---
title: Prompting per Claude Opus 4.8
url: https://platform.claude.com/docs/it/build-with-claude/prompt-engineering/prompting-claude-opus-4-8
description: Differenze comportamentali e pattern di prompting per Claude Opus 4.8, che coprono verbosità, calibrazione dell'effort, uso degli strumenti, subagenti e impostazioni predefinite per il frontend.
---
Questa guida illustra i pattern di prompting specifici di Claude Opus 4.8. Per le modifiche all'API necessarie per passare da Claude Opus 4.8 a Claude Opus 5.5, consulta [Migrazione a Claude Opus 5.5 da Claude Opus 4.8](https://platform.claude.com/docs/it/models/opus-5-5/migration-guide#migrating-from-claude-opus-4-8). Per le tecniche valide per tutti gli attuali modelli Claude, consulta [Best practice per il prompting](https://platform.claude.com/docs/it/build-with-claude/prompt-engineering/claude-prompting-best-practices).
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.
Per le modifiche ai parametri dell'API rispetto a Claude Opus 4.7 ("context window" (finestra di contesto) da 1M come impostazione predefinita e messaggi di sistema a metà conversazione), consulta [Migrazione a Claude Opus 5.5 da Claude Opus 4.7](https://platform.claude.com/docs/it/models/opus-5-5/migration-guide#migrating-from-claude-opus-47), che tratta le stesse modifiche nel percorso verso Claude Opus 5.5; Claude Opus 4.8 condivide questi comportamenti.
## Lunghezza delle risposte e verbosità
Claude Opus 4.8 calibra la lunghezza della risposta in base alla propria stima della complessità del compito, anziché adottare per impostazione predefinita una verbosità fissa. Questo di solito significa risposte più brevi per le ricerche semplici e molto più lunghe per le analisi aperte.
Se il tuo prodotto dipende da un certo stile o livello di verbosità dell'output, potrebbe essere necessario mettere a punto i tuoi prompt. Ad esempio, per ridurre la verbosità, potresti aggiungere:
```text wrap
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 ragionamento
Il [parametro effort](https://platform.claude.com/docs/it/build-with-claude/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 miglioramenti delle prestazioni in alcuni casi d'uso, ma potrebbe mostrare rendimenti decrescenti a fronte di un maggiore uso di token. Questa impostazione può anche talvolta essere soggetta a un ragionamento eccessivo. Prova l'effort massimo per i 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. Ai livelli `low` e `medium`, il modello limita il proprio lavoro a ciò che è stato richiesto anziché andare oltre la richiesta. Questo è positivo per latenza e costi, ma su compiti moderatamente complessi eseguiti con effort `low` esiste un certo rischio di ragionamento insufficiente.
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:
```text wrap
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 ragionamento è disattivato a meno che tu non imposti esplicitamente `thinking: {type: "adaptive"}`. Il comportamento di attivazione dell'["adaptive thinking" (ragionamento adattivo)](https://platform.claude.com/docs/it/build-with-claude/thinking) è orientabile. Se noti che il modello ragiona più spesso di quanto desideri, cosa che può verificarsi con prompt di sistema grandi o complessi, aggiungi indicazioni per orientarlo. Come sempre, misura l'effetto di qualsiasi modifica al prompting sulle prestazioni. Esempio:
```text wrap
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.
Se stai eseguendo Claude Opus 4.8 con effort `max` o `xhigh`, imposta un budget ampio di token di output massimi in modo che il modello abbia spazio per pensare e agire attraverso i suoi subagenti e le chiamate agli strumenti. Inizia da 64k token e regola da lì.
## 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 testi lunghi potrebbe cambiare. Claude Opus 4.8 tende verso uno stile diretto e deciso, con un fraseggio minimamente orientato alla convalida e un uso parsimonioso delle emoji. Se il tuo prodotto si basa su una voce specifica, rivaluta i prompt di stile rispetto alla nuova base di riferimento.
Ad esempio, se la voce del tuo prodotto è più calda o più colloquiale, aggiungi:
```text wrap
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:
```text wrap
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 predefinito coerente: sfondi color crema/bianco sporco caldi (\~`#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 è poco adatto per dashboard, strumenti per sviluppatori, fintech, sanità o applicazioni aziendali. Questo stile predefinito compare nelle presentazioni e nelle interfacce 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:
```text wrap
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:
```text wrap
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 sul 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](https://github.com/anthropics/claude-code/blob/main/plugins/frontend-design/skills/frontend-design/SKILL.md). Tuttavia, Claude Opus 4.8 genera frontend distintivi e creativi con indicazioni di prompting più minimali. Questo snippet di prompt funziona bene insieme ai precedenti consigli di prompting per la varietà:
```text wrap
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.
```
## 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 dell'utente. Questo può migliorare la coerenza a lungo orizzonte, l'esecuzione 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 presenta sia un recall sia una precisione più elevati nelle valutazioni interne. Tuttavia, se il tuo harness di revisione del codice era stato messo a punto per un modello precedente, potresti inizialmente osservare un recall inferiore. Si tratta probabilmente di un effetto dell'harness, non di una regressione delle capacità. Quando un prompt di revisione dice cose come "segnala solo i problemi ad alta gravità", "sii prudente" o "non essere pignolo", Claude Opus 4.8 potrebbe seguire quell'istruzione più fedelmente rispetto ai modelli precedenti: potrebbe esaminare il codice con la stessa accuratezza, identificare i bug e poi non segnalare i risultati che ritiene al di sotto della soglia da te indicata. Questo può manifestarsi come un modello che svolge indagini della stessa profondità ma converte meno indagini in risultati segnalati, specialmente per i bug di gravità inferiore. La precisione in genere aumenta, ma il recall misurato può diminuire anche se la capacità di fondo del modello di trovare bug è migliorata.
Alcune formulazioni di prompt consigliate:
```text wrap
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 desideri che il modello si autofiltri in un unico passaggio, sii concreto su quale sia la soglia di segnalazione 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 pignolerie come preferenze puramente stilistiche 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 la versione precedente dello strumento `computer_20251124` e, sulla Claude API e su Claude Models on Google Cloud (Google managed), il toolset `computer_toolset_20260801`. Su queste due piattaforme, Claude Opus 4.8 supporta anche lo [strumento browser use](https://platform.claude.com/docs/it/agents-and-tools/tool-use/browser-use-tool) (`browser_toolset_20260801`) per le attività all'interno delle pagine web. La capacità di ["computer use" (uso del computer)](https://platform.claude.com/docs/it/agents-and-tools/tool-use/computer-use-tool) funziona con diverse risoluzioni, fino a una risoluzione massima di 2576px / 3,75MP. I test interni sull'uso del computer mostrano che inviare 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.