Claude Platform Docs
Best PracticesPrompt Engineering

Prompting für Claude Sonnet 5

Verhaltensunterschiede und Prompting-Muster für Claude Sonnet 5, einschließlich Effort, Standardeinstellungen für adaptives Nachdenken und Tool-Nutzung.

Dieser Leitfaden behandelt die Prompting-Muster, die speziell für Claude Sonnet 5 gelten. Die Spezifikationen des Modells findest du unter 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. Mit bestehenden Prompts für Claude Sonnet 4.6 funktioniert es ohne weitere Anpassungen gut. Die Muster in diesem Leitfaden behandeln die Verhaltensweisen, die am häufigsten eine Feinabstimmung erfordern.

Antwortlänge und Ausführlichkeit

Claude Sonnet 5 passt die Antwortlänge an die Komplexität der Aufgabe an, anstatt standardmäßig eine feste „verbosity“ (Ausführlichkeit) zu verwenden. Das bedeutet in der Regel kürzere Antworten bei einfachen Nachschlageaufgaben und 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 bestimmte Arten von Ausführlichkeit beobachtest (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.

Effort und Denktiefe kalibrieren

Mit dem „effort parameter“ (Aufwandsparameter) kannst du Claudes Intelligenz gegenüber dem Token-Verbrauch abstimmen und dabei Leistungsfähigkeit gegen höhere Geschwindigkeit und geringere Kosten abwägen. 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: Absolut maximale Leistungsfähigkeit ohne Einschränkungen beim Token-Verbrauch.
  • xhigh: Extra hoher Effort ist die empfohlene Einstellung für die schwierigsten Coding- und agentischen Anwendungsfälle.
  • high: Der Standard. Diese Einstellung bringt Token-Verbrauch und Intelligenz für die meisten Anwendungsfälle ins Gleichgewicht.
  • medium: Gut für kostensensible Anwendungsfälle, die den Token-Verbrauch reduzieren müssen und dafür Abstriche bei der Intelligenz in Kauf nehmen.
  • low: Reserviere diese Stufe für kurze, klar abgegrenzte Aufgaben und „latency“-sensible (latenzsensible) Workloads, die nicht intelligenzsensibel 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. Orientiere dich beim Benchmarking an der beobachteten Länge des Nachdenkens statt am Namen der Effort-Stufe.

Claude Sonnet 5 hält sich strikt an die Effort-Stufen, insbesondere am unteren Ende. Bei low und medium beschränkt das Modell seine Arbeit auf das, was verlangt wurde, anstatt über die Anfrage hinauszugehen. Das ist gut für Latenz und Kosten, aber bei mäßig komplexen Aufgaben mit low Effort besteht ein gewisses Risiko von zu wenig Nachdenken.

Wenn du bei komplexen Problemen oberflächliches Schlussfolgern beobachtest, erhöhe Effort auf high oder xhigh, anstatt das Problem per Prompt zu umgehen. Wenn du Effort aus Latenzgründen auf low belassen musst, füge gezielte Hinweise hinzu:

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

Bei Claude Sonnet 5 ist „adaptive thinking“ (adaptives Nachdenken) standardmäßig aktiviert. Anfragen ohne ein thinking-Feld laufen mit adaptivem Nachdenken. Das ist eine Änderung gegenüber Claude Sonnet 4.6, bei dem dieselben Anfragen ohne Nachdenken liefen. Um das Nachdenken vollständig zu deaktivieren, übergib thinking: {type: "disabled"}. Da max_tokens eine harte Grenze für die gesamte Ausgabe ist (Nachdenken plus Antworttext), überprüfe diesen Wert für Workloads, die bei Claude Sonnet 4.6 ohne Nachdenken liefen. Wenn du bisher Claude Sonnet 4.6 mit deaktiviertem Nachdenken verwendet hast, probiere bei Claude Sonnet 5 aktiviertes Nachdenken mit niedrigeren Effort-Stufen aus.

Das Auslöseverhalten für adaptives Nachdenken ist steuerbar. Wenn du feststellst, dass das Modell häufiger Thinking-Blöcke ausgibt, als dir lieb ist, was bei großen oder komplexen System-Prompts vorkommen kann, füge Anweisungen hinzu, um es zu steuern. Miss wie immer die Auswirkungen 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 auf medium ausführst und zu wenig Nachdenken beobachtest, ist der erste Hebel, Effort zu erhöhen. Wenn du eine feinere Steuerung brauchst, fordere es direkt per Prompt an.

Manuelles erweitertes Nachdenken (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 abgekündigt und ist nun entfernt. Verwende stattdessen adaptives Nachdenken mit dem Effort-Parameter.

Auslösen der Tool-Nutzung

Claude Sonnet 5 ist standardmäßig agentischer als Claude Sonnet 4.6 und greift bereitwilliger zu Tools und führt Selbstverifikationsschleifen aus. Bei deaktiviertem Nachdenken greift das Modell seltener zu Tools oder zieht eine Suche in Betracht; wenn du bei deaktiviertem Nachdenken auf Tool-Aufrufe angewiesen bist, füge im System-Prompt einen expliziten Hinweis hinzu. Effort ist ebenfalls ein Hebel für die Tool-Nutzung: Die Effort-Einstellungen high oder xhigh zeigen bei agentischer Suche und beim Coding eine deutlich stärkere Tool-Nutzung. Für Szenarien, in denen du mehr Tool-Nutzung wünschst, kannst du deinen Prompt auch so anpassen, dass er das Modell explizit anweist, 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 sie nutzen soll.

Fortschrittsmeldungen für Benutzer

Claude Sonnet 5 liefert während langer agentischer Abläufe regelmäßige, qualitativ hochwertigere Updates an den Benutzer. Wenn du Gerüste hinzugefügt hast, um Zwischenstatusmeldungen zu erzwingen („Fasse nach jeweils 3 Tool-Aufrufen den Fortschritt zusammen“), versuche, diese zu entfernen. Wenn du feststellst, dass Länge oder Inhalt der benutzerseitigen Updates von Claude Sonnet 5 nicht gut auf deinen Anwendungsfall abgestimmt sind, beschreibe im Prompt explizit, wie diese Updates aussehen sollen, und gib Beispiele an.

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 es leitet keine Anfragen ab, die du nicht gestellt hast. Der Vorteil dieser Wörtlichkeit ist Präzision, und das Modell schneidet im Allgemeinen besser ab bei API-Anwendungsfällen mit sorgfältig abgestimmten Prompts, strukturierter Extraktion und Pipelines, in denen du vorhersehbares 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“).

Tonfall und Schreibstil

Wie bei jedem neuen Modell kann sich der Prosastil bei längeren Texten verändern. Wenn dein Produkt auf eine bestimmte Stimme angewiesen ist, bewerte deine Stil-Prompts anhand der neuen Ausgangsbasis erneut.

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

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

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

Standardverhalten bei Design und Frontend

Claude Sonnet 5 kann sich bei offenen Frontend- und Design-Briefings auf einen einheitlichen visuellen Standardstil einpendeln. Ein solcher Hausstil kann für manche Briefings gut wirken, passt aber möglicherweise schlecht zu Dashboards, Entwicklertools, Fintech-, Gesundheits- oder Unternehmensanwendungen.

Allgemeine Anweisungen („verwende diese Farbe nicht“, „mach es sauber und minimalistisch“) führen eher dazu, dass das Modell auf eine andere feste Farbpalette wechselt, anstatt Vielfalt zu erzeugen. Zwei Ansätze funktionieren zuverlässig:

1. Gib eine konkrete Alternative vor. Das Modell befolgt explizite Vorgaben 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 Erstellen Optionen vorschlagen. Das durchbricht den Standard und gibt Benutzern die Kontrolle. Da temperature bei Claude Sonnet 5 nicht akzeptiert wird, ist dieser Ansatz der empfohlene Weg, um über mehrere Durchläufe hinweg deutlich unterschiedliche Designrichtungen 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 generische Muster zu vermeiden, die Benutzer als „AI slop“-Ästhetik bezeichnen, kannst du eine kurze Anweisung in deinen System-Prompt aufnehmen. Der frontend-design-Skill bietet eine ausführlichere Behandlung, aber dieses Snippet funktioniert gut zusammen mit den vorangehenden 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 Benutzer-Turn und interaktiven, synchronen Coding-Agenten mit mehreren Benutzer-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 menschlichen Interaktionen, die von deinen Nutzern verlangt werden.

Wenn du die Anzahl der erforderlichen Benutzerinteraktionen begrenzt, ist es wichtig, Aufgabe, Absicht und relevante Einschränkungen gleich im ersten menschlichen Turn anzugeben. Gut spezifizierte, klare und genaue Aufgabenbeschreibungen von Anfang an können helfen, Autonomie und Intelligenz zu maximieren und gleichzeitig zusätzlichen Token-Verbrauch nach Benutzer-Turns zu minimieren. Im Gegensatz dazu verringern mehrdeutige oder unzureichend spezifizierte Prompts, die schrittweise über mehrere Benutzer-Turns vermittelt werden, tendenziell die Token-Effizienz und manchmal auch die Leistung.

Code-Review-Harnesses

Wenn dein Code-Review-Harness für ein früheres Modell abgestimmt wurde, siehst du bei Claude Sonnet 5 anfangs möglicherweise einen geringeren Recall. Das ist wahrscheinlich ein Effekt des Harness und keine Verschlechterung der Leistungsfähigkeit. Wenn ein Review-Prompt Dinge sagt wie „melde nur Probleme mit hohem Schweregrad“, „sei konservativ“ oder „sei nicht pedantisch“, befolgt Claude Sonnet 5 diese Anweisung möglicherweise genauer als frühere Modelle: Es untersucht den Code vielleicht genauso gründlich, identifiziert die Bugs und meldet dann keine Befunde, die es unterhalb deiner angegebenen Schwelle einordnet. Das kann sich darin zeigen, dass das Modell dieselbe Untersuchungstiefe erreicht, aber weniger Untersuchungen in gemeldete Befunde umwandelt, insbesondere bei Bugs mit geringerem Schweregrad. Die „precision“ (Präzision) steigt in der Regel, aber der gemessene Recall kann sinken, obwohl sich die zugrunde liegende Fähigkeit des Modells, Bugs zu finden, verbessert hat.

Einige empfohlene Formulierungen für den Prompt:

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 auch ohne einen tatsächlichen zweiten Schritt verwendet werden, aber es hilft oft, die Konfidenzfilterung aus dem Schritt der Befundsuche herauszunehmen. Wenn dein Harness eine separate Verifizierungs-, Deduplizierungs- oder Ranking-Stufe hat, teile dem Modell explizit mit, dass seine Aufgabe in der Phase der Befundsuche die Abdeckung und nicht das Filtern ist.

Wenn du möchtest, dass das Modell in einem einzigen Durchlauf selbst filtert, gib die Meldeschwelle konkret an, 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 deine Prompts anhand einer Teilmenge deiner Evals oder Testfälle, um Verbesserungen bei Recall oder F1-Score zu validieren.

Computernutzung

Claude Sonnet 5 unterstützt „computer use“ (Computernutzung) über das Toolset computer_toolset_20260801 und die Tool-Version computer_20251124. Es unterstützt außerdem das „browser use tool“ (Tool zur Browsernutzung) (browser_toolset_20260801) für Aufgaben innerhalb von Webseiten. Die Fähigkeit zur Computernutzung funktioniert mit verschiedenen Auflösungen, bis zu einer maximalen Auflösung von 2576px / 3,75MP. Interne Tests zur Computernutzung 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; auch das Experimentieren mit Effort-Einstellungen kann helfen, das Verhalten des Modells abzustimmen.

War diese Seite hilfreich?