Prompting per Claude Opus 4.8

Questa guida copre i pattern di prompting specifici di Claude Opus 4.8. Per le modifiche all'API relative al passaggio da Claude Opus 4.8 all'ultimo modello Opus, consulta Migrazione a Claude Opus 5 da Claude Opus 4.8. Per le tecniche che si applicano a tutti i modelli Claude attuali, consulta Best practice di prompting.

Claude Opus 4.8 ha punti di forza particolari nel lavoro agentico a lungo orizzonte, nel knowledge work, nella visione e nei compiti di memoria. Funziona bene fin da subito con i prompt esistenti per Claude Opus 4.7. I pattern seguenti coprono i comportamenti che più spesso richiedono una messa a punto.

Lunghezza delle risposte e verbosità

Claude Opus 4.8 calibra la lunghezza della risposta in base a quanto giudica complesso il compito, anziché adottare per impostazione predefinita una verbosità fissa. Questo di solito significa risposte più brevi per semplici ricerche e molto più lunghe per analisi aperte.

Se il tuo prodotto dipende da un certo stile o da una certa verbosità dell'output, potresti dover mettere a punto i tuoi prompt. Ad esempio, per ridurre la verbosità, potresti aggiungere:

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

Se noti esempi specifici di tipi di verbosità (come spiegazioni eccessive), puoi aggiungere istruzioni aggiuntive nel tuo prompt per prevenirli. Gli esempi positivi che mostrano come Claude può comunicare con il livello appropriato di concisione tendono a essere più efficaci degli esempi negativi o delle istruzioni che dicono al modello cosa non fare.

Calibrare l'effort e la profondità del pensiero

Il parametro effort ti consente di regolare l'intelligenza di Claude rispetto alla spesa in token, scambiando capacità per maggiore velocità e costi inferiori. Inizia con il livello di effort xhigh per i casi d'uso di coding e agentici, e usa un minimo di effort high per la maggior parte dei casi d'uso sensibili all'intelligenza. Sperimenta con altri livelli di effort per regolare ulteriormente l'uso dei token e l'intelligenza:

• max: L'effort massimo può offrire guadagni di prestazioni in alcuni casi d'uso, ma può mostrare rendimenti decrescenti a fronte di un maggiore uso di token. Questa impostazione può anche talvolta essere incline all'overthinking. Testa l'effort max per compiti che richiedono molta intelligenza.
• xhigh: L'effort extra alto è l'impostazione migliore per la maggior parte dei casi d'uso di coding e agentici.
• high: Questa impostazione bilancia uso dei token e intelligenza. Per la maggior parte dei casi d'uso sensibili all'intelligenza, usa un minimo di effort high.
• medium: Adatto per casi d'uso sensibili ai costi che devono ridurre l'uso dei token a scapito dell'intelligenza.
• low: Riservalo a compiti brevi e circoscritti e a carichi di lavoro sensibili alla "latency" (latenza) che non sono sensibili all'intelligenza.

Claude Opus 4.8 rispetta rigorosamente i livelli di effort, specialmente nella fascia bassa. A low e medium, il modello circoscrive il proprio lavoro a ciò che è stato chiesto anziché andare oltre. Questo è positivo per latenza e costi, ma su compiti moderatamente complessi eseguiti con effort low c'è un certo rischio di under-thinking.

Se osservi un ragionamento superficiale su problemi complessi, aumenta l'effort a high o xhigh anziché aggirare il problema con il prompting. Se devi mantenere l'effort a low per la latenza, aggiungi indicazioni mirate:

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

L'effort è probabilmente più importante per questo modello che per qualsiasi Opus precedente, quindi sperimentalo attivamente quando esegui l'aggiornamento.

Su Claude Opus 4.8, il pensiero è disattivato a meno che tu non imposti esplicitamente thinking: {type: "adaptive"}. Il comportamento di attivazione dell'"adaptive thinking" (pensiero adattivo) è orientabile. Se noti che il modello pensa più spesso di quanto vorresti, cosa che può accadere con prompt di sistema grandi o complessi, aggiungi indicazioni per orientarlo. Come sempre, misura l'effetto di qualsiasi modifica al prompting sulle prestazioni. Esempio:

Thinking adds latency and should only be used when it will meaningfully improve answer quality — typically for problems that require multistep reasoning. When in doubt, respond directly.

Al contrario, se stai eseguendo carichi di lavoro difficili a medium e osservi under-thinking, la prima leva è aumentare l'effort. Se hai bisogno di un controllo più fine, richiedilo direttamente nel prompt.

Attivazione dell'uso degli strumenti

Claude Opus 4.8 ha la tendenza a privilegiare il ragionamento rispetto alle chiamate agli strumenti. Questo produce risultati migliori nella maggior parte dei casi. Tuttavia, aumentare l'impostazione dell'effort è una leva utile per incrementare il livello di "tool use" (uso degli strumenti), specialmente nel knowledge work. Le impostazioni di effort high o xhigh mostrano un uso degli strumenti sostanzialmente maggiore nella ricerca agentica e nel coding. Per gli scenari in cui desideri un maggiore uso degli strumenti, puoi anche modificare il tuo prompt per istruire esplicitamente il modello su quando e come usare correttamente i suoi strumenti. Ad esempio, se noti che il modello non sta usando i tuoi strumenti di ricerca web, descrivi chiaramente perché e come dovrebbe farlo.

Aggiornamenti di avanzamento rivolti all'utente

Claude Opus 4.8 fornisce aggiornamenti più regolari e di qualità superiore all'utente durante lunghe tracce agentiche. Se hai aggiunto scaffolding per forzare messaggi di stato intermedi ("Dopo ogni 3 chiamate agli strumenti, riassumi i progressi"), prova a rimuoverlo. Se noti che la lunghezza o i contenuti degli aggiornamenti rivolti all'utente di Claude Opus 4.8 non sono ben calibrati per il tuo caso d'uso, descrivi esplicitamente nel prompt come dovrebbero essere questi aggiornamenti e fornisci esempi.

Rispetto più letterale delle istruzioni

Claude Opus 4.8 interpreta i prompt in modo letterale ed esplicito, in particolare ai livelli di effort più bassi. Non generalizza silenziosamente un'istruzione da un elemento a un altro e non deduce richieste che non hai fatto. Il vantaggio di questa letteralità è la precisione e meno dispersione, e in generale funziona meglio per i casi d'uso API con prompt accuratamente messi a punto, estrazione strutturata e pipeline in cui desideri un comportamento prevedibile. Se hai bisogno che Claude applichi un'istruzione in modo ampio, indica esplicitamente l'ambito (ad esempio, "Applica questa formattazione a ogni sezione, non solo alla prima").

Tono e stile di scrittura

Come con qualsiasi nuovo modello, lo stile della prosa nella scrittura di lungo formato può cambiare. Claude Opus 4.8 tende verso uno stile diretto e con opinioni nette, con un uso minimo di formulazioni orientate alla validazione e un uso parsimonioso delle emoji. Se il tuo prodotto si basa su una voce specifica, rivaluta i prompt di stile rispetto alla nuova baseline.

Ad esempio, se la voce del tuo prodotto è più calda o più colloquiale, aggiungi:

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

Controllare la generazione di subagenti

Claude Opus 4.8 tende a generare meno "subagents" (subagenti) per impostazione predefinita. Tuttavia, questo comportamento è orientabile tramite il prompting; fornisci a Claude Opus 4.8 indicazioni esplicite su quando i subagenti sono desiderabili. Un esempio semplificato per un caso d'uso di coding:

Do not spawn a subagent for work you can complete directly in a single response (e.g. refactoring a function you can already see).

Spawn multiple subagents in the same turn when fanning out across items or reading multiple files.

Impostazioni predefinite di design e frontend

Claude Opus 4.8 ha un forte istinto per il design, con uno stile della casa predefinito coerente: sfondi caldi crema/bianco sporco (~#F4F1EA), caratteri display serif (Georgia, Fraunces, Playfair), accenti di parole in corsivo e un colore d'accento terracotta/ambra. Questo funziona bene per brief editoriali, di ospitalità e di portfolio, ma risulterà fuori luogo per dashboard, strumenti per sviluppatori, fintech, sanità o app enterprise. L'impostazione predefinita compare nelle presentazioni e nelle UI web.

Questa impostazione predefinita è persistente. Le istruzioni generiche ("non usare il crema", "rendilo pulito e minimale") tendono a spostare il modello verso una diversa palette fissa anziché produrre varietà. Due approcci funzionano in modo affidabile:

1. Specifica un'alternativa concreta. Il modello segue con precisione le specifiche esplicite:

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. Fai proporre al modello delle opzioni prima di costruire. Questo rompe l'impostazione predefinita e dà il controllo agli utenti. Se in precedenza ti affidavi a temperature per la varietà nel design, usa questo approccio; produce direzioni significativamente diverse tra un'esecuzione e l'altra. Prompt di esempio:

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

Inoltre, Claude Opus 4.8 richiede meno prompting per il design frontend rispetto ai modelli precedenti per evitare i pattern generici che gli utenti chiamano estetica "AI slop". Con i modelli precedenti, Anthropic raccomandava uno snippet di prompt più lungo nella skill frontend-design. Tuttavia, Claude Opus 4.8 genera frontend distintivi e creativi con indicazioni di prompting più minimali. Questo snippet di prompt funziona bene insieme ai consigli di prompting precedenti per la varietà:

<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>

Prodotti di coding interattivi

L'uso dei token e il comportamento di Claude Opus 4.8 possono differire tra agenti di coding autonomi e asincroni con un singolo turno utente e agenti di coding interattivi e sincroni con più turni utente. In particolare, tende a usare più token in contesti interattivi, principalmente perché ragiona di più dopo i turni utente. Questo può migliorare la coerenza a lungo orizzonte, il rispetto delle istruzioni e le capacità di coding in sessioni di coding lunghe e interattive, ma comporta anche un maggiore uso di token. Per massimizzare sia le prestazioni sia l'efficienza dei token nei prodotti di coding, usa l'effort xhigh o high, aggiungi funzionalità autonome come una modalità automatica e riduci il numero di interazioni umane richieste ai tuoi utenti.

Naturalmente, quando si limita il numero di interazioni utente richieste, è importante specificare il compito, l'intento e i vincoli rilevanti fin dall'inizio nel primo turno umano. Fornire fin dall'inizio descrizioni del compito ben specificate, chiare e accurate può aiutare a massimizzare autonomia e intelligenza riducendo al minimo l'uso aggiuntivo di token dopo i turni utente. Poiché Claude Opus 4.8 è più autonomo dei modelli precedenti, questo pattern di utilizzo aiuta a massimizzare le prestazioni. Al contrario, prompt ambigui o sottospecificati trasmessi progressivamente su più turni utente tendono a ridurre relativamente l'efficienza dei token e talvolta le prestazioni.

Harness di code review

Claude Opus 4.8 è significativamente migliore nel trovare bug rispetto ai modelli precedenti e ha sia recall sia precision più elevate nelle valutazioni interne. Tuttavia, se il tuo harness di code review è stato messo a punto per un modello precedente, potresti inizialmente osservare una recall inferiore. Si tratta probabilmente di un effetto dell'harness, non di una regressione delle capacità. Quando un prompt di review dice cose come "segnala solo problemi di alta gravità", "sii conservativo" o "non essere pignolo", Claude Opus 4.8 potrebbe seguire quell'istruzione più fedelmente di quanto facessero i modelli precedenti: potrebbe esaminare il codice con la stessa accuratezza, identificare i bug e poi non segnalare i risultati che giudica al di sotto della soglia che hai indicato. Questo può manifestarsi con il modello che svolge la stessa profondità di indagine ma converte meno indagini in risultati segnalati, specialmente per i bug di gravità inferiore. La precision tipicamente aumenta, ma la recall misurata può diminuire anche se la capacità sottostante del modello di trovare bug è migliorata.

Alcune formulazioni di prompt consigliate:

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.

Questo prompt può essere usato senza avere un effettivo secondo passaggio, ma spostare il filtraggio per confidenza fuori dalla fase di individuazione spesso aiuta. Se il tuo harness ha una fase separata di verifica, deduplicazione o ranking, di' esplicitamente al modello che il suo compito nella fase di individuazione è la copertura anziché il filtraggio.

Se invece vuoi che il modello si auto-filtri in un singolo passaggio, sii concreto su dove si trova la soglia anziché usare termini qualitativi come "importante": ad esempio, "segnala qualsiasi bug che potrebbe causare un comportamento errato, il fallimento di un test o un risultato fuorviante; ometti solo le minuzie come pure preferenze di stile o di denominazione."

Itera sui prompt rispetto a un sottoinsieme delle tue valutazioni o dei tuoi casi di test per convalidare i guadagni di recall o di F1 score.

Computer use

Claude Opus 4.8 supporta il toolset computer_toolset_20260801 (sulla Claude API e su Google Cloud) e la versione precedente dello strumento computer_20251124. Per i compiti all'interno di pagine web, Claude Opus 4.8 supporta anche lo strumento browser use (browser_toolset_20260801). La capacità di computer use funziona su diverse risoluzioni, fino a una risoluzione massima di 2576px / 3,75MP. I test interni di computer use mostrano che l'invio di immagini a 1080p offre un buon equilibrio tra prestazioni e costi.

Per carichi di lavoro particolarmente sensibili ai costi, 720p o 1366×768 sono opzioni a costo inferiore con prestazioni solide. Conduci i tuoi test per trovare le impostazioni ideali per il tuo caso d'uso; sperimentare con le impostazioni di effort può anche aiutare a regolare il comportamento del modello.