Best Practices für Prompting

Dies ist die einzige Referenz für Prompt Engineering mit Claudes neuesten Modellen, einschließlich Claude Opus 4.6, Claude Sonnet 4.6 und Claude Haiku 4.5. Es behandelt grundlegende Techniken, Ausgabekontrolle, Tool-Nutzung, Thinking und agentengesteuerte Systeme. Springen Sie zu dem Abschnitt, der Ihrer Situation entspricht.

Allgemeine Prinzipien

Seien Sie klar und direkt

Claude reagiert gut auf klare, explizite Anweisungen. Die Spezifizierung Ihrer gewünschten Ausgabe kann dazu beitragen, die Ergebnisse zu verbessern. Wenn Sie ein „über das Normale hinausgehendes" Verhalten wünschen, fordern Sie es explizit an, anstatt sich auf das Modell zu verlassen, um dies aus vagen Prompts abzuleiten.

Denken Sie an Claude als einen brillanten, aber neuen Mitarbeiter, dem der Kontext Ihrer Normen und Arbeitsabläufe fehlt. Je präziser Sie erklären, was Sie wollen, desto besser ist das Ergebnis.

Goldene Regel: Zeigen Sie Ihren Prompt einem Kollegen mit minimalem Kontext zur Aufgabe und bitten Sie ihn, ihn zu befolgen. Wenn dieser verwirrt wäre, wird Claude es auch sein.

• Seien Sie spezifisch über das gewünschte Ausgabeformat und die Einschränkungen.
• Geben Sie Anweisungen als sequenzielle Schritte mit nummerierten Listen oder Aufzählungspunkten an, wenn die Reihenfolge oder Vollständigkeit der Schritte wichtig ist.

Fügen Sie Kontext hinzu, um die Leistung zu verbessern

Die Bereitstellung von Kontext oder Motivation hinter Ihren Anweisungen, z. B. die Erklärung gegenüber Claude, warum ein solches Verhalten wichtig ist, kann Claude helfen, Ihre Ziele besser zu verstehen und gezielere Antworten zu liefern.

Claude ist intelligent genug, um aus der Erklärung zu verallgemeinern.

Verwenden Sie Beispiele effektiv

Beispiele sind eine der zuverlässigsten Möglichkeiten, um Claudes Ausgabeformat, Ton und Struktur zu steuern. Einige gut gestaltete Beispiele (bekannt als Few-Shot- oder Multishot-Prompting) können die Genauigkeit und Konsistenz dramatisch verbessern.

Wenn Sie Beispiele hinzufügen, machen Sie sie:

• Relevant: Spiegeln Sie Ihren tatsächlichen Anwendungsfall eng wider.
• Vielfältig: Decken Sie Grenzfälle ab und variieren Sie genug, damit Claude unbeabsichtigte Muster nicht aufgreift.
• Strukturiert: Wickeln Sie Beispiele in <example>-Tags (mehrere Beispiele in <examples>-Tags) ein, damit Claude sie von Anweisungen unterscheiden kann.

Strukturieren Sie Prompts mit XML-Tags

XML-Tags helfen Claude, komplexe Prompts eindeutig zu analysieren, besonders wenn Ihr Prompt Anweisungen, Kontext, Beispiele und variable Eingaben mischt. Das Einwickeln jeder Art von Inhalt in sein eigenes Tag (z. B. <instructions>, <context>, <input>) reduziert Fehlinterpretationen.

Best Practices:

• Verwenden Sie konsistente, aussagekräftige Tag-Namen in Ihren Prompts.
• Verschachteln Sie Tags, wenn Inhalte eine natürliche Hierarchie haben (Dokumente in <documents>, jeweils in <document index="n">).

Geben Sie Claude eine Rolle

Das Festlegen einer Rolle im System-Prompt konzentriert Claudes Verhalten und Ton auf Ihren Anwendungsfall. Selbst ein einzelner Satz macht einen Unterschied:

import anthropic

client = anthropic.Anthropic()

message = client.messages.create(
    model="claude-opus-4-6",
    max_tokens=1024,
    system="You are a helpful coding assistant specializing in Python.",
    messages=[
        {"role": "user", "content": "How do I sort a list of dictionaries by key?"}
    ],
)
print(message.content)

Long-Context-Prompting

Bei der Arbeit mit großen Dokumenten oder datenreichen Eingaben (20k+ Token) strukturieren Sie Ihren Prompt sorgfältig, um die besten Ergebnisse zu erzielen:

• Platzieren Sie langformatige Daten oben: Platzieren Sie Ihre langen Dokumente und Eingaben oben in Ihrem Prompt, über Ihrer Abfrage, Anweisungen und Beispielen. Dies kann die Leistung über alle Modelle hinweg erheblich verbessern.

  Abfragen am Ende können die Antwortqualität in Tests um bis zu 30% verbessern, besonders bei komplexen, mehrdokumentigen Eingaben.

• Strukturieren Sie Dokumentinhalte und Metadaten mit XML-Tags: Bei Verwendung mehrerer Dokumente wickeln Sie jedes Dokument in <document>-Tags mit <document_content>- und <source>-Untertags (und anderen Metadaten) für Klarheit ein.

  Beispiel für Multi-Dokument-Struktur

Modell-Selbstkenntnis

Wenn Sie möchten, dass Claude sich in Ihrer Anwendung korrekt identifiziert oder spezifische API-Strings verwendet:

The assistant is Claude, created by Anthropic. The current model is Claude Opus 4.6.

Für LLM-gestützte Apps, die Modell-Strings angeben müssen:

When an LLM is needed, please default to Claude Opus 4.6 unless the user requests otherwise. The exact model string for Claude Opus 4.6 is claude-opus-4-6.

Ausgabe und Formatierung

Kommunikationsstil und Ausführlichkeit

Claudes neueste Modelle haben einen prägnanten und natürlicheren Kommunikationsstil im Vergleich zu früheren Modellen:

• Direkter und fundierter: Bietet faktengestützte Fortschrittsberichte anstelle von selbstbeglückwünschenden Updates
• Konversationaler: Etwas fließender und umgangssprachlicher, weniger maschinenhaft
• Weniger ausführlich: Kann detaillierte Zusammenfassungen aus Effizienzgründen überspringen, es sei denn, Sie fordern dies explizit an

Dies bedeutet, dass Claude verbale Zusammenfassungen nach Tool-Aufrufen überspringen kann und direkt zur nächsten Aktion springt. Wenn Sie mehr Einblick in sein Denken bevorzugen:

After completing a task that involves tool use, provide a quick summary of the work you've done.

Kontrollieren Sie das Format von Antworten

Es gibt einige besonders effektive Möglichkeiten, um die Ausgabeformatierung zu steuern:

1. Sagen Sie Claude, was er tun soll, anstatt was nicht

   • Anstelle von: "Verwenden Sie kein Markdown in Ihrer Antwort"
   • Versuchen Sie: "Ihre Antwort sollte aus fließenden Prosa-Absätzen bestehen."

2. Verwenden Sie XML-Format-Indikatoren

   • Versuchen Sie: "Schreiben Sie die Prosa-Abschnitte Ihrer Antwort in <smoothly_flowing_prose_paragraphs>-Tags."

3. Passen Sie Ihren Prompt-Stil an den gewünschten Ausgabestil an

   Der Formatierungsstil, der in Ihrem Prompt verwendet wird, kann Claudes Antwortstil beeinflussen. Wenn Sie immer noch Probleme mit der Steuerbarkeit der Ausgabeformatierung haben, versuchen Sie, Ihren Prompt-Stil so nah wie möglich an Ihren gewünschten Ausgabestil anzupassen. Zum Beispiel kann das Entfernen von Markdown aus Ihrem Prompt die Menge an Markdown in der Ausgabe reduzieren.

4. Verwenden Sie detaillierte Prompts für spezifische Formatierungspräferenzen

<avoid_excessive_markdown_and_bullet_points>
When writing reports, documents, technical explanations, analyses, or any long-form content, write in clear, flowing prose using complete paragraphs and sentences. Use standard paragraph breaks for organization and reserve markdown primarily for `inline code`, code blocks (```...```), and simple headings (###, and ###). Avoid using **bold** and *italics*.

DO NOT use ordered lists (1. ...) or unordered lists (*) unless : a) you're presenting truly discrete items where a list format is the best option, or b) the user explicitly requests a list or ranking

Instead of listing items with bullets or numbers, incorporate them naturally into sentences. This guidance applies especially to technical writing. Using prose instead of excessive formatting will improve user satisfaction. NEVER output a series of overly short bullet points.

Your goal is readable, flowing text that guides the reader naturally through ideas rather than fragmenting information into isolated points.
</avoid_excessive_markdown_and_bullet_points>

LaTeX-Ausgabe

Claude Opus 4.6 verwendet standardmäßig LaTeX für mathematische Ausdrücke, Gleichungen und technische Erklärungen. Wenn Sie Klartext bevorzugen, fügen Sie die folgenden Anweisungen zu Ihrem Prompt hinzu:

Format your response in plain text only. Do not use LaTeX, MathJax, or any markup notation such as \( \), $, or \frac{}{}. Write all math expressions using standard text characters (e.g., "/" for division, "*" for multiplication, and "^" for exponents).

Dokumentenerstellung

Claudes neueste Modelle zeichnen sich durch die Erstellung von Präsentationen, Animationen und visuellen Dokumenten mit beeindruckender kreativer Flair und starker Befolgung von Anweisungen aus. Die Modelle produzieren in den meisten Fällen beim ersten Versuch polierte, verwendbare Ausgaben.

Für beste Ergebnisse bei der Dokumentenerstellung:

Create a professional presentation on [topic]. Include thoughtful design elements, visual hierarchy, and engaging animations where appropriate.

Migration weg von vorausgefüllten Antworten

Ab Claude 4.6-Modellen und Claude Mythos Preview werden vorausgefüllte Antworten bei der letzten Assistent-Wendung nicht mehr unterstützt. Bei Mythos Preview geben Anfragen mit vorausgefüllten Assistent-Nachrichten einen 400-Fehler zurück. Die Modellintelligenz und Befolgung von Anweisungen haben sich so weit entwickelt, dass die meisten Anwendungsfälle von Prefill es nicht mehr benötigen. Bestehende Modelle werden Prefills weiterhin unterstützen, und das Hinzufügen von Assistent-Nachrichten an anderer Stelle in der Konversation ist nicht betroffen.

Hier sind häufige Prefill-Szenarien und wie Sie von ihnen migrieren:

Tool-Nutzung

Tool-Verwendung

Claudes neueste Modelle sind für präzise Befolgung von Anweisungen trainiert und profitieren von expliziter Anleitung zur Verwendung spezifischer Tools. Wenn Sie sagen „Können Sie einige Änderungen vorschlagen", wird Claude manchmal nur Vorschläge machen, anstatt sie umzusetzen, selbst wenn Änderungen das sein könnten, was Sie beabsichtigt haben.

Damit Claude Maßnahmen ergreift, seien Sie expliziter:

Um Claude proaktiver bei der Ergreifung von Maßnahmen zu machen, können Sie dies zu Ihrem System-Prompt hinzufügen:

<default_to_action>
By default, implement changes rather than only suggesting them. If the user's intent is unclear, infer the most useful likely action and proceed, using tools to discover any missing details instead of guessing. Try to infer the user's intent about whether a tool call (e.g., file edit or read) is intended or not, and act accordingly.
</default_to_action>

Andererseits, wenn Sie möchten, dass das Modell standardmäßig zögerlicher ist, weniger geneigt, direkt in Implementierungen zu springen, und nur Maßnahmen ergreift, wenn es angefordert wird, können Sie dieses Verhalten mit einem Prompt wie dem folgenden steuern:

<do_not_act_before_instructions>
Do not jump into implementatation or changes files unless clearly instructed to make changes. When the user's intent is ambiguous, default to providing information, doing research, and providing recommendations rather than taking action. Only proceed with edits, modifications, or implementations when the user explicitly requests them.
</do_not_act_before_instructions>

Claude Opus 4.5 und Claude Opus 4.6 reagieren auch stärker auf den System-Prompt als frühere Modelle. Wenn Ihre Prompts dazu ausgelegt waren, Undertriggering bei Tools oder Fähigkeiten zu reduzieren, können diese Modelle jetzt Overtriggering verursachen. Die Lösung besteht darin, aggressive Sprache zu reduzieren. Wo Sie möglicherweise gesagt haben „KRITISCH: Sie MÜSSEN dieses Tool verwenden, wenn...", können Sie normalere Prompts wie „Verwenden Sie dieses Tool, wenn..." verwenden.

Optimieren Sie parallele Tool-Aufrufe

Claudes neueste Modelle zeichnen sich durch parallele Tool-Ausführung aus. Diese Modelle werden:

• Mehrere spekulative Suchen während der Recherche durchführen
• Mehrere Dateien gleichzeitig lesen, um schneller Kontext aufzubauen
• Bash-Befehle parallel ausführen (was sogar die Systemleistung bremsen kann)

Dieses Verhalten ist leicht steuerbar. Während das Modell ohne Prompting eine hohe Erfolgsquote bei parallelen Tool-Aufrufen hat, können Sie dies auf ~100% erhöhen oder das Aggressionsniveau anpassen:

<use_parallel_tool_calls>
If you intend to call multiple tools and there are no dependencies between the tool calls, make all of the independent tool calls in parallel. Prioritize calling tools simultaneously whenever the actions can be done in parallel rather than sequentially. For example, when reading 3 files, run 3 tool calls in parallel to read all 3 files into context at the same time. Maximize use of parallel tool calls where possible to increase speed and efficiency. However, if some tool calls depend on previous calls to inform dependent values like the parameters, do NOT call these tools in parallel and instead call them sequentially. Never use placeholders or guess missing parameters in tool calls.
</use_parallel_tool_calls>

Execute operations sequentially with brief pauses between each step to ensure stability.

Thinking und Reasoning

Overthinking und übermäßige Gründlichkeit

Claude Opus 4.6 führt deutlich mehr vorausgehende Erkundung durch als frühere Modelle, besonders bei höheren effort-Einstellungen. Diese anfängliche Arbeit hilft oft, die endgültigen Ergebnisse zu optimieren, aber das Modell kann umfangreiche Kontexte sammeln oder mehrere Forschungsfäden verfolgen, ohne dazu aufgefordert zu werden. Wenn Ihre Prompts das Modell zuvor dazu ermutigten, gründlicher zu sein, sollten Sie diese Anleitung für Claude Opus 4.6 anpassen:

• Ersetzen Sie pauschale Standardeinstellungen durch gezielere Anweisungen. Anstelle von „Standard ist die Verwendung von [tool]" fügen Sie Anleitung wie „Verwenden Sie [tool], wenn es Ihr Verständnis des Problems verbessern würde" hinzu.
• Entfernen Sie Über-Prompting. Tools, die in früheren Modellen untergegangen sind, werden wahrscheinlich jetzt angemessen ausgelöst. Anweisungen wie „Im Zweifelsfall verwenden Sie [tool]" führen zu Overtriggering.
• Verwenden Sie Effort als Fallback. Wenn Claude weiterhin zu aggressiv ist, verwenden Sie eine niedrigere effort-Einstellung.

In einigen Fällen kann Claude Opus 4.6 umfangreich denken, was Thinking-Token aufblähen und Antworten verlangsamen kann. Wenn dieses Verhalten unerwünscht ist, können Sie explizite Anweisungen hinzufügen, um sein Denken einzuschränken, oder Sie können die effort-Einstellung senken, um das Gesamtdenken und die Token-Nutzung zu reduzieren.

When you're deciding how to approach a problem, choose an approach and commit to it. Avoid revisiting decisions unless you encounter new information that directly contradicts your reasoning. If you're weighing two approaches, pick one and see it through. You can always course-correct later if the chosen approach fails.

Wenn Sie eine harte Obergrenze für Thinking-Kosten benötigen, ist erweitertes Thinking mit einer budget_tokens-Obergrenze auf Opus 4.6 und Sonnet 4.6 immer noch funktional, wird aber veraltet. Bevorzugen Sie das Senken der effort-Einstellung oder die Verwendung von max_tokens als harte Grenze mit adaptivem Thinking.

Nutzen Sie Thinking & Interleaved Thinking-Fähigkeiten

Claudes neueste Modelle bieten Thinking-Fähigkeiten, die besonders hilfreich für Aufgaben sind, die Reflexion nach Tool-Nutzung oder komplexes mehrstufiges Denken beinhalten. Sie können sein anfängliches oder verschachteltes Denken für bessere Ergebnisse lenken.

Claude Opus 4.6 und Claude Sonnet 4.6 verwenden adaptives Thinking (thinking: {type: "adaptive"}), wobei Claude dynamisch entscheidet, wann und wie viel zu denken ist. Claude kalibriert sein Denken basierend auf zwei Faktoren: dem effort-Parameter und der Abfragekomplexität. Höherer Aufwand führt zu mehr Denken, und komplexere Abfragen tun dasselbe. Bei einfacheren Abfragen, die kein Denken erfordern, antwortet das Modell direkt. In internen Evaluationen treibt adaptives Thinking zuverlässig bessere Leistung als erweitertes Thinking. Erwägen Sie, zu adaptivem Thinking zu wechseln, um die intelligentesten Antworten zu erhalten.

Verwenden Sie adaptives Thinking für Workloads, die agentengesteuerte Verhaltensweisen erfordern, wie mehrstufige Tool-Nutzung, komplexe Coding-Aufgaben und lange Agenten-Schleifen. Ältere Modelle verwenden manuellen Thinking-Modus mit budget_tokens.

Sie können Claudes Thinking-Verhalten lenken:

After receiving tool results, carefully reflect on their quality and determine optimal next steps before proceeding. Use your thinking to plan and iterate based on this new information, and then take the best next action.

Das Auslöseverhalten für adaptives Thinking ist aufforderbar. Wenn Sie feststellen, dass das Modell häufiger denkt als gewünscht, was bei großen oder komplexen System-Prompts vorkommen kann, fügen Sie Anleitung hinzu, um es zu steuern:

Extended 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.

Wenn Sie von erweitertem Thinking mit budget_tokens migrieren, ersetzen Sie Ihre Thinking-Konfiguration und verschieben Sie die Budget-Kontrolle zu effort:

Vorher (erweitertes Thinking, ältere Modelle):

client.messages.create(
    model="claude-sonnet-4-5-20250929",
    max_tokens=64000,
    thinking={"type": "enabled", "budget_tokens": 32000},
    messages=[{"role": "user", "content": "..."}],
)

Nachher (adaptives Thinking):

client.messages.create(
    model="claude-opus-4-6",
    max_tokens=64000,
    thinking={"type": "adaptive"},
    output_config={"effort": "high"},  # or max, medium, low
    messages=[{"role": "user", "content": "..."}],
)

Wenn Sie kein erweitertes Thinking verwenden, sind keine Änderungen erforderlich. Thinking ist standardmäßig deaktiviert, wenn Sie den thinking-Parameter weglassen.

• Bevorzugen Sie allgemeine Anweisungen gegenüber vorschreibenden Schritten. Ein Prompt wie „denken Sie gründlich" führt oft zu besserem Denken als ein handgeschriebener Schritt-für-Schritt-Plan. Claudes Denken übertrifft häufig, was ein Mensch vorschreiben würde.
• Multishot-Beispiele funktionieren mit Thinking. Verwenden Sie <thinking>-Tags in Ihren Few-Shot-Beispielen, um Claude das Denkmuster zu zeigen. Es wird diesen Stil auf seine eigenen erweiterten Thinking-Blöcke verallgemeinern.
• Manuelles CoT als Fallback. Wenn Thinking deaktiviert ist, können Sie immer noch schrittweises Denken fördern, indem Sie Claude bitten, das Problem durchzudenken. Verwenden Sie strukturierte Tags wie <thinking> und <answer>, um Denken sauber von der endgültigen Ausgabe zu trennen.
• Bitten Sie Claude, sich selbst zu überprüfen. Fügen Sie etwas wie „Bevor Sie fertig sind, überprüfen Sie Ihre Antwort gegen [Testkriterien]" hinzu. Dies fängt Fehler zuverlässig, besonders bei Coding und Mathematik.

Agentengesteuerte Systeme

Langfristiges Denken und State-Tracking

Claudes neueste Modelle zeichnen sich durch langfristige Denk-Aufgaben mit außergewöhnlichen State-Tracking-Fähigkeiten aus. Claude behält die Orientierung über erweiterte Sitzungen hinweg, indem es sich auf inkrementelle Fortschritte konzentriert und stetige Fortschritte bei einigen wenigen Dingen macht, anstatt alles auf einmal zu versuchen. Diese Fähigkeit entsteht besonders über mehrere Kontextfenster oder Task-Iterationen, wo Claude an einer komplexen Aufgabe arbeiten, den State speichern und mit einem frischen Kontextfenster fortfahren kann.

Kontextbewusstsein und Multi-Window-Workflows

Claude 4.6 und Claude 4.5-Modelle verfügen über Kontextbewusstsein, das es dem Modell ermöglicht, sein verbleibendes Kontextfenster (d. h. „Token-Budget") während einer Konversation zu verfolgen. Dies ermöglicht Claude, Aufgaben effektiver auszuführen und Kontext zu verwalten, indem es versteht, wie viel Platz es hat.

Verwalten von Kontextgrenzen:

Wenn Sie Claude in einem Agent-Harness verwenden, der Kontext verdichtet oder das Speichern von Kontext in externen Dateien ermöglicht (wie in Claude Code), erwägen Sie, diese Informationen zu Ihrem Prompt hinzuzufügen, damit Claude entsprechend handeln kann. Andernfalls kann Claude manchmal natürlich versuchen, die Arbeit zu beenden, wenn es sich dem Kontextlimit nähert. Hier ist ein Beispiel-Prompt:

Your context window will be automatically compacted as it approaches its limit, allowing you to continue working indefinitely from where you left off. Therefore, do not stop tasks early due to token budget concerns. As you approach your token budget limit, save your current progress and state to memory before the context window refreshes. Always be as persistent and autonomous as possible and complete tasks fully, even if the end of your budget is approaching. Never artificially stop any task early regardless of the context remaining.

Das Memory-Tool passt natürlich zu Kontextbewusstsein für nahtlose Kontextübergänge.

Multi-Kontextfenster-Workflows

Für Aufgaben, die mehrere Kontextfenster umfassen:

1. Verwenden Sie einen anderen Prompt für das allererste Kontextfenster: Verwenden Sie das erste Kontextfenster, um ein Framework einzurichten (Tests schreiben, Setup-Skripte erstellen), dann verwenden Sie zukünftige Kontextfenster, um an einer Todo-Liste zu iterieren.

2. Lassen Sie das Modell Tests in einem strukturierten Format schreiben: Bitten Sie Claude, Tests vor Beginn der Arbeit zu erstellen und sie in einem strukturierten Format zu verfolgen (z. B. tests.json). Dies führt zu besserer langfristiger Fähigkeit zu iterieren. Erinnern Sie Claude an die Wichtigkeit von Tests: „Es ist inakzeptabel, Tests zu entfernen oder zu bearbeiten, da dies zu fehlender oder fehlerhafter Funktionalität führen könnte."

3. Richten Sie Quality-of-Life-Tools ein: Ermutigen Sie Claude, Setup-Skripte zu erstellen (z. B. init.sh), um Server elegant zu starten, Test-Suites und Linters auszuführen. Dies verhindert wiederholte Arbeit beim Fortfahren von einem frischen Kontextfenster.

4. Neuer Start vs. Verdichtung: Wenn ein Kontextfenster gelöscht wird, erwägen Sie, mit einem brandneuen Kontextfenster zu beginnen, anstatt Verdichtung zu verwenden. Claudes neueste Modelle sind äußerst effektiv darin, State aus dem lokalen Dateisystem zu entdecken. In einigen Fällen möchten Sie dies möglicherweise gegenüber Verdichtung nutzen. Seien Sie präskriptiv darüber, wie es beginnen sollte:

This is a very long task, so it may be beneficial to plan out your work clearly. It's encouraged to spend your entire output context working on the task - just make sure you don't run out of context with significant uncommitted work. Continue working systematically until you have completed this task.

State-Management Best Practices

• Verwenden Sie strukturierte Formate für State-Daten: Wenn Sie strukturierte Informationen verfolgen (wie Testergebnisse oder Task-Status), verwenden Sie JSON oder andere strukturierte Formate, um Claude zu helfen, Schema-Anforderungen zu verstehen
• Verwenden Sie unstrukturierten Text für Fortschrittsnotizen: Freiformige Fortschrittsnotizen funktionieren gut zum Verfolgen des allgemeinen Fortschritts und Kontexts
• Verwenden Sie Git für State-Tracking: Git bietet ein Protokoll dessen, was getan wurde, und Checkpoints, die wiederhergestellt werden können. Claudes neueste Modelle funktionieren besonders gut bei der Verwendung von Git zum Verfolgen von State über mehrere Sitzungen.
• Betonen Sie inkrementelle Fortschritte: Bitten Sie Claude explizit, seinen Fortschritt zu verfolgen und sich auf inkrementelle Arbeit zu konzentrieren

Balancieren Sie Autonomie und Sicherheit

Ohne Anleitung kann Claude Opus 4.6 Maßnahmen ergreifen, die schwer rückgängig zu machen sind oder gemeinsame Systeme beeinflussen, wie das Löschen von Dateien, Force-Pushing oder das Posten auf externe Services. Wenn Sie möchten, dass Claude Opus 4.6 vor potenziell riskanten Maßnahmen bestätigt, fügen Sie Anleitung zu Ihrem Prompt hinzu:

Consider the reversibility and potential impact of your actions. You are encouraged to take local, reversible actions like editing files or running tests, but for actions that are hard to reverse, affect shared systems, or could be destructive, ask the user before proceeding.

Examples of actions that warrant confirmation:
- Destructive operations: deleting files or branches, dropping database tables, rm -rf
- Hard to reverse operations: git push --force, git reset --hard, amending published commits
- Operations visible to others: pushing code, commenting on PRs/issues, sending messages, modifying shared infrastructure

When encountering obstacles, do not use destructive actions as a shortcut. For example, don't bypass safety checks (e.g. --no-verify) or discard unfamiliar files that may be in-progress work.

Recherche und Informationsbeschaffung

Claudes neueste Modelle zeigen außergewöhnliche agentengesteuerte Suchfähigkeiten und können Informationen aus mehreren Quellen effektiv finden und synthetisieren. Für optimale Rechercheergebnisse:

1. Geben Sie klare Erfolgskriterien an: Definieren Sie, was eine erfolgreiche Antwort auf Ihre Recherchefrage ausmacht

2. Ermutigen Sie zur Quellenverifizierung: Bitten Sie Claude, Informationen über mehrere Quellen hinweg zu überprüfen

3. Für komplexe Recherche-Aufgaben verwenden Sie einen strukturierten Ansatz:

Search for this information in a structured way. As you gather data, develop several competing hypotheses. Track your confidence levels in your progress notes to improve calibration. Regularly self-critique your approach and plan. Update a hypothesis tree or research notes file to persist information and provide transparency. Break down this complex research task systematically.

Dieser strukturierte Ansatz ermöglicht es Claude, praktisch jede Information zu finden und zu synthetisieren und seine Erkenntnisse iterativ zu kritisieren, unabhängig von der Größe des Corpus.

Subagent-Orchestrierung

Claudes neueste Modelle zeigen erheblich verbesserte native Subagent-Orchestrierungsfähigkeiten. Diese Modelle können erkennen, wenn Aufgaben von der Delegierung an spezialisierte Subagents profitieren würden, und tun dies proaktiv, ohne explizite Anweisung zu benötigen.

Um dieses Verhalten zu nutzen:

1. Stellen Sie gut definierte Subagent-Tools sicher: Haben Sie Subagent-Tools verfügbar und in Tool-Definitionen beschrieben
2. Lassen Sie Claude natürlich orchestrieren: Claude wird ohne explizite Anweisung angemessen delegieren
3. Achten Sie auf Übernutzung: Claude Opus 4.6 hat eine starke Neigung zu Subagents und kann sie in Situationen spawnen, in denen ein einfacherer, direkter Ansatz ausreichen würde. Zum Beispiel kann das Modell Subagents für Code-Erkundung spawnen, wenn ein direkter Grep-Aufruf schneller und ausreichend ist.

Wenn Sie übermäßige Subagent-Nutzung sehen, fügen Sie explizite Anleitung hinzu, wann Subagents angemessen sind und wann nicht:

Use subagents when tasks can run in parallel, require isolated context, or involve independent workstreams that don't need to share state. For simple tasks, sequential operations, single-file edits, or tasks where you need to maintain context across steps, work directly rather than delegating.

Komplexe Prompts verketten

Mit adaptivem Denken und Subagent-Orchestrierung verarbeitet Claude die meisten mehrstufigen Überlegungen intern. Explizites Prompt-Chaining (Aufteilen einer Aufgabe in sequenzielle API-Aufrufe) ist immer noch nützlich, wenn Sie Zwischenergebnisse überprüfen oder eine bestimmte Pipeline-Struktur erzwingen müssen.

Das häufigste Chaining-Muster ist Selbstkorrektur: einen Entwurf generieren → Claude ihn gegen Kriterien überprüfen lassen → Claude ihn basierend auf der Überprüfung verfeinern lassen. Jeder Schritt ist ein separater API-Aufruf, sodass Sie an jedem Punkt protokollieren, bewerten oder verzweigen können.

Dateienerstellung bei agentengestütztem Coding reduzieren

Clauds neueste Modelle erstellen möglicherweise manchmal neue Dateien zu Test- und Iterationszwecken, besonders bei der Arbeit mit Code. Dieser Ansatz ermöglicht es Claude, Dateien, besonders Python-Skripte, als „temporären Notizblock" zu verwenden, bevor die endgültige Ausgabe gespeichert wird. Die Verwendung temporärer Dateien kann die Ergebnisse besonders bei agentengestützten Coding-Anwendungsfällen verbessern.

Wenn Sie die Erstellung neuer Dateien minimieren möchten, können Sie Claude anweisen, nach sich selbst aufzuräumen:

If you create any temporary new files, scripts, or helper files for iteration, clean up these files by removing them at the end of the task.

Übereifrigkeit

Claude Opus 4.5 und Claude Opus 4.6 haben eine Tendenz, zu überentwickeln, indem sie zusätzliche Dateien erstellen, unnötige Abstraktionen hinzufügen oder Flexibilität einbauen, die nicht angefordert wurde. Wenn Sie dieses unerwünschte Verhalten sehen, fügen Sie spezifische Anleitung hinzu, um Lösungen minimal zu halten.

Zum Beispiel:

Avoid over-engineering. Only make changes that are directly requested or clearly necessary. Keep solutions simple and focused:

- Scope: Don't add features, refactor code, or make "improvements" beyond what was asked. A bug fix doesn't need surrounding code cleaned up. A simple feature doesn't need extra configurability.

- Documentation: Don't add docstrings, comments, or type annotations to code you didn't change. Only add comments where the logic isn't self-evident.

- Defensive coding: Don't add error handling, fallbacks, or validation for scenarios that can't happen. Trust internal code and framework guarantees. Only validate at system boundaries (user input, external APIs).

- Abstractions: Don't create helpers, utilities, or abstractions for one-time operations. Don't design for hypothetical future requirements. The right amount of complexity is the minimum needed for the current task.

Vermeiden Sie, sich auf das Bestehen von Tests und Hardcoding zu konzentrieren

Claude kann sich manchmal zu sehr darauf konzentrieren, Tests zu bestehen, auf Kosten von allgemeineren Lösungen, oder kann Workarounds wie Hilfsskripte für komplexe Refaktorierungen verwenden, anstatt Standard-Tools direkt zu verwenden. Um dieses Verhalten zu verhindern und robuste, verallgemeinerbare Lösungen sicherzustellen:

Please write a high-quality, general-purpose solution using the standard tools available. Do not create helper scripts or workarounds to accomplish the task more efficiently. Implement a solution that works correctly for all valid inputs, not just the test cases. Do not hard-code values or create solutions that only work for specific test inputs. Instead, implement the actual logic that solves the problem generally.

Focus on understanding the problem requirements and implementing the correct algorithm. Tests are there to verify correctness, not to define the solution. Provide a principled implementation that follows best practices and software design principles.

If the task is unreasonable or infeasible, or if any of the tests are incorrect, please inform me rather than working around them. The solution should be robust, maintainable, and extendable.

Halluzinationen bei agentengestütztem Coding minimieren

Clauds neueste Modelle sind weniger anfällig für Halluzinationen und geben genauere, fundierte, intelligente Antworten basierend auf dem Code. Um dieses Verhalten noch mehr zu fördern und Halluzinationen zu minimieren:

<investigate_before_answering>
Never speculate about code you have not opened. If the user references a specific file, you MUST read the file before answering. Make sure to investigate and read relevant files BEFORE answering questions about the codebase. Never make any claims about code before investigating unless you are certain of the correct answer - give grounded and hallucination-free answers.
</investigate_before_answering>

Fähigkeitsspezifische Tipps

Verbesserte Visionsfähigkeiten

Claude Opus 4.5 und Claude Opus 4.6 haben verbesserte Visionsfähigkeiten im Vergleich zu früheren Claude-Modellen. Sie schneiden besser bei Bildverarbeitungs- und Datenextraktionsaufgaben ab, besonders wenn mehrere Bilder im Kontext vorhanden sind. Diese Verbesserungen übertragen sich auf die Computernutzung, wo die Modelle Screenshots und UI-Elemente zuverlässiger interpretieren können. Sie können diese Modelle auch verwenden, um Videos zu analysieren, indem Sie sie in Frames aufteilen.

Eine Technik, die sich als wirksam erwiesen hat, um die Leistung weiter zu verbessern, ist, Claude ein Crop-Tool oder Skill zu geben. Tests haben konsistente Verbesserungen bei Bildbewertungen gezeigt, wenn Claude in der Lage ist, in relevante Regionen eines Bildes zu „zoomen". Anthropic hat ein Cookbook für das Crop-Tool erstellt.

Frontend-Design

Claude Opus 4.5 und Claude Opus 4.6 zeichnen sich durch den Aufbau komplexer, realer Webanwendungen mit starkem Frontend-Design aus. Ohne Anleitung können Modelle jedoch zu generischen Mustern greifen, die das schaffen, was Benutzer die „AI-Slop"-Ästhetik nennen. Um charakteristische, kreative Frontends zu schaffen, die überraschen und erfreuen:

Hier ist ein System-Prompt-Snippet, das Sie verwenden können, um besseres Frontend-Design zu fördern:

<frontend_aesthetics>
You tend to converge toward generic, "on distribution" outputs. In frontend design, this creates what users call the "AI slop" aesthetic. Avoid this: make creative, distinctive frontends that surprise and delight.

Focus on:
- Typography: Choose fonts that are beautiful, unique, and interesting. Avoid generic fonts like Arial and Inter; opt instead for distinctive choices that elevate the frontend's aesthetics.
- Color & Theme: Commit to a cohesive aesthetic. Use CSS variables for consistency. Dominant colors with sharp accents outperform timid, evenly-distributed palettes. Draw from IDE themes and cultural aesthetics for inspiration.
- Motion: Use animations for effects and micro-interactions. Prioritize CSS-only solutions for HTML. Use Motion library for React when available. Focus on high-impact moments: one well-orchestrated page load with staggered reveals (animation-delay) creates more delight than scattered micro-interactions.
- Backgrounds: Create atmosphere and depth rather than defaulting to solid colors. Layer CSS gradients, use geometric patterns, or add contextual effects that match the overall aesthetic.

Avoid generic AI-generated aesthetics:
- Overused font families (Inter, Roboto, Arial, system fonts)
- Clichéd color schemes (particularly purple gradients on white backgrounds)
- Predictable layouts and component patterns
- Cookie-cutter design that lacks context-specific character

Interpret creatively and make unexpected choices that feel genuinely designed for the context. Vary between light and dark themes, different fonts, different aesthetics. You still tend to converge on common choices (Space Grotesk, for example) across generations. Avoid this: it is critical that you think outside the box!
</frontend_aesthetics>

Sie können auch auf die vollständige Skill-Definition verweisen.

Migrationsbedingungen

Bei der Migration zu Claude 4.6-Modellen von früheren Generationen:

1. Seien Sie spezifisch über das gewünschte Verhalten: Erwägen Sie, genau zu beschreiben, was Sie in der Ausgabe sehen möchten.

2. Formulieren Sie Ihre Anweisungen mit Modifiern: Das Hinzufügen von Modifiern, die Claude ermutigen, die Qualität und Detailliertheit seiner Ausgabe zu erhöhen, kann Clauds Leistung besser gestalten. Zum Beispiel, anstatt „Erstellen Sie ein Analytics-Dashboard", verwenden Sie „Erstellen Sie ein Analytics-Dashboard. Fügen Sie so viele relevante Funktionen und Interaktionen wie möglich ein. Gehen Sie über die Grundlagen hinaus, um eine vollständig ausgestattete Implementierung zu erstellen."

3. Fordern Sie spezifische Funktionen explizit an: Animationen und interaktive Elemente sollten explizit angefordert werden, wenn sie gewünscht sind.

4. Aktualisieren Sie die Thinking-Konfiguration: Claude 4.6-Modelle verwenden adaptives Denken (thinking: {type: "adaptive"}) anstelle von manuellem Denken mit budget_tokens. Verwenden Sie den Effort-Parameter, um die Tiefe des Denkens zu steuern.

5. : Vorausgefüllte Antworten beim letzten Assistant-Turn sind ab Claude 4.6-Modellen veraltet. Siehe für detaillierte Anleitung zu Alternativen.

Für detaillierte Migrationsschritte siehe den Migrationsleitfaden.

Migration von Claude Sonnet 4.5 zu Claude Sonnet 4.6

Claude Sonnet 4.6 setzt standardmäßig einen Effort-Level von high, im Gegensatz zu Claude Sonnet 4.5, das keinen Effort-Parameter hatte. Erwägen Sie, den Effort-Parameter anzupassen, wenn Sie von Claude Sonnet 4.5 zu Claude Sonnet 4.6 migrieren. Wenn nicht explizit gesetzt, können Sie mit dem Standard-Effort-Level höhere Latenz erleben.

Empfohlene Effort-Einstellungen:

• Medium für die meisten Anwendungen
• Low für hochvolumige oder latenzempfindliche Workloads
• Setzen Sie ein großes maximales Output-Token-Budget (64k Token empfohlen) auf mittlerem oder hohem Effort, um dem Modell Raum zum Denken und Handeln zu geben

Wann Sie stattdessen Opus 4.6 verwenden sollten: Für die schwierigsten, längsten Probleme (großflächige Code-Migrationen, tiefe Recherche, erweiterte autonome Arbeit) bleibt Opus 4.6 die richtige Wahl. Sonnet 4.6 ist für Workloads optimiert, bei denen schnelle Bearbeitung und Kosteneffizienz am wichtigsten sind.

Wenn Sie kein erweitertes Denken verwenden

Wenn Sie kein erweitertes Denken auf Claude Sonnet 4.5 verwenden, können Sie auf Claude Sonnet 4.6 ohne es fortfahren. Sie sollten den Effort explizit auf das für Ihren Anwendungsfall angemessene Niveau setzen. Bei low Effort mit deaktiviertem Denken können Sie ähnliche oder bessere Leistung im Vergleich zu Claude Sonnet 4.5 ohne erweitertes Denken erwarten.

client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=8192,
    thinking={"type": "disabled"},
    output_config={"effort": "low"},
    messages=[{"role": "user", "content": "..."}],
)

Wenn Sie erweitertes Denken verwenden

Wenn Sie erweitertes Denken mit budget_tokens auf Claude Sonnet 4.5 verwenden, funktioniert es immer noch auf Claude Sonnet 4.6, ist aber veraltet. Migrieren Sie zu adaptivem Denken mit dem Effort-Parameter.

Migration zu adaptivem Denken

Adaptives Denken eignet sich besonders gut für die folgenden Workload-Muster:

• Autonome mehrstufige Agenten: Coding-Agenten, die Anforderungen in funktionierende Software umwandeln, Datenanalysepipelines und Bug-Suche, bei der das Modell unabhängig über viele Schritte hinweg läuft. Adaptives Denken ermöglicht es dem Modell, sein Denken pro Schritt zu kalibrieren und über längere Trajektorien auf Kurs zu bleiben. Für diese Workloads beginnen Sie mit high Effort. Wenn Latenz oder Token-Nutzung ein Problem darstellt, reduzieren Sie auf medium.
• Computer-Use-Agenten: Claude Sonnet 4.6 erzielte beste Genauigkeit bei Computer-Use-Evaluationen mit adaptivem Modus.
• Bimodale Workloads: eine Mischung aus einfachen und schwierigen Aufgaben, bei denen adaptiv das Denken bei einfachen Abfragen überspringt und bei komplexen tief nachdenkt.

Bei Verwendung von adaptivem Denken bewerten Sie medium und high Effort bei Ihren Aufgaben. Das richtige Niveau hängt von den Kompromissen Ihrer Workload zwischen Qualität, Latenz und Token-Nutzung ab.

client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=64000,
    thinking={"type": "adaptive"},
    output_config={"effort": "high"},
    messages=[{"role": "user", "content": "..."}],
)

Beibehaltung von budget_tokens während der Migration

Wenn Sie budget_tokens während der Migration vorübergehend beibehalten müssen, bietet ein Budget von etwa 16k Token Spielraum für schwierigere Probleme ohne Risiko unkontrollierter Token-Nutzung. Diese Konfiguration ist veraltet und wird in einer zukünftigen Modellversion entfernt.

Für Coding-Anwendungsfälle (agentengestütztes Coding, Tool-intensive Workflows, Code-Generierung), beginnen Sie mit medium Effort:

client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=16384,
    thinking={"type": "enabled", "budget_tokens": 16384},
    output_config={"effort": "medium"},
    messages=[{"role": "user", "content": "..."}],
)

Für Chat- und Nicht-Coding-Anwendungsfälle (Chat, Content-Generierung, Suche, Klassifizierung), beginnen Sie mit low Effort:

client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=8192,
    thinking={"type": "enabled", "budget_tokens": 16384},
    output_config={"effort": "low"},
    messages=[{"role": "user", "content": "..."}],
)

Für mehr Kontrolle über die Verwendung von Markdown und Formatierung geben Sie explizite Anleitung: