Prompting Claude Sonnet 5

Panduan ini membahas pola prompting yang spesifik untuk Claude Sonnet 5. Untuk kemampuan model dan perubahan API, lihat Apa yang baru di Claude Sonnet 5. Untuk teknik yang berlaku di semua model Claude saat ini, lihat Praktik terbaik prompting.

Claude Sonnet 5 memiliki kekuatan khusus dalam tugas coding dan agentik. Model ini bekerja dengan baik secara langsung pada prompt Claude Sonnet 4.6 yang sudah ada. Pola-pola dalam panduan ini mencakup perilaku yang paling sering memerlukan penyesuaian.



Panjang respons dan verbositas

Claude Sonnet 5 mengkalibrasi panjang respons sesuai dengan kompleksitas tugas, bukan menggunakan tingkat verbositas yang tetap secara default. Ini biasanya berarti jawaban yang lebih pendek untuk pencarian sederhana dan jawaban yang lebih panjang untuk analisis terbuka.

Jika produk Anda bergantung pada gaya atau verbositas output tertentu, Anda mungkin perlu menyesuaikan prompt Anda. Sebagai contoh, untuk mengurangi verbositas, Anda dapat menambahkan:

Provide concise, focused responses. Skip non-essential context, and keep examples minimal.

Jika Anda melihat jenis verbositas tertentu (seperti penjelasan yang berlebihan), Anda dapat menambahkan instruksi tambahan dalam prompt Anda untuk mencegahnya. Contoh positif yang menunjukkan bagaimana Claude dapat berkomunikasi dengan tingkat keringkasan yang tepat cenderung lebih efektif daripada contoh negatif atau instruksi yang memberi tahu model apa yang tidak boleh dilakukan.



Mengkalibrasi effort dan kedalaman pemikiran

Parameter effort memungkinkan Anda menyesuaikan kecerdasan Claude versus penggunaan token, menukar kapabilitas dengan kecepatan yang lebih tinggi dan biaya yang lebih rendah. Pada Claude Sonnet 5, effort secara default adalah high, sama seperti pada Claude Sonnet 4.6. Untuk tugas coding dan agentik yang paling sulit, naikkan effort ke xhigh. Bereksperimenlah dengan level effort lainnya untuk menyesuaikan lebih lanjut penggunaan token dan kecerdasan:

• max: Kapabilitas maksimum absolut tanpa batasan pada penggunaan token.
• xhigh: Effort ekstra tinggi adalah pengaturan yang direkomendasikan untuk kasus penggunaan coding dan agentik yang paling sulit.
• high: Default. Pengaturan ini menyeimbangkan penggunaan token dan kecerdasan untuk sebagian besar kasus penggunaan.
• medium: Cocok untuk kasus penggunaan yang sensitif terhadap biaya dan perlu mengurangi penggunaan token dengan menukar sebagian kecerdasan.
• low: Gunakan untuk tugas yang singkat dan terbatas serta beban kerja yang sensitif terhadap latensi tetapi tidak sensitif terhadap kecerdasan.

Sebagai pemetaan kasar antar-model saat bermigrasi: Claude Sonnet 5 pada medium sebanding dalam kecerdasan dengan Claude Sonnet 4.6 pada high, dan Claude Sonnet 5 pada high sebanding dengan Claude Sonnet 4.6 pada max. Saat melakukan benchmarking, cocokkan berdasarkan panjang pemikiran yang diamati, bukan berdasarkan nama effort.

Claude Sonnet 5 mematuhi level effort secara ketat, terutama pada level rendah. Pada low dan medium, model membatasi pekerjaannya pada apa yang diminta, bukan melampaui ekspektasi. Ini baik untuk latensi dan biaya, tetapi pada tugas yang cukup kompleks yang dijalankan pada effort low, ada risiko pemikiran yang kurang mendalam.

Jika Anda mengamati penalaran yang dangkal pada masalah kompleks, naikkan effort ke high atau xhigh daripada mengatasinya melalui prompting. Jika Anda perlu mempertahankan effort pada low untuk latensi, tambahkan panduan yang ditargetkan:

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

Pada Claude Sonnet 5, adaptive thinking (pemikiran adaptif) aktif secara default. Permintaan tanpa field thinking berjalan dengan pemikiran adaptif. Ini adalah perubahan dari Claude Sonnet 4.6, di mana permintaan yang sama berjalan tanpa pemikiran. Untuk menonaktifkan pemikiran sepenuhnya, kirimkan thinking: {type: "disabled"}. Karena max_tokens adalah batas keras pada total output (pemikiran ditambah teks respons), tinjau kembali nilainya untuk beban kerja yang berjalan tanpa pemikiran pada Claude Sonnet 4.6. Jika sebelumnya Anda menggunakan pemikiran nonaktif dengan Claude Sonnet 4.6, cobalah pemikiran aktif dengan level effort yang lebih rendah untuk Claude Sonnet 5.

Perilaku pemicu untuk pemikiran adaptif dapat diarahkan. Jika Anda mendapati model mengeluarkan blok pemikiran lebih sering dari yang Anda inginkan, yang dapat terjadi dengan prompt sistem yang besar atau kompleks, tambahkan panduan untuk mengarahkannya. Seperti biasa, ukur efek dari setiap perubahan prompting terhadap performa. Contoh:

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.

Sebaliknya, jika Anda menjalankan beban kerja yang sulit pada medium dan melihat pemikiran yang kurang mendalam, langkah pertama adalah menaikkan effort. Jika Anda memerlukan kontrol yang lebih halus, berikan instruksi langsung melalui prompt.

Pemikiran diperpanjang manual (thinking: {type: "enabled", budget_tokens: N}) tidak didukung pada Claude Sonnet 5 dan mengembalikan error 400. Fitur ini sudah di-deprecate pada Claude Sonnet 4.6 dan sekarang dihapus. Gunakan pemikiran adaptif dengan parameter effort sebagai gantinya.



Pemicu penggunaan alat

Claude Sonnet 5 lebih agentik daripada Claude Sonnet 4.6 secara default dan akan lebih mudah menjangkau alat serta menjalankan loop verifikasi mandiri. Dengan pemikiran dinonaktifkan, model cenderung lebih jarang menjangkau alat atau mempertimbangkan pencarian; jika Anda mengandalkan pemanggilan alat dengan pemikiran nonaktif, tambahkan dorongan eksplisit dalam prompt sistem. Effort juga merupakan pengungkit untuk penggunaan alat: pengaturan effort high atau xhigh menunjukkan penggunaan alat yang jauh lebih banyak dalam pencarian agentik dan coding. Untuk skenario di mana Anda menginginkan lebih banyak penggunaan alat, Anda juga dapat menyesuaikan prompt Anda untuk secara eksplisit menginstruksikan model tentang kapan dan bagaimana menggunakan alatnya dengan benar. Misalnya, jika Anda mendapati bahwa model tidak menggunakan alat pencarian web Anda, jelaskan dengan jelas mengapa dan bagaimana model harus menggunakannya.



Pembaruan progres untuk pengguna

Claude Sonnet 5 memberikan pembaruan yang teratur dan berkualitas lebih tinggi kepada pengguna sepanjang jejak agentik yang panjang. Jika Anda telah menambahkan scaffolding untuk memaksa pesan status sementara ("Setelah setiap 3 pemanggilan alat, rangkum progres"), coba hapus. Jika Anda mendapati bahwa panjang atau isi pembaruan untuk pengguna dari Claude Sonnet 5 tidak terkalibrasi dengan baik untuk kasus penggunaan Anda, jelaskan secara eksplisit seperti apa pembaruan ini seharusnya dalam prompt dan berikan contoh.



Mengikuti instruksi secara lebih harfiah

Claude Sonnet 5 menafsirkan prompt secara harfiah dan eksplisit, terutama pada level effort yang lebih rendah. Model tidak secara diam-diam menggeneralisasi instruksi dari satu item ke item lain, dan tidak menyimpulkan permintaan yang tidak Anda buat. Keuntungan dari literalisme ini adalah presisi, dan secara umum berkinerja lebih baik untuk kasus penggunaan API dengan prompt yang disesuaikan dengan cermat, ekstraksi terstruktur, dan pipeline di mana Anda menginginkan perilaku yang dapat diprediksi. Jika Anda membutuhkan Claude untuk menerapkan instruksi secara luas, nyatakan cakupannya secara eksplisit (misalnya, "Terapkan pemformatan ini ke setiap bagian, bukan hanya yang pertama").



Nada dan gaya penulisan

Seperti halnya model baru lainnya, gaya prosa pada penulisan panjang mungkin berubah. Jika produk Anda bergantung pada suara tertentu, evaluasi ulang prompt gaya terhadap baseline baru.

Misalnya, jika suara produk Anda lebih hangat atau lebih percakapan, tambahkan:

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

Jika sebelumnya Anda mengandalkan temperature untuk variasi gaya, perhatikan bahwa mengatur temperature, top_p, atau top_k ke nilai non-default akan mengembalikan error 400 pada Claude Sonnet 5. Batasan ini baru untuk model kelas Sonnet. Hapus parameter ini saat bermigrasi, dan gunakan instruksi prompt sistem untuk memandu nada dan variasi sebagai gantinya.



Default desain dan frontend

Claude Sonnet 5 mungkin cenderung menggunakan gaya visual default yang konsisten pada brief frontend dan desain yang terbuka. Gaya bawaan default dapat terlihat baik untuk beberapa brief tetapi terasa kurang cocok untuk dashboard, dev tools, fintech, layanan kesehatan, atau aplikasi enterprise.

Instruksi generik ("jangan gunakan warna itu," "buat bersih dan minimal") cenderung menggeser model ke palet tetap yang berbeda daripada menghasilkan variasi. Dua pendekatan berikut bekerja dengan andal:

1. Tentukan alternatif konkret. Model mengikuti spesifikasi eksplisit dengan tepat:

Design a desktop landing page for a supplement brand called AEFRM.

The visual direction should come from a cold monochrome atmosphere using pale silver-gray tones that gradually deepen into blue-gray and near-black, similar to a misted metallic surface.

The page should feel sharp and controlled, with a strong sense of structure and restraint.

Use this tonal system across the full page instead of introducing bright accent colors.

Use the uploaded image on the hero design in black and white.

The layout should be built with clear horizontal sections and a centered max-width container. Use 4px corner radius consistently across cards, buttons, inputs, and media frames. Margins should feel generous, with enough empty space around each section so the page breathes.

Typography should use a square, angular sans-serif with wider letter spacing than usual, especially in headings and navigation, so the text feels more engineered and less compressed. Headline text can be large and uppercase, while supporting copy remains short and sparse. The sub texts should be written with Alumni Sans SC in 4-6px like tiny little texts on corners bottom centre like that.

For the structure, start with a hero section containing a strong product statement, one short supporting paragraph, and a clean product placeholder or packshot frame. Below that, add a benefit grid with three or four blocks, then a formulation or ingredients section, and finally a cta.

Buttons should be flat and precise, with subtle hover changes using transition: all 160ms ease out where brightness and border contrast shift slightly rather than using dramatic motion.

Color palette should stay within this range:
#E9ECEC, #C9D2D4, #8C9A9E, #44545B, #11171B.

2. Minta model mengusulkan opsi sebelum membangun. Ini memecah default dan memberi pengguna kontrol. Karena temperature tidak diterima pada Claude Sonnet 5, pendekatan ini adalah cara yang direkomendasikan untuk menghasilkan arah desain yang berbeda secara bermakna di seluruh eksekusi. Contoh prompt:

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

Untuk menghindari pola generik yang oleh pengguna disebut estetika "AI slop", Anda dapat menyertakan arahan singkat dalam prompt sistem Anda. Skill frontend-design memberikan penjelasan yang lebih lengkap, tetapi cuplikan ini bekerja dengan baik bersama pendekatan variasi sebelumnya:

<frontend_aesthetics>
NEVER use generic AI-generated aesthetics like overused font families (Inter, Roboto, Arial, system fonts), cliched color schemes (particularly purple gradients on white or dark backgrounds), predictable layouts and component patterns, and cookie-cutter design that lacks context-specific character. Use unique fonts, cohesive colors and themes, and animations for effects and micro-interactions.
</frontend_aesthetics>



Produk coding interaktif

Penggunaan token dan perilaku dapat berbeda antara agen coding otonom dan asinkron dengan satu giliran pengguna dan agen coding interaktif dan sinkron dengan beberapa giliran pengguna. Untuk memaksimalkan performa dan efisiensi token dalam produk coding, gunakan effort xhigh atau high, tambahkan fitur otonom seperti mode auto, dan kurangi jumlah interaksi manusia yang diperlukan dari pengguna Anda.

Saat membatasi jumlah interaksi pengguna yang diperlukan, penting untuk menentukan tugas, maksud, dan batasan yang relevan di awal pada giliran manusia pertama. Memberikan deskripsi tugas yang terspesifikasi dengan baik, jelas, dan akurat di awal dapat membantu memaksimalkan otonomi dan kecerdasan sambil meminimalkan penggunaan token tambahan setelah giliran pengguna. Sebaliknya, prompt yang ambigu atau kurang terspesifikasi yang disampaikan secara bertahap melalui beberapa giliran pengguna cenderung secara relatif mengurangi efisiensi token dan terkadang performa.



Harness code review

Jika harness code-review Anda disesuaikan untuk model sebelumnya, Anda mungkin awalnya melihat recall yang lebih rendah pada Claude Sonnet 5. Ini kemungkinan adalah efek harness, bukan regresi kapabilitas. Ketika prompt review mengatakan hal-hal seperti "hanya laporkan masalah dengan tingkat keparahan tinggi," "bersikap konservatif," atau "jangan mencari-cari kesalahan kecil," Claude Sonnet 5 mungkin mengikuti instruksi tersebut lebih setia daripada model sebelumnya: model mungkin menyelidiki kode sama menyeluruhnya, mengidentifikasi bug, dan kemudian tidak melaporkan temuan yang dinilainya berada di bawah ambang batas yang Anda nyatakan. Ini dapat muncul sebagai model yang melakukan kedalaman investigasi yang sama tetapi mengonversi lebih sedikit investigasi menjadi temuan yang dilaporkan, terutama pada bug dengan tingkat keparahan lebih rendah. Presisi biasanya naik, tetapi recall yang terukur dapat turun meskipun kemampuan dasar model dalam menemukan bug telah meningkat.

Beberapa bahasa prompt yang direkomendasikan:

Report every issue you find, including ones you are uncertain about or consider low-severity. Do not filter for importance or confidence at this stage - a separate verification step will do that. Your goal here is coverage: it is better to surface a finding that later gets filtered out than to silently drop a real bug. For each finding, include your confidence level and an estimated severity so a downstream filter can rank them.

Prompt ini dapat digunakan tanpa benar-benar memiliki langkah kedua, tetapi memindahkan pemfilteran tingkat keyakinan keluar dari langkah penemuan sering kali membantu. Jika harness Anda memiliki tahap verifikasi, deduplikasi, atau pemeringkatan terpisah, beri tahu model secara eksplisit bahwa tugasnya pada tahap penemuan adalah cakupan, bukan pemfilteran.

Jika Anda memang ingin model melakukan pemfilteran sendiri dalam satu langkah, jelaskan secara konkret di mana ambang batasnya daripada menggunakan istilah kualitatif seperti "penting": misalnya, "laporkan bug apa pun yang dapat menyebabkan perilaku yang salah, kegagalan tes, atau hasil yang menyesatkan; hanya abaikan hal-hal kecil seperti preferensi gaya atau penamaan murni."

Iterasi pada prompt terhadap subset evaluasi atau test case Anda untuk memvalidasi peningkatan recall atau skor F1.



Computer use

Claude Sonnet 5 mendukung versi alat computer_20251124. Kapabilitas computer use bekerja di berbagai resolusi, hingga resolusi maksimum 2576px / 3,75MP. Pengujian computer use internal menunjukkan bahwa mengirim gambar pada 1080p memberikan keseimbangan yang baik antara performa dan biaya.

Untuk beban kerja yang sangat sensitif terhadap biaya, 720p atau 1366×768 adalah opsi dengan biaya lebih rendah dengan performa yang kuat. Lakukan pengujian Anda sendiri untuk menemukan pengaturan ideal untuk kasus penggunaan Anda; bereksperimen dengan pengaturan effort juga dapat membantu menyesuaikan perilaku model.