Praktik terbaik prompting

Ini adalah referensi tunggal untuk rekayasa prompt dengan model terbaru Claude, termasuk Claude Opus 4.6, Claude Sonnet 4.6, dan Claude Haiku 4.5. Ini mencakup teknik dasar, kontrol output, penggunaan alat, pemikiran, dan sistem agentic. Langsung ke bagian yang sesuai dengan situasi Anda.

Prinsip umum

Jadilah jelas dan langsung

Claude merespons dengan baik terhadap instruksi yang jelas dan eksplisit. Menjadi spesifik tentang output yang Anda inginkan dapat membantu meningkatkan hasil. Jika Anda menginginkan perilaku "di atas dan melampaui", mintalah secara eksplisit daripada mengandalkan model untuk menyimpulkan ini dari prompt yang samar.

Anggap Claude sebagai karyawan baru yang brilian tetapi tidak memiliki konteks tentang norma dan alur kerja Anda. Semakin tepat Anda menjelaskan apa yang Anda inginkan, semakin baik hasilnya.

Aturan emas: Tunjukkan prompt Anda kepada rekan kerja dengan konteks minimal tentang tugas tersebut dan minta mereka mengikutinya. Jika mereka bingung, Claude pun akan begitu.

• Jadilah spesifik tentang format output yang diinginkan dan batasannya.
• Berikan instruksi sebagai langkah-langkah berurutan menggunakan daftar bernomor atau poin-poin ketika urutan atau kelengkapan langkah-langkah penting.

Tambahkan konteks untuk meningkatkan kinerja

Memberikan konteks atau motivasi di balik instruksi Anda, seperti menjelaskan kepada Claude mengapa perilaku tersebut penting, dapat membantu Claude lebih memahami tujuan Anda dan memberikan respons yang lebih tepat sasaran.

Claude cukup cerdas untuk menggeneralisasi dari penjelasan tersebut.

Gunakan contoh secara efektif

Contoh adalah salah satu cara paling andal untuk mengarahkan format output, nada, dan struktur Claude. Beberapa contoh yang dibuat dengan baik (dikenal sebagai few-shot atau multishot prompting) dapat secara dramatis meningkatkan akurasi dan konsistensi.

Saat menambahkan contoh, buatlah:

• Relevan: Cerminkan kasus penggunaan aktual Anda dengan erat.
• Beragam: Mencakup kasus tepi dan cukup bervariasi sehingga Claude tidak mengambil pola yang tidak diinginkan.
• Terstruktur: Bungkus contoh dalam tag <example> (beberapa contoh dalam tag <examples>) sehingga Claude dapat membedakannya dari instruksi.

Strukturkan prompt dengan tag XML

Tag XML membantu Claude mengurai prompt kompleks secara tidak ambigu, terutama ketika prompt Anda mencampur instruksi, konteks, contoh, dan input variabel. Membungkus setiap jenis konten dalam tagnya sendiri (misalnya <instructions>, <context>, <input>) mengurangi kesalahan interpretasi.

Praktik terbaik:

• Gunakan nama tag yang konsisten dan deskriptif di seluruh prompt Anda.
• Sarangkan tag ketika konten memiliki hierarki alami (dokumen di dalam <documents>, masing-masing di dalam <document index="n">).

Berikan Claude sebuah peran

Menetapkan peran dalam system prompt memfokuskan perilaku dan nada Claude untuk kasus penggunaan Anda. Bahkan satu kalimat pun membuat perbedaan:

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)

Prompting konteks panjang

Saat bekerja dengan dokumen besar atau input kaya data (20k+ token), strukturkan prompt Anda dengan hati-hati untuk mendapatkan hasil terbaik:

• Letakkan data panjang di bagian atas: Tempatkan dokumen panjang dan input Anda di dekat bagian atas prompt, di atas kueri, instruksi, dan contoh Anda. Ini dapat secara signifikan meningkatkan kinerja di semua model.

  Kueri di akhir dapat meningkatkan kualitas respons hingga 30% dalam pengujian, terutama dengan input multi-dokumen yang kompleks.

• Strukturkan konten dokumen dan metadata dengan tag XML: Saat menggunakan beberapa dokumen, bungkus setiap dokumen dalam tag <document> dengan subtag <document_content> dan <source> (dan metadata lainnya) untuk kejelasan.

  Contoh struktur multi-dokumen

• Dasarkan respons dalam kutipan: Untuk tugas dokumen panjang, minta Claude untuk mengutip bagian-bagian relevan dari dokumen terlebih dahulu sebelum melaksanakan tugasnya. Ini membantu Claude memotong kebisingan dari sisa konten dokumen.

  Contoh ekstraksi kutipan

Pengetahuan diri model

Jika Anda ingin Claude mengidentifikasi dirinya dengan benar dalam aplikasi Anda atau menggunakan string API tertentu:

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

Untuk aplikasi bertenaga LLM yang perlu menentukan string model:

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.

Output dan pemformatan

Gaya komunikasi dan verbositas

Model terbaru Claude memiliki gaya komunikasi yang lebih ringkas dan alami dibandingkan model sebelumnya:

• Lebih langsung dan berdasar: Memberikan laporan kemajuan berbasis fakta daripada pembaruan yang memuji diri sendiri
• Lebih percakapan: Sedikit lebih lancar dan kolokial, kurang seperti mesin
• Kurang verbose: Mungkin melewatkan ringkasan terperinci demi efisiensi kecuali diminta sebaliknya

Ini berarti Claude mungkin melewatkan ringkasan verbal setelah pemanggilan alat, langsung melompat ke tindakan berikutnya. Jika Anda lebih suka visibilitas lebih besar ke dalam penalarannya:

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

Kontrol format respons

Ada beberapa cara yang sangat efektif untuk mengarahkan pemformatan output:

1. Beri tahu Claude apa yang harus dilakukan daripada apa yang tidak boleh dilakukan

   • Daripada: "Do not use markdown in your response"
   • Coba: "Your response should be composed of smoothly flowing prose paragraphs."

2. Gunakan indikator format XML

   • Coba: "Write the prose sections of your response in <smoothly_flowing_prose_paragraphs> tags."

3. Cocokkan gaya prompt Anda dengan output yang diinginkan

   Gaya pemformatan yang digunakan dalam prompt Anda dapat memengaruhi gaya respons Claude. Jika Anda masih mengalami masalah kemampuan pengarahan dengan pemformatan output, coba cocokkan gaya prompt Anda dengan gaya output yang diinginkan sedekat mungkin. Misalnya, menghapus markdown dari prompt Anda dapat mengurangi volume markdown dalam output.

4. Gunakan prompt terperinci untuk preferensi pemformatan tertentu

   Untuk kontrol lebih besar atas penggunaan markdown dan pemformatan, berikan panduan eksplisit:

<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>

Output LaTeX

Claude Opus 4.6 secara default menggunakan LaTeX untuk ekspresi matematika, persamaan, dan penjelasan teknis. Jika Anda lebih suka teks biasa, tambahkan instruksi berikut ke prompt Anda:

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).

Pembuatan dokumen

Model terbaru Claude unggul dalam membuat presentasi, animasi, dan dokumen visual dengan sentuhan kreatif yang mengesankan dan mengikuti instruksi dengan kuat. Model-model ini menghasilkan output yang dipoles dan dapat digunakan pada percobaan pertama dalam sebagian besar kasus.

Untuk hasil terbaik dengan pembuatan dokumen:

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

Migrasi dari respons yang diisi sebelumnya

Mulai dengan model Claude 4.6 dan Claude Mythos Preview, respons yang diisi sebelumnya pada giliran asisten terakhir tidak lagi didukung. Pada Mythos Preview, permintaan dengan pesan asisten yang diisi sebelumnya mengembalikan kesalahan 400. Kecerdasan model dan mengikuti instruksi telah maju sedemikian rupa sehingga sebagian besar kasus penggunaan prefill tidak lagi memerlukannya. Model yang ada akan terus mendukung prefill, dan menambahkan pesan asisten di tempat lain dalam percakapan tidak terpengaruh.

Berikut adalah skenario prefill umum dan cara migrasi darinya:

Penggunaan alat

Penggunaan alat

Model terbaru Claude dilatih untuk mengikuti instruksi dengan tepat dan mendapat manfaat dari arahan eksplisit untuk menggunakan alat tertentu. Jika Anda mengatakan "can you suggest some changes," Claude terkadang akan memberikan saran daripada mengimplementasikannya, bahkan jika membuat perubahan mungkin yang Anda maksudkan.

Agar Claude mengambil tindakan, jadilah lebih eksplisit:

Untuk membuat Claude lebih proaktif dalam mengambil tindakan secara default, Anda dapat menambahkan ini ke system prompt Anda:

<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>

Di sisi lain, jika Anda ingin model lebih ragu-ragu secara default, kurang cenderung langsung melompat ke implementasi, dan hanya mengambil tindakan jika diminta, Anda dapat mengarahkan perilaku ini dengan prompt seperti di bawah ini:

<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 dan Claude Opus 4.6 juga lebih responsif terhadap system prompt daripada model sebelumnya. Jika prompt Anda dirancang untuk mengurangi undertriggering pada alat atau keterampilan, model-model ini sekarang mungkin overtrigger. Solusinya adalah mengurangi bahasa yang agresif. Di mana Anda mungkin mengatakan "CRITICAL: You MUST use this tool when...", Anda dapat menggunakan prompting yang lebih normal seperti "Use this tool when...".

Optimalkan pemanggilan alat paralel

Model terbaru Claude unggul dalam eksekusi alat paralel. Model-model ini akan:

• Menjalankan beberapa pencarian spekulatif selama penelitian
• Membaca beberapa file sekaligus untuk membangun konteks lebih cepat
• Mengeksekusi perintah bash secara paralel (yang bahkan dapat menjadi bottleneck kinerja sistem)

Perilaku ini mudah diarahkan. Sementara model memiliki tingkat keberhasilan yang tinggi dalam pemanggilan alat paralel tanpa prompting, Anda dapat meningkatkan ini ke ~100% atau menyesuaikan tingkat agresivitas:

<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.

Pemikiran dan penalaran

Berpikir berlebihan dan keterlaluan dalam ketelitian

Claude Opus 4.6 melakukan eksplorasi awal yang jauh lebih banyak daripada model sebelumnya, terutama pada pengaturan effort yang lebih tinggi. Pekerjaan awal ini sering membantu mengoptimalkan hasil akhir, tetapi model mungkin mengumpulkan konteks yang luas atau mengejar beberapa alur penelitian tanpa diminta. Jika prompt Anda sebelumnya mendorong model untuk lebih teliti, Anda harus menyesuaikan panduan tersebut untuk Claude Opus 4.6:

• Ganti default umum dengan instruksi yang lebih bertarget. Daripada "Default to using [tool]," tambahkan panduan seperti "Use [tool] when it would enhance your understanding of the problem."
• Hapus over-prompting. Alat yang undertriggered pada model sebelumnya kemungkinan akan memicu dengan tepat sekarang. Instruksi seperti "If in doubt, use [tool]" akan menyebabkan overtriggering.
• Gunakan effort sebagai cadangan. Jika Claude terus terlalu agresif, gunakan pengaturan yang lebih rendah untuk effort.

Dalam beberapa kasus, Claude Opus 4.6 mungkin berpikir secara ekstensif, yang dapat mengembungkan token pemikiran dan memperlambat respons. Jika perilaku ini tidak diinginkan, Anda dapat menambahkan instruksi eksplisit untuk membatasi penalarannya, atau Anda dapat menurunkan pengaturan effort untuk mengurangi pemikiran dan penggunaan token secara keseluruhan.

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.

Jika Anda memerlukan batas keras pada biaya pemikiran, extended thinking dengan batas budget_tokens masih berfungsi pada Opus 4.6 dan Sonnet 4.6 tetapi sudah usang. Lebih baik turunkan pengaturan effort atau gunakan max_tokens sebagai batas keras dengan adaptive thinking.

Manfaatkan kemampuan thinking & interleaved thinking

Model terbaru Claude menawarkan kemampuan pemikiran yang dapat sangat membantu untuk tugas-tugas yang melibatkan refleksi setelah penggunaan alat atau penalaran multi-langkah yang kompleks. Anda dapat memandu pemikiran awal atau interleaved-nya untuk hasil yang lebih baik.

Claude Opus 4.6 dan Claude Sonnet 4.6 menggunakan adaptive thinking (thinking: {type: "adaptive"}), di mana Claude secara dinamis memutuskan kapan dan seberapa banyak untuk berpikir. Claude mengkalibrasi pemikirannya berdasarkan dua faktor: parameter effort dan kompleksitas kueri. Effort yang lebih tinggi memunculkan lebih banyak pemikiran, dan kueri yang lebih kompleks melakukan hal yang sama. Pada kueri yang lebih mudah yang tidak memerlukan pemikiran, model merespons secara langsung. Dalam evaluasi internal, adaptive thinking secara andal mendorong kinerja yang lebih baik daripada extended thinking. Pertimbangkan untuk beralih ke adaptive thinking untuk mendapatkan respons paling cerdas.

Gunakan adaptive thinking untuk beban kerja yang memerlukan perilaku agentic seperti penggunaan alat multi-langkah, tugas pengkodean kompleks, dan loop agen jangka panjang. Model yang lebih lama menggunakan mode pemikiran manual dengan budget_tokens.

Anda dapat memandu perilaku pemikiran Claude:

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.

Perilaku pemicu untuk adaptive thinking dapat di-prompt. Jika Anda menemukan model berpikir lebih sering dari yang Anda inginkan, yang dapat terjadi dengan system prompt yang besar atau kompleks, tambahkan panduan untuk mengarahkannya:

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.

Jika Anda bermigrasi dari extended thinking dengan budget_tokens, ganti konfigurasi pemikiran Anda dan pindahkan kontrol anggaran ke effort:

Sebelum (extended thinking, model lama):

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

Setelah (adaptive 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": "..."}],
)

Jika Anda tidak menggunakan extended thinking, tidak ada perubahan yang diperlukan. Pemikiran dinonaktifkan secara default ketika Anda menghilangkan parameter thinking.

• Lebih suka instruksi umum daripada langkah-langkah preskriptif. Prompt seperti "think thoroughly" sering menghasilkan penalaran yang lebih baik daripada rencana langkah demi langkah yang ditulis tangan. Penalaran Claude sering melampaui apa yang akan ditentukan oleh manusia.
• Contoh multishot bekerja dengan pemikiran. Gunakan tag <thinking> di dalam contoh few-shot Anda untuk menunjukkan pola penalaran kepada Claude. Ini akan menggeneralisasi gaya tersebut ke blok extended thinking-nya sendiri.
• CoT manual sebagai cadangan. Ketika pemikiran dinonaktifkan, Anda masih dapat mendorong penalaran langkah demi langkah dengan meminta Claude untuk memikirkan masalah tersebut. Gunakan tag terstruktur seperti <thinking> dan <answer> untuk memisahkan penalaran dari output akhir dengan bersih.
• Minta Claude untuk memeriksa diri sendiri. Tambahkan sesuatu seperti "Before you finish, verify your answer against [test criteria]." Ini menangkap kesalahan secara andal, terutama untuk pengkodean dan matematika.

Sistem agentic

Penalaran jangka panjang dan pelacakan status

Model terbaru Claude unggul dalam tugas penalaran jangka panjang dengan kemampuan pelacakan status yang luar biasa. Claude mempertahankan orientasi di seluruh sesi yang diperpanjang dengan berfokus pada kemajuan bertahap, membuat kemajuan yang stabil pada beberapa hal sekaligus daripada mencoba semuanya sekaligus. Kemampuan ini terutama muncul di beberapa jendela konteks atau iterasi tugas, di mana Claude dapat mengerjakan tugas yang kompleks, menyimpan status, dan melanjutkan dengan jendela konteks yang segar.

Kesadaran konteks dan alur kerja multi-jendela

Model Claude 4.6 dan Claude 4.5 menampilkan kesadaran konteks, memungkinkan model untuk melacak jendela konteks yang tersisa (yaitu "anggaran token") sepanjang percakapan. Ini memungkinkan Claude untuk mengeksekusi tugas dan mengelola konteks dengan lebih efektif dengan memahami berapa banyak ruang yang dimilikinya untuk bekerja.

Mengelola batas konteks:

Jika Anda menggunakan Claude dalam harness agen yang memadatkan konteks atau memungkinkan penyimpanan konteks ke file eksternal (seperti di Claude Code), pertimbangkan untuk menambahkan informasi ini ke prompt Anda sehingga Claude dapat berperilaku sesuai. Jika tidak, Claude mungkin terkadang secara alami mencoba menyelesaikan pekerjaan saat mendekati batas konteks. Berikut adalah contoh 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.

Alat memori berpasangan secara alami dengan kesadaran konteks untuk transisi konteks yang mulus.

Alur kerja multi-jendela konteks

Untuk tugas yang mencakup beberapa jendela konteks:

1. Gunakan prompt yang berbeda untuk jendela konteks pertama: Gunakan jendela konteks pertama untuk menyiapkan kerangka kerja (tulis tes, buat skrip setup), kemudian gunakan jendela konteks berikutnya untuk mengiterasi pada daftar tugas.

2. Minta model menulis tes dalam format terstruktur: Minta Claude untuk membuat tes sebelum memulai pekerjaan dan melacaknya dalam format terstruktur (misalnya, tests.json). Ini mengarah pada kemampuan iterasi jangka panjang yang lebih baik. Ingatkan Claude tentang pentingnya tes: "It is unacceptable to remove or edit tests because this could lead to missing or buggy functionality."

3. Siapkan alat kenyamanan: Dorong Claude untuk membuat skrip setup (misalnya, init.sh) untuk memulai server dengan baik, menjalankan suite tes, dan linter. Ini mencegah pekerjaan berulang saat melanjutkan dari jendela konteks yang segar.

4. Memulai dari awal vs memadatkan: Ketika jendela konteks dihapus, pertimbangkan untuk memulai dengan jendela konteks yang benar-benar baru daripada menggunakan pemadatan. Model terbaru Claude sangat efektif dalam menemukan status dari sistem file lokal. Dalam beberapa kasus, Anda mungkin ingin memanfaatkan ini daripada pemadatan. Jadilah preskriptif tentang bagaimana seharusnya dimulai:

   • "Call pwd; you can only read and write files in this directory."
   • "Review progress.txt, tests.json, and the git logs."
   • "Manually run through a fundamental integration test before moving on to implementing new features."

5. Sediakan alat verifikasi: Seiring bertambahnya panjang tugas otonom, Claude perlu memverifikasi kebenaran tanpa umpan balik manusia yang terus-menerus. Alat seperti server Playwright MCP atau kemampuan penggunaan komputer untuk menguji UI sangat membantu.

6. Dorong penggunaan konteks yang lengkap: Prompt Claude untuk menyelesaikan komponen secara efisien sebelum melanjutkan:

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.

Praktik terbaik manajemen status

• Gunakan format terstruktur untuk data status: Saat melacak informasi terstruktur (seperti hasil tes atau status tugas), gunakan JSON atau format terstruktur lainnya untuk membantu Claude memahami persyaratan skema
• Gunakan teks tidak terstruktur untuk catatan kemajuan: Catatan kemajuan freeform bekerja dengan baik untuk melacak kemajuan umum dan konteks
• Gunakan git untuk pelacakan status: Git menyediakan log tentang apa yang telah dilakukan dan titik pemeriksaan yang dapat dipulihkan. Model terbaru Claude berkinerja sangat baik dalam menggunakan git untuk melacak status di beberapa sesi.
• Tekankan kemajuan bertahap: Secara eksplisit minta Claude untuk melacak kemajuannya dan fokus pada pekerjaan bertahap

Menyeimbangkan otonomi dan keamanan

Tanpa panduan, Claude Opus 4.6 mungkin mengambil tindakan yang sulit untuk dibalik atau memengaruhi sistem bersama, seperti menghapus file, force-pushing, atau memposting ke layanan eksternal. Jika Anda ingin Claude Opus 4.6 mengonfirmasi sebelum mengambil tindakan yang berpotensi berisiko, tambahkan panduan ke prompt Anda:

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.

Penelitian dan pengumpulan informasi

Model terbaru Claude menunjukkan kemampuan pencarian agentic yang luar biasa dan dapat menemukan serta mensintesis informasi dari berbagai sumber secara efektif. Untuk hasil penelitian yang optimal:

1. Berikan kriteria keberhasilan yang jelas: Tentukan apa yang merupakan jawaban yang berhasil untuk pertanyaan penelitian Anda

2. Dorong verifikasi sumber: Minta Claude untuk memverifikasi informasi dari berbagai sumber

3. Untuk tugas penelitian yang kompleks, gunakan pendekatan terstruktur:

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.

Pendekatan terstruktur ini memungkinkan Claude untuk menemukan dan mensintesis hampir semua informasi dan secara iteratif mengkritik temuannya, tidak peduli seberapa besar korpusnya.

Orkestrasi subagen

Model terbaru Claude menunjukkan kemampuan orkestrasi subagen asli yang jauh lebih baik. Model-model ini dapat mengenali kapan tugas akan mendapat manfaat dari mendelegasikan pekerjaan ke subagen khusus dan melakukannya secara proaktif tanpa memerlukan instruksi eksplisit.

Untuk memanfaatkan perilaku ini:

1. Pastikan alat subagen yang terdefinisi dengan baik: Miliki alat subagen yang tersedia dan dijelaskan dalam definisi alat
2. Biarkan Claude mengorkestrasikan secara alami: Claude akan mendelegasikan dengan tepat tanpa instruksi eksplisit
3. Perhatikan penggunaan berlebihan: Claude Opus 4.6 memiliki kecenderungan kuat untuk subagen dan mungkin memunculkannya dalam situasi di mana pendekatan langsung yang lebih sederhana sudah cukup. Misalnya, model mungkin memunculkan subagen untuk eksplorasi kode ketika panggilan grep langsung lebih cepat dan memadai.

Jika Anda melihat penggunaan subagen yang berlebihan, tambahkan panduan eksplisit tentang kapan subagen diperlukan dan tidak diperlukan:

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.

Rangkaikan prompt yang kompleks

Dengan adaptive thinking dan orkestrasi subagen, Claude menangani sebagian besar penalaran multi-langkah secara internal. Perangkaian prompt eksplisit (memecah tugas menjadi panggilan API berurutan) masih berguna ketika Anda perlu memeriksa output antara atau menerapkan struktur pipeline tertentu.

Pola perangkaian yang paling umum adalah koreksi diri: buat draf → minta Claude meninjaunya berdasarkan kriteria → minta Claude menyempurnakan berdasarkan tinjauan. Setiap langkah adalah panggilan API terpisah sehingga Anda dapat mencatat, mengevaluasi, atau bercabang di titik mana pun.

Kurangi pembuatan file dalam pengkodean agentik

Model terbaru Claude terkadang dapat membuat file baru untuk tujuan pengujian dan iterasi, terutama saat bekerja dengan kode. Pendekatan ini memungkinkan Claude menggunakan file, terutama skrip python, sebagai 'scratchpad sementara' sebelum menyimpan output akhirnya. Menggunakan file sementara dapat meningkatkan hasil terutama untuk kasus penggunaan pengkodean agentik.

Jika Anda lebih suka meminimalkan pembuatan file baru, Anda dapat menginstruksikan Claude untuk membersihkan setelah dirinya sendiri:

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.

Terlalu bersemangat

Claude Opus 4.5 dan Claude Opus 4.6 cenderung melakukan rekayasa berlebihan dengan membuat file ekstra, menambahkan abstraksi yang tidak perlu, atau membangun fleksibilitas yang tidak diminta. Jika Anda melihat perilaku yang tidak diinginkan ini, tambahkan panduan khusus untuk menjaga solusi tetap minimal.

Misalnya:

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.

Hindari fokus pada kelulusan tes dan hard-coding

Claude terkadang dapat terlalu fokus pada kelulusan tes dengan mengorbankan solusi yang lebih umum, atau dapat menggunakan solusi alternatif seperti skrip pembantu untuk refactoring yang kompleks alih-alih menggunakan alat standar secara langsung. Untuk mencegah perilaku ini dan memastikan solusi yang kuat dan dapat digeneralisasi:

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.

Meminimalkan halusinasi dalam pengkodean agentik

Model terbaru Claude kurang rentan terhadap halusinasi dan memberikan jawaban yang lebih akurat, berdasar, dan cerdas berdasarkan kode. Untuk mendorong perilaku ini lebih jauh dan meminimalkan halusinasi:

<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>

Tips khusus kemampuan

Kemampuan visi yang ditingkatkan

Claude Opus 4.5 dan Claude Opus 4.6 memiliki kemampuan visi yang ditingkatkan dibandingkan model Claude sebelumnya. Mereka berkinerja lebih baik pada tugas pemrosesan gambar dan ekstraksi data, terutama ketika ada beberapa gambar yang ada dalam konteks. Peningkatan ini terbawa ke penggunaan komputer, di mana model dapat lebih andal menginterpretasikan tangkapan layar dan elemen UI. Anda juga dapat menggunakan model ini untuk menganalisis video dengan memecahnya menjadi frame.

Salah satu teknik yang terbukti efektif untuk lebih meningkatkan kinerja adalah memberi Claude alat crop atau skill. Pengujian telah menunjukkan peningkatan yang konsisten pada evaluasi gambar ketika Claude dapat "memperbesar" ke wilayah gambar yang relevan. Anthropic telah membuat cookbook untuk alat crop.

Desain frontend

Claude Opus 4.5 dan Claude Opus 4.6 unggul dalam membangun aplikasi web yang kompleks dan nyata dengan desain frontend yang kuat. Namun, tanpa panduan, model dapat default ke pola generik yang menciptakan apa yang disebut pengguna sebagai estetika "AI slop". Untuk membuat frontend yang khas dan kreatif yang mengejutkan dan menyenangkan:

Berikut adalah cuplikan system prompt yang dapat Anda gunakan untuk mendorong desain frontend yang lebih baik:

<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>

Anda juga dapat merujuk ke definisi skill lengkap.

Pertimbangan migrasi

Saat bermigrasi ke model Claude 4.6 dari generasi sebelumnya:

1. Jadilah spesifik tentang perilaku yang diinginkan: Pertimbangkan untuk mendeskripsikan dengan tepat apa yang ingin Anda lihat dalam output.

2. Bingkai instruksi Anda dengan modifier: Menambahkan modifier yang mendorong Claude untuk meningkatkan kualitas dan detail outputnya dapat membantu membentuk kinerja Claude dengan lebih baik. Misalnya, alih-alih "Buat dasbor analitik", gunakan "Buat dasbor analitik. Sertakan sebanyak mungkin fitur dan interaksi yang relevan. Lampaui dasar-dasar untuk membuat implementasi yang lengkap."

3. Minta fitur tertentu secara eksplisit: Animasi dan elemen interaktif harus diminta secara eksplisit bila diinginkan.

4. Perbarui konfigurasi thinking: Model Claude 4.6 menggunakan adaptive thinking (thinking: {type: "adaptive"}) alih-alih thinking manual dengan budget_tokens. Gunakan parameter effort untuk mengontrol kedalaman thinking.

5. Migrasi dari respons yang diisi sebelumnya: Respons yang diisi sebelumnya pada giliran asisten terakhir sudah tidak digunakan lagi mulai dari model Claude 4.6. Lihat Migrasi dari respons yang diisi sebelumnya untuk panduan terperinci tentang alternatif.

6. Sesuaikan prompting anti-kemalasan: Jika prompt Anda sebelumnya mendorong model untuk lebih menyeluruh atau menggunakan alat lebih agresif, kurangi panduan tersebut. Model Claude 4.6 jauh lebih proaktif dan mungkin terlalu terpicu oleh instruksi yang diperlukan untuk model sebelumnya.

Untuk langkah migrasi terperinci, lihat Panduan migrasi.

Migrasi dari Claude Sonnet 4.5 ke Claude Sonnet 4.6

Claude Sonnet 4.6 default ke level effort high, berbeda dengan Claude Sonnet 4.5 yang tidak memiliki parameter effort. Pertimbangkan untuk menyesuaikan parameter effort saat Anda bermigrasi dari Claude Sonnet 4.5 ke Claude Sonnet 4.6. Jika tidak diatur secara eksplisit, Anda mungkin mengalami latensi yang lebih tinggi dengan level effort default.

Pengaturan effort yang direkomendasikan:

• Medium untuk sebagian besar aplikasi
• Low untuk beban kerja bervolume tinggi atau sensitif terhadap latensi
• Tetapkan anggaran token output maksimum yang besar (64k token direkomendasikan) pada effort medium atau high untuk memberi model ruang untuk berpikir dan bertindak

Kapan menggunakan Opus 4.6 sebagai gantinya: Untuk masalah yang paling sulit dan berhorizon panjang (migrasi kode skala besar, penelitian mendalam, pekerjaan otonom yang diperpanjang), Opus 4.6 tetap menjadi pilihan yang tepat. Sonnet 4.6 dioptimalkan untuk beban kerja di mana turnaround cepat dan efisiensi biaya paling penting.

Jika Anda tidak menggunakan extended thinking

Jika Anda tidak menggunakan extended thinking pada Claude Sonnet 4.5, Anda dapat melanjutkan tanpanya pada Claude Sonnet 4.6. Anda harus secara eksplisit mengatur effort ke level yang sesuai untuk kasus penggunaan Anda. Pada effort low dengan thinking dinonaktifkan, Anda dapat mengharapkan kinerja yang serupa atau lebih baik relatif terhadap Claude Sonnet 4.5 tanpa extended thinking.

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

Jika Anda menggunakan extended thinking

Jika Anda menggunakan extended thinking dengan budget_tokens pada Claude Sonnet 4.5, ini masih berfungsi pada Claude Sonnet 4.6 tetapi sudah tidak digunakan lagi. Migrasi ke adaptive thinking dengan parameter effort.

Migrasi ke adaptive thinking

Adaptive thinking sangat cocok untuk pola beban kerja berikut:

• Agen multi-langkah otonom: agen pengkodean yang mengubah persyaratan menjadi perangkat lunak yang berfungsi, pipeline analisis data, dan pencarian bug di mana model berjalan secara independen di banyak langkah. Adaptive thinking memungkinkan model mengkalibrasi penalarannya per langkah, tetap pada jalur di sepanjang lintasan yang lebih panjang. Untuk beban kerja ini, mulai dengan effort high. Jika latensi atau penggunaan token menjadi perhatian, turunkan ke medium.
• Agen penggunaan komputer: Claude Sonnet 4.6 mencapai akurasi terbaik di kelasnya pada evaluasi penggunaan komputer menggunakan mode adaptive.
• Beban kerja bimodal: campuran tugas mudah dan sulit di mana adaptive melewati thinking pada kueri sederhana dan bernalar mendalam pada yang kompleks.

Saat menggunakan adaptive thinking, evaluasi effort medium dan high pada tugas Anda. Level yang tepat bergantung pada tradeoff beban kerja Anda antara kualitas, latensi, dan penggunaan token.

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

Mempertahankan budget_tokens selama migrasi

Jika Anda perlu mempertahankan budget_tokens sementara selama migrasi, anggaran sekitar 16k token memberikan ruang untuk masalah yang lebih sulit tanpa risiko penggunaan token yang tidak terkendali. Konfigurasi ini sudah tidak digunakan lagi dan akan dihapus dalam rilis model mendatang.

Untuk kasus penggunaan pengkodean (pengkodean agentik, alur kerja berat alat, pembuatan kode), mulai dengan effort medium:

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": "..."}],
)

Untuk kasus penggunaan chat dan non-pengkodean (chat, pembuatan konten, pencarian, klasifikasi), mulai dengan effort low:

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": "..."}],
)