Prompting di Claude Sonnet 5

Questa guida copre i pattern di prompting specifici per Claude Sonnet 5. Per le capacità del modello e le modifiche all'API, consulta Novità di Claude Sonnet 5. Per le tecniche che si applicano a tutti i modelli Claude attuali, consulta Best practice di prompting.

Claude Sonnet 5 ha punti di forza particolari nelle attività di coding e agentiche. Funziona bene fin da subito con i prompt esistenti di Claude Sonnet 4.6. I pattern in questa guida coprono i comportamenti che più spesso richiedono una messa a punto.



Lunghezza e verbosità delle risposte

Claude Sonnet 5 calibra la lunghezza della risposta in base alla complessità dell'attività anziché utilizzare una verbosità fissa predefinita. Questo di solito significa risposte più brevi per ricerche semplici e più lunghe per analisi aperte.

Se il tuo prodotto dipende da un certo stile o verbosità dell'output, potresti dover regolare 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 tipi specifici 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.



Calibrazione dell'effort e della profondità di pensiero

Il parametro effort ti consente di regolare l'intelligenza di Claude rispetto alla spesa di token, scambiando capacità per maggiore velocità e costi inferiori. Su Claude Sonnet 5, l'effort è impostato per default su high, come su Claude Sonnet 4.6. Per le attività di coding e agentiche più difficili, aumenta l'effort a xhigh. Sperimenta con altri livelli di effort per regolare ulteriormente l'utilizzo dei token e l'intelligenza:

• max: Capacità massima assoluta senza vincoli sulla spesa di token.
• xhigh: L'effort extra alto è l'impostazione consigliata per i casi d'uso di coding e agentici più difficili.
• high: Il valore predefinito. Questa impostazione bilancia l'utilizzo dei token e l'intelligenza per la maggior parte dei casi d'uso.
• medium: Adatto per casi d'uso sensibili ai costi che devono ridurre l'utilizzo dei token sacrificando parte dell'intelligenza.
• low: Riservato per attività brevi e circoscritte e carichi di lavoro sensibili alla latenza che non sono sensibili all'intelligenza.

Come mappatura approssimativa tra modelli durante la migrazione: Claude Sonnet 5 a medium è paragonabile in intelligenza a Claude Sonnet 4.6 a high, e Claude Sonnet 5 a high è paragonabile a Claude Sonnet 4.6 a max. Durante il benchmarking, confronta in base alla lunghezza di pensiero osservata piuttosto che al nome dell'effort.

Claude Sonnet 5 rispetta rigorosamente i livelli di effort, specialmente nella fascia bassa. A low e medium, il modello limita il suo lavoro a ciò che è stato richiesto anziché andare oltre. Questo è positivo per latenza e costi, ma su attività moderatamente complesse eseguite con effort low c'è 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 tramite prompting. Se devi mantenere l'effort a low per la latenza, aggiungi indicazioni mirate:

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

Su Claude Sonnet 5, l'adaptive thinking (pensiero adattivo) è attivo per impostazione predefinita. Le richieste senza un campo thinking vengono eseguite con il pensiero adattivo. Questo è un cambiamento rispetto a Claude Sonnet 4.6, dove le stesse richieste venivano eseguite senza pensiero. Per disattivare completamente il pensiero, passa thinking: {type: "disabled"}. Poiché max_tokens è un limite rigido sull'output totale (pensiero più testo di risposta), rivedilo per i carichi di lavoro che venivano eseguiti senza pensiero su Claude Sonnet 4.6. Se in precedenza utilizzavi il pensiero disattivato con Claude Sonnet 4.6, prova il pensiero attivato con livelli di effort inferiori per Claude Sonnet 5.

Il comportamento di attivazione del pensiero adattivo è orientabile. Se noti che il modello emette blocchi di pensiero 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 multi-step reasoning. When in doubt, respond directly.

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

Il pensiero esteso manuale (thinking: {type: "enabled", budget_tokens: N}) non è supportato su Claude Sonnet 5 e restituisce un errore 400. Era deprecato su Claude Sonnet 4.6 ed è ora rimosso. Usa invece il pensiero adattivo con il parametro effort.



Attivazione dell'uso degli strumenti

Claude Sonnet 5 è più agentico di Claude Sonnet 4.6 per impostazione predefinita e ricorrerà agli strumenti ed eseguirà cicli di auto-verifica più prontamente. Con il pensiero disabilitato, il modello è meno propenso a ricorrere agli strumenti o a considerare la ricerca; se fai affidamento sulle chiamate agli strumenti con il pensiero disattivato, aggiungi un incoraggiamento esplicito nel prompt di sistema. L'effort è anche una leva per l'uso degli strumenti: le impostazioni di effort high o xhigh mostrano un uso degli strumenti sostanzialmente maggiore nella ricerca agentica e nel coding. Per scenari in cui desideri un maggiore uso degli strumenti, puoi anche modificare il tuo prompt per istruire esplicitamente il modello su quando e come utilizzare correttamente i suoi strumenti. Ad esempio, se noti che il modello non utilizza i tuoi strumenti di ricerca web, descrivi chiaramente perché e come dovrebbe farlo.



Aggiornamenti di avanzamento rivolti all'utente

Claude Sonnet 5 fornisce aggiornamenti 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 Sonnet 5 non sono ben calibrati per il tuo caso d'uso, descrivi esplicitamente come dovrebbero apparire questi aggiornamenti nel prompt e fornisci esempi.



Interpretazione più letterale delle istruzioni

Claude Sonnet 5 interpreta i prompt in modo letterale ed esplicito, in particolare a livelli di effort inferiori. Non generalizza silenziosamente un'istruzione da un elemento a un altro e non inferisce richieste che non hai fatto. Il vantaggio di questo letteralismo è la precisione, e generalmente funziona meglio per casi d'uso API con prompt accuratamente regolati, estrazione strutturata e pipeline in cui desideri un comportamento prevedibile. Se hai bisogno che Claude applichi un'istruzione in modo ampio, dichiara 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 di prosa nella scrittura di lunga durata potrebbe cambiare. 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 conversazionale, aggiungi:

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

Se in precedenza facevi affidamento su temperature per la varietà stilistica, nota che impostare temperature, top_p o top_k su un valore non predefinito restituisce un errore 400 su Claude Sonnet 5. Questo vincolo è nuovo per i modelli di classe Sonnet. Rimuovi questi parametri durante la migrazione e usa invece istruzioni nel prompt di sistema per guidare tono e varietà.



Impostazioni predefinite di design e frontend

Claude Sonnet 5 potrebbe stabilizzarsi su uno stile visivo predefinito coerente per brief di frontend e design aperti. Uno stile predefinito può funzionare bene per alcuni brief ma risultare inadatto per dashboard, strumenti di sviluppo, fintech, sanità o applicazioni enterprise.

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

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

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 il default e dà controllo agli utenti. Poiché temperature non è accettato su Claude Sonnet 5, questo approccio è il modo consigliato per produrre direzioni di design significativamente diverse tra le esecuzioni. Esempio di 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.

Per allontanarti dai pattern generici che gli utenti chiamano estetica "AI slop", puoi includere una breve direttiva nel tuo prompt di sistema. La skill frontend-design fornisce una trattazione più completa, ma questo snippet funziona bene insieme agli approcci di varietà precedenti:

<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'utilizzo dei token e il comportamento 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. Per massimizzare sia le prestazioni che l'efficienza dei token nei prodotti di coding, usa effort xhigh o high, aggiungi funzionalità autonome come una modalità automatica e riduci il numero di interazioni umane richieste dai tuoi utenti.

Quando limiti il numero di interazioni utente richieste, è importante specificare l'attività, l'intento e i vincoli rilevanti in anticipo nel primo turno umano. Fornire descrizioni delle attività ben specificate, chiare e accurate in anticipo può aiutare a massimizzare l'autonomia e l'intelligenza minimizzando l'utilizzo di token aggiuntivi dopo i turni utente. 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

Se il tuo harness di code review è stato regolato per un modello precedente, potresti inizialmente vedere un recall inferiore su Claude Sonnet 5. Questo è probabilmente un effetto dell'harness, non una regressione di capacità. Quando un prompt di review dice cose come "segnala solo problemi di alta gravità", "sii conservativo" o "non fare pignolerie", Claude Sonnet 5 potrebbe seguire quell'istruzione più fedelmente rispetto ai modelli precedenti: potrebbe investigare il codice altrettanto approfonditamente, identificare i bug e poi non segnalare i risultati che giudica al di sotto della soglia dichiarata. Questo può manifestarsi come il modello che esegue la stessa profondità di investigazione ma converte meno investigazioni in risultati segnalati, specialmente su bug di gravità inferiore. La precisione tipicamente aumenta, ma il recall misurato può diminuire anche se la capacità sottostante del modello di trovare bug è migliorata.

Alcuni suggerimenti di linguaggio per il prompt:

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 utilizzato senza avere un secondo passaggio effettivo, ma spostare il filtraggio per confidenza fuori dal passaggio di individuazione spesso aiuta. Se il tuo harness ha una fase separata di verifica, deduplicazione o ranking, comunica esplicitamente al modello che il suo compito nella fase di individuazione è la copertura piuttosto che il filtraggio.

Se 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 comportamento errato, un fallimento di test o un risultato fuorviante; ometti solo pignolerie come preferenze di puro stile o di naming."

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



Computer use

Claude Sonnet 5 supporta la versione dello strumento computer_20251124. 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 inviare immagini a 1080p fornisce 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.