns unterscheiden. 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 wichtig, die Aufgabe, die Absicht und die relevanten Einschränkungen von vornherein im ersten menschlichen Turn anzugeben. Gut spezifizierte, klare und präzise Aufgabenbeschreibungen von Anfang an können helfen, Autonomie und Intelligenz zu maximieren und gleichzeitig zusätzlichen Token-Verbrauch nach Nutzer-Turns zu minimieren. 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

Wenn dein Code-Review-Harness für ein früheres Modell abgestimmt wurde, siehst du bei Claude Sonnet 5 möglicherweise zunächst einen niedrigeren Recall. Das ist wahrscheinlich ein Harness-Effekt, keine Regression der Fähigkeiten. Wenn ein Review-Prompt Dinge sagt wie „melde nur Probleme mit hohem Schweregrad", „sei konservativ" oder „keine Kleinigkeiten", folgt Claude Sonnet 5 dieser Anweisung möglicherweise treuer als frühere Modelle: Es untersucht den Code möglicherweise genauso gründlich, identifiziert die Bugs und meldet dann keine Befunde, die es als unterhalb deiner angegebenen Schwelle einschätzt. Das kann sich so zeigen, dass das Modell dieselbe Untersuchungstiefe erreicht, aber weniger Untersuchungen in gemeldete Befunde umwandelt, besonders bei Bugs mit niedrigerem Schweregrad. Die Precision steigt typischerweise, aber der gemessene Recall kann sinken, obwohl sich die zugrunde liegende Bug-Finding-Fähigkeit des Modells 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 Verlagern der Konfidenzfilterung aus dem Finding-Schritt heraus hilft oft. Wenn dein Harness eine separate Verifizierungs-, Deduplizierungs- oder Ranking-Stufe hat, sage dem Modell explizit, dass seine Aufgabe in der Finding-Stufe 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 falsches Verhalten, einen Testfehler oder ein irreführendes Ergebnis verursachen könnten; lasse nur Kleinigkeiten wie reine Stil- oder Benennungspräferenzen weg."

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



Computer Use

Claude Sonnet 5 unterstützt die Tool-Version computer_20251124. Die Computer-Use-Fähigkeit funktioniert über verschiedene Auflösungen hinweg, bis zu einer maximalen Auflösung von 2576 px / 3,75 MP. Interne Computer-Use-Tests zeigen, dass das Senden von Bildern in 1080p ein gutes Gleichgewicht 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.