MessagesDenken

Thinking in Tool- und Multi-Turn-Workflows

Gehe einen vollständigen Tool-Use-Roundtrip über zwei Turns durch, der Thinking-Blöcke korrekt bewahrt, und sieh, wie Interleaved Thinking den Ablauf verändert.

Wie „zero data retention" (keine Datenspeicherung), oder ZDR, auf dieses Feature angewendet wird, erfährst du unter API und Datenspeicherung.

Diese Seite führt durch einen vollständigen Tool-Use-Roundtrip über zwei Turns mit aktiviertem Thinking: Claude denkt, fordert einen Tool-Aufruf an, erhält das Ergebnis und schließt seine Antwort ab, wobei die Thinking-Blöcke bei jedem Schritt korrekt behandelt werden. Die vollständigen Regeln findest du auf der Seite Thinking, in Thinking mit Tool-Nutzung und Thinking-Blöcke bewahren; diese Seite zeigt diese Regeln angewendet in ausführbarem Code.

Die Regeln, die dieser Walkthrough anwendet

Jeder Link führt zur vollständigen Erläuterung auf der Thinking-Seite:

Beschränke die Tool-Auswahl im manuellen Modus auf auto oder none: tool_choice-Optionen, die Tool-Nutzung erzwingen, geben bei manuellem erweitertem Denken (thinking: {type: "enabled"}) einen Fehler zurück; adaptives Thinking unterstützt erzwungene Tool-Nutzung.
Behalte eine Thinking-Konfiguration pro Assistant-Turn bei: Eine Tool-Use-Schleife ist ein einzelner Assistant-Turn, ändere die Konfiguration also nur zwischen Turns.
Gib Thinking-Blöcke vollständig und unverändert zurück: Wenn du ein Tool-Ergebnis zurückgibst, müssen die Thinking-Blöcke aus der Assistant-Nachricht mit zurückkommen.
Gib die Assistant-Nachricht exakt so zurück, wie du sie erhalten hast: Das Neuaufbauen der Nachricht oder das Herausfiltern von redacted_thinking-Blöcken löst einen 400-Fehler aus.

Die Beispiele verwenden adaptives Thinking; bei Modellen, die nur erweitertes Denken unterstützen, ersetze es durch thinking: {type: "enabled", budget_tokens: N}. Die Roundtrip-Regeln sind identisch.

Einen Tool-Use-Roundtrip über zwei Turns durchgehen

Das Beispiel definiert ein get_weather-Tool, lässt Claude denken und einen Tool-Aufruf anfordern und gibt dann das Tool-Ergebnis zusammen mit dem Assistant-Turn zurück, der exakt so zurückgegeben wird, wie er empfangen wurde, einschließlich des Thinking-Blocks.

Stelle die erste Anfrage mit einem verfügbaren Tool

Sende eine Anfrage mit aktiviertem adaptivem Thinking und dem definierten Tool. Abgesehen vom thinking-Parameter ist dies eine standardmäßige Tool-Nutzung-Anfrage:


client = anthropic.Anthropic()

weather_tool = {
    "name": "get_weather",
    "description": "Get current weather for a location",
    "input_schema": {
        "type": "object",
        "properties": {"location": {"type": "string", "description": "City name"}},
        "required": ["location"],
    },
}

# Erste Anfrage - Claude antwortet mit Denkprozess und Tool-Anfrage
response = client.messages.create(
    model="claude-opus-4-8",
    max_tokens=16000,
    thinking={"type": "adaptive"},
    tools=[weather_tool],
    messages=[{"role": "user", "content": "What's the weather in Paris?"}],
)
print(response)

Erfasse das Content-Array, um es zurückzugeben
Du solltest thinking-, text- und tool_use-Blöcke im Antwort-Content sehen, wenn Claude sich in diesem Durchlauf für das Denken entschieden hat (bei einfacheren Anfragen kann der adaptive Modus den Thinking-Block überspringen). Behalte dieses Content-Array intakt: Der nächste Schritt sendet es wortwörtlich zurück.
Um Thinking-Text wie in dieser Ausgabe zu sehen, füge display: "summarized" zur Anfrage hinzu. Bei Modellen, bei denen display standardmäßig weggelassen wird, einschließlich claude-opus-4-8, kommt das thinking-Feld andernfalls als leerer String zurück, wobei nur die signature befüllt ist. In beiden Fällen gibst du das Content-Array unverändert zurück; siehe Steuerung der Thinking-Anzeige.
Output
{ "content": [ { "type": "thinking", "thinking": "The user wants to know the current weather in Paris. I have access to a function `get_weather`...", "signature": "BDaL4VrbR2Oj0hO4XpJxT28J5T...." }, { "type": "text", "text": "I can help you get the current weather information for Paris. Let me check that for you" }, { "type": "tool_use", "id": "toolu_01CswdEQBMshySk6Y9DFKrfq", "name": "get_weather", "input": { "location": "Paris" } } ] }

Gib das Tool-Ergebnis zurück und den Assistant-Turn wortwörtlich wieder

Führe das Tool auf deiner Seite aus und sende dann eine zweite Anfrage, die der Konversation zwei Nachrichten anhängt. Die erste ist der Assistant-Content, der exakt so zurückgegeben wird, wie er empfangen wurde, sodass der Thinking-Block neben dem tool_use-Block unverändert bleibt. Die zweite ist eine User-Nachricht, die das tool_result enthält.

Jedes Beispiel ist ein eigenständiges Skript: Es wiederholt die erste Anfrage und sendet dann sofort die Folgeanfrage unter Verwendung der gerade erhaltenen Antwort.


client = anthropic.Anthropic()
weather_tool = {
    "name": "get_weather",
    "description": "Get current weather for a location",
    "input_schema": {
        "type": "object",
        "properties": {"location": {"type": "string", "description": "City name"}},
        "required": ["location"],
    },
}
response = client.messages.create(
    model="claude-opus-4-8",
    max_tokens=16000,
    thinking={"type": "adaptive"},
    tools=[weather_tool],
    messages=[{"role": "user", "content": "What's the weather in Paris?"}],
)
# Extrahiere den tool_use-Block, um seine ID für das Tool-Ergebnis zu erhalten
tool_use_block = next(block for block in response.content if block.type == "tool_use")

# Rufe deine tatsächliche Wetter-API auf, hier würde dein eigentlicher API-Aufruf stehen
# Nehmen wir an, das ist die Antwort, die wir zurückbekommen
weather_data = {"temperature": 88}

# Zweite Anfrage – füge den Assistant-Turn und das Tool-Ergebnis hinzu
continuation = client.messages.create(
    model="claude-opus-4-8",
    max_tokens=16000,
    thinking={"type": "adaptive"},
    tools=[weather_tool],
    messages=[
        {"role": "user", "content": "What's the weather in Paris?"},
        # Gib den Assistant-Inhalt exakt so zurück, wie er empfangen wurde. Wenn ein Thinking-
        # Block vorhanden ist, muss er den tool_use-Block begleiten.
        {"role": "assistant", "content": response.content},
        {
            "role": "user",
            "content": [
                {
                    "type": "tool_result",
                    "tool_use_id": tool_use_block.id,
                    "content": f"Current temperature: {weather_data['temperature']}°F",
                }
            ],
        },
    ],
)
print(continuation)

Lies die finale Antwort
Du solltest sehen, wie Claude den Turn mit Text abschließt. Da Interleaved Thinking im adaptiven Modus automatisch ist, kann die Fortsetzung auch mit einem neuen Thinking-Block vor dem finalen Text beginnen:
Output
{ "content": [ { "type": "text", "text": "Currently in Paris, the temperature is 88°F (31°C)" } ] }

Wie Interleaved Thinking den Ablauf verändert

„Interleaved thinking" (verschachteltes Denken) ermöglicht es Claude, zwischen Tool-Aufrufen zu denken und über jedes Tool-Ergebnis nachzudenken, bevor es darauf reagiert. Das Konzept und die Verfügbarkeit pro Modell werden in Interleaved Thinking auf der Thinking-Seite behandelt; Interleaving ändert, wo Thinking-Blöcke erscheinen, nicht ob Tool-Aufrufe verkettet werden können. Der folgende Vergleich zeigt, was Interleaved Thinking in einem Workflow mit zwei Tools verändert:

Nächste Schritte

Thinking

Die Übersicht: Thinking aktivieren, Thinking-Ausgabe lesen und die vollständigen Regeln für Tool-Nutzung, Caching und Streaming nachlesen.

Thinking steuern

Steuere mit Effort-Levels und promptbasierter Anleitung, wie oft und wie tief Claude denkt.

Erweitertes Denken

Manuelle Thinking-Budgets bei älteren Modellen: budget_tokens-Mechanik und Migration zu adaptiv.

Was this page helpful?

Die Regeln, die dieser Walkthrough anwendet

Jeder Link führt zur vollständigen Erläuterung auf der Thinking-Seite:

Beschränke die Tool-Auswahl im manuellen Modus auf auto oder none: tool_choice-Optionen, die Tool-Nutzung erzwingen, geben bei manuellem erweitertem Denken (thinking: {type: "enabled"}) einen Fehler zurück; adaptives Thinking unterstützt erzwungene Tool-Nutzung.

Behalte eine Thinking-Konfiguration pro Assistant-Turn bei: Eine Tool-Use-Schleife ist ein einzelner Assistant-Turn, ändere die Konfiguration also nur zwischen Turns.

Gib Thinking-Blöcke vollständig und unverändert zurück: Wenn du ein Tool-Ergebnis zurückgibst, müssen die Thinking-Blöcke aus der Assistant-Nachricht mit zurückkommen.

Gib die Assistant-Nachricht exakt so zurück, wie du sie erhalten hast: Das Neuaufbauen der Nachricht oder das Herausfiltern von redacted_thinking-Blöcken löst einen 400-Fehler aus.

Einen Tool-Use-Roundtrip über zwei Turns durchgehen

Stelle die erste Anfrage mit einem verfügbaren Tool

Sende eine Anfrage mit aktiviertem adaptivem Thinking und dem definierten Tool. Abgesehen vom thinking-Parameter ist dies eine standardmäßige Tool-Nutzung-Anfrage:


client = anthropic.Anthropic()

weather_tool = {
    "name": "get_weather",
    "description": "Get current weather for a location",
    "input_schema": {
        "type": "object",
        "properties": {"location": {"type": "string", "description": "City name"}},
        "required": ["location"],
    },
}

# Erste Anfrage - Claude antwortet mit Denkprozess und Tool-Anfrage
response = client.messages.create(
    model="claude-opus-4-8",
    max_tokens=16000,
    thinking={"type": "adaptive"},
    tools=[weather_tool],
    messages=[{"role": "user", "content": "What's the weather in Paris?"}],
)
print(response)

Erfasse das Content-Array, um es zurückzugeben
Du solltest thinking-, text- und tool_use-Blöcke im Antwort-Content sehen, wenn Claude sich in diesem Durchlauf für das Denken entschieden hat (bei einfacheren Anfragen kann der adaptive Modus den Thinking-Block überspringen). Behalte dieses Content-Array intakt: Der nächste Schritt sendet es wortwörtlich zurück.
Um Thinking-Text wie in dieser Ausgabe zu sehen, füge display: "summarized" zur Anfrage hinzu. Bei Modellen, bei denen display standardmäßig weggelassen wird, einschließlich claude-opus-4-8, kommt das thinking-Feld andernfalls als leerer String zurück, wobei nur die signature befüllt ist. In beiden Fällen gibst du das Content-Array unverändert zurück; siehe Steuerung der Thinking-Anzeige.
Output
{ "content": [ { "type": "thinking", "thinking": "The user wants to know the current weather in Paris. I have access to a function `get_weather`...", "signature": "BDaL4VrbR2Oj0hO4XpJxT28J5T...." }, { "type": "text", "text": "I can help you get the current weather information for Paris. Let me check that for you" }, { "type": "tool_use", "id": "toolu_01CswdEQBMshySk6Y9DFKrfq", "name": "get_weather", "input": { "location": "Paris" } } ] }

Gib das Tool-Ergebnis zurück und den Assistant-Turn wortwörtlich wieder

Jedes Beispiel ist ein eigenständiges Skript: Es wiederholt die erste Anfrage und sendet dann sofort die Folgeanfrage unter Verwendung der gerade erhaltenen Antwort.


client = anthropic.Anthropic()
weather_tool = {
    "name": "get_weather",
    "description": "Get current weather for a location",
    "input_schema": {
        "type": "object",
        "properties": {"location": {"type": "string", "description": "City name"}},
        "required": ["location"],
    },
}
response = client.messages.create(
    model="claude-opus-4-8",
    max_tokens=16000,
    thinking={"type": "adaptive"},
    tools=[weather_tool],
    messages=[{"role": "user", "content": "What's the weather in Paris?"}],
)
# Extrahiere den tool_use-Block, um seine ID für das Tool-Ergebnis zu erhalten
tool_use_block = next(block for block in response.content if block.type == "tool_use")

# Rufe deine tatsächliche Wetter-API auf, hier würde dein eigentlicher API-Aufruf stehen
# Nehmen wir an, das ist die Antwort, die wir zurückbekommen
weather_data = {"temperature": 88}

# Zweite Anfrage – füge den Assistant-Turn und das Tool-Ergebnis hinzu
continuation = client.messages.create(
    model="claude-opus-4-8",
    max_tokens=16000,
    thinking={"type": "adaptive"},
    tools=[weather_tool],
    messages=[
        {"role": "user", "content": "What's the weather in Paris?"},
        # Gib den Assistant-Inhalt exakt so zurück, wie er empfangen wurde. Wenn ein Thinking-
        # Block vorhanden ist, muss er den tool_use-Block begleiten.
        {"role": "assistant", "content": response.content},
        {
            "role": "user",
            "content": [
                {
                    "type": "tool_result",
                    "tool_use_id": tool_use_block.id,
                    "content": f"Current temperature: {weather_data['temperature']}°F",
                }
            ],
        },
    ],
)
print(continuation)

Lies die finale Antwort
Du solltest sehen, wie Claude den Turn mit Text abschließt. Da Interleaved Thinking im adaptiven Modus automatisch ist, kann die Fortsetzung auch mit einem neuen Thinking-Block vor dem finalen Text beginnen:
Output
{ "content": [ { "type": "text", "text": "Currently in Paris, the temperature is 88°F (31°C)" } ] }

Wie Interleaved Thinking den Ablauf verändert

Die Regeln, die dieser Walkthrough anwendet

Einen Tool-Use-Roundtrip über zwei Turns durchgehen

Wie Interleaved Thinking den Ablauf verändert

Tool-Nutzung ohne Interleaved Thinking

Tool-Nutzung mit Interleaved Thinking

Nächste Schritte

Die Regeln, die dieser Walkthrough anwendet

Einen Tool-Use-Roundtrip über zwei Turns durchgehen

Wie Interleaved Thinking den Ablauf verändert

Tool-Nutzung ohne Interleaved Thinking

Tool-Nutzung mit Interleaved Thinking

Nächste Schritte

Die Regeln, die dieser Walkthrough anwendet

Einen Tool-Use-Roundtrip über zwei Turns durchgehen

Wie Interleaved Thinking den Ablauf verändert

Nächste Schritte

Die Regeln, die dieser Walkthrough anwendet

Einen Tool-Use-Roundtrip über zwei Turns durchgehen

Wie Interleaved Thinking den Ablauf verändert

Nächste Schritte