Best practice per il prompting

Aggiungi contesto per migliorare le prestazioni

Fornire contesto o motivazione dietro le tue istruzioni, come spiegare a Claude perché tale comportamento è importante, può aiutare Claude a comprendere meglio i tuoi obiettivi e fornire risposte più mirate.

Claude è abbastanza intelligente da generalizzare dalla spiegazione.

Usa gli esempi in modo efficace

Gli esempi sono uno dei modi più affidabili per guidare il formato di output, il tono e la struttura di Claude. Alcuni esempi ben costruiti (noti come prompting few-shot o multishot) possono migliorare notevolmente l'accuratezza e la coerenza.

Quando aggiungi esempi, rendili:

• Rilevanti: Rispecchia da vicino il tuo caso d'uso reale.
• Diversificati: Copri i casi limite e variali abbastanza che Claude non acquisisca pattern non intenzionali.
• Strutturati: Racchiudi gli esempi in tag <example> (più esempi in tag <examples>) in modo che Claude possa distinguerli dalle istruzioni.

Struttura i prompt con tag XML

I tag XML aiutano Claude ad analizzare prompt complessi in modo non ambiguo, specialmente quando il tuo prompt mescola istruzioni, contesto, esempi e input variabili. Racchiudere ogni tipo di contenuto nel proprio tag (es. <instructions>, <context>, <input>) riduce le interpretazioni errate.

Best practice:

• Usa nomi di tag coerenti e descrittivi nei tuoi prompt.
• Annida i tag quando il contenuto ha una gerarchia naturale (documenti all'interno di <documents>, ciascuno all'interno di <document index="n">).

Assegna un ruolo a Claude

Impostare un ruolo nel system prompt focalizza il comportamento e il tono di Claude per il tuo caso d'uso. Anche una singola frase fa la differenza:

Prompting con contesto lungo

Quando si lavora con documenti di grandi dimensioni o input ricchi di dati (20k+ token), struttura il tuo prompt con attenzione per ottenere i migliori risultati:

• Metti i dati di formato lungo in cima: Posiziona i tuoi documenti lunghi e gli input vicino alla parte superiore del tuo prompt, sopra la tua query, le istruzioni e gli esempi. Questo può migliorare significativamente le prestazioni su tutti i modelli.

  Le query alla fine possono migliorare la qualità delle risposte fino al 30% nei test, specialmente con input complessi e multi-documento.

• Struttura il contenuto e i metadati dei documenti con tag XML: Quando si utilizzano più documenti, racchiudi ogni documento in tag <document> con sottotag <document_content> e <source> (e altri metadati) per chiarezza.

  Esempio di struttura multi-documento

• Basa le risposte su citazioni: Per i compiti con documenti lunghi, chiedi a Claude di citare prima le parti rilevanti dei documenti prima di svolgere il suo compito. Questo aiuta Claude a eliminare il rumore del resto del contenuto del documento.

  Esempio di estrazione di citazioni

Conoscenza di sé del modello

Se desideri che Claude si identifichi correttamente nella tua applicazione o utilizzi stringhe API specifiche:

Per le app basate su LLM che devono specificare le stringhe del modello:

Output e formattazione

Stile di comunicazione e verbosità

I modelli più recenti di Claude hanno uno stile di comunicazione più conciso e naturale rispetto ai modelli precedenti:

• Più diretto e concreto: Fornisce rapporti di avanzamento basati sui fatti piuttosto che aggiornamenti autocelebrativi
• Più colloquiale: Leggermente più fluente e colloquiale, meno simile a una macchina
• Meno verboso: Può saltare i riepiloghi dettagliati per efficienza a meno che non venga richiesto diversamente

Ciò significa che Claude potrebbe saltare i riepiloghi verbali dopo le chiamate agli strumenti, passando direttamente all'azione successiva. Se preferisci una maggiore visibilità nel suo ragionamento:

Controlla il formato delle risposte

Ci sono alcuni modi particolarmente efficaci per guidare la formattazione dell'output:

1. Di' a Claude cosa fare invece di cosa non fare

   • Invece di: "Non usare markdown nella tua risposta"
   • Prova: "La tua risposta dovrebbe essere composta da paragrafi in prosa che scorrono fluidamente."

2. Usa indicatori di formato XML

   • Prova: "Scrivi le sezioni in prosa della tua risposta in tag <smoothly_flowing_prose_paragraphs>."

3. Abbina lo stile del tuo prompt all'output desiderato

   Lo stile di formattazione utilizzato nel tuo prompt può influenzare lo stile di risposta di Claude. Se stai ancora riscontrando problemi di controllabilità con la formattazione dell'output, prova ad abbinare il più possibile lo stile del tuo prompt allo stile di output desiderato. Ad esempio, rimuovere il markdown dal tuo prompt può ridurre il volume di markdown nell'output.

4. Usa prompt dettagliati per preferenze di formattazione specifiche

   Per un maggiore controllo sull'uso di markdown e della formattazione, fornisci indicazioni esplicite:

Output LaTeX

Claude Opus 4.6 utilizza LaTeX per impostazione predefinita per espressioni matematiche, equazioni e spiegazioni tecniche. Se preferisci il testo normale, aggiungi le seguenti istruzioni al tuo prompt:

Creazione di documenti

I modelli più recenti di Claude eccellono nella creazione di presentazioni, animazioni e documenti visivi con un notevole estro creativo e un forte rispetto delle istruzioni. I modelli producono output rifiniti e utilizzabili al primo tentativo nella maggior parte dei casi.

Per i migliori risultati con la creazione di documenti:

Migrazione dalle risposte precompilate

A partire dai modelli Claude 4.6 e Claude Mythos Preview, le risposte precompilate sull'ultimo turno dell'assistente non sono più supportate. Su Mythos Preview, le richieste con messaggi dell'assistente precompilati restituiscono un errore 400. L'intelligenza del modello e il rispetto delle istruzioni sono avanzati al punto che la maggior parte dei casi d'uso del prefill non lo richiede più. I modelli esistenti continueranno a supportare i prefill, e l'aggiunta di messaggi dell'assistente altrove nella conversazione non è interessata.

Ecco gli scenari comuni di prefill e come migrare da essi:

Uso degli strumenti

Utilizzo degli strumenti

I modelli più recenti di Claude sono addestrati per seguire istruzioni precise e beneficiano di indicazioni esplicite per utilizzare strumenti specifici. Se dici "puoi suggerire alcune modifiche", Claude a volte fornirà suggerimenti piuttosto che implementarli, anche se apportare modifiche potrebbe essere ciò che intendevi.

Perché Claude agisca, sii più esplicito:

Per rendere Claude più proattivo nell'intraprendere azioni per impostazione predefinita, puoi aggiungere questo al tuo system prompt:

D'altra parte, se vuoi che il modello sia più esitante per impostazione predefinita, meno incline a passare direttamente alle implementazioni, e agisca solo se richiesto, puoi guidare questo comportamento con un prompt come il seguente:

Claude Opus 4.5 e Claude Opus 4.6 sono anche più reattivi al system prompt rispetto ai modelli precedenti. Se i tuoi prompt erano progettati per ridurre il sottoutilizzo degli strumenti o delle competenze, questi modelli potrebbero ora sovrautilizzarli. La soluzione è attenuare qualsiasi linguaggio aggressivo. Dove potresti aver detto "CRITICO: DEVI usare questo strumento quando...", puoi usare un prompting più normale come "Usa questo strumento quando...".

Ottimizza le chiamate agli strumenti in parallelo

I modelli più recenti di Claude eccellono nell'esecuzione parallela degli strumenti. Questi modelli:

• Eseguono più ricerche speculative durante la ricerca
• Leggono più file contemporaneamente per costruire il contesto più velocemente
• Eseguono comandi bash in parallelo (il che può persino creare colli di bottiglia nelle prestazioni del sistema)

Questo comportamento è facilmente guidabile. Mentre il modello ha un alto tasso di successo nelle chiamate agli strumenti in parallelo senza prompting, puoi aumentarlo a ~100% o regolare il livello di aggressività:

Thinking e ragionamento

Eccessiva riflessione e minuziosità

Claude Opus 4.6 fa significativamente più esplorazione iniziale rispetto ai modelli precedenti, specialmente con impostazioni di effort più elevate. Questo lavoro iniziale spesso aiuta a ottimizzare i risultati finali, ma il modello può raccogliere contesto esteso o perseguire più filoni di ricerca senza essere sollecitato. Se i tuoi prompt in precedenza incoraggiavano il modello a essere più approfondito, dovresti regolare quella guida per Claude Opus 4.6:

• Sostituisci le impostazioni predefinite generali con istruzioni più mirate. Invece di "Usa [strumento] per impostazione predefinita," aggiungi indicazioni come "Usa [strumento] quando migliorerebbe la tua comprensione del problema."
• Rimuovi il sovra-prompting. Gli strumenti che sottoutilizzavano nei modelli precedenti probabilmente si attiveranno appropriatamente ora. Istruzioni come "In caso di dubbio, usa [strumento]" causeranno un sovrautilizzo.
• Usa l'effort come fallback. Se Claude continua a essere eccessivamente aggressivo, usa un'impostazione più bassa per effort.

In alcuni casi, Claude Opus 4.6 può pensare estensivamente, il che può gonfiare i token di thinking e rallentare le risposte. Se questo comportamento è indesiderato, puoi aggiungere istruzioni esplicite per vincolare il suo ragionamento, oppure puoi abbassare l'impostazione effort per ridurre il thinking complessivo e l'utilizzo dei token.

Se hai bisogno di un limite massimo sui costi di thinking, il thinking esteso con un limite budget_tokens è ancora funzionale su Opus 4.6 e Sonnet 4.6 ma è deprecato. Preferisci abbassare l'impostazione effort o usare max_tokens come limite massimo con il thinking adattivo.

Sfrutta le capacità di thinking e thinking interleaved

I modelli più recenti di Claude offrono capacità di thinking che possono essere particolarmente utili per compiti che richiedono riflessione dopo l'uso degli strumenti o ragionamento complesso a più passaggi. Puoi guidare il suo thinking iniziale o interleaved per risultati migliori.

Claude Opus 4.6 e Claude Sonnet 4.6 usano il thinking adattivo (thinking: {type: "adaptive"}), dove Claude decide dinamicamente quando e quanto pensare. Claude calibra il suo thinking in base a due fattori: il parametro effort e la complessità della query. Un effort più elevato elicita più thinking, e query più complesse fanno lo stesso. Su query più semplici che non richiedono thinking, il modello risponde direttamente. Nelle valutazioni interne, il thinking adattivo guida in modo affidabile prestazioni migliori rispetto al thinking esteso. Considera di passare al thinking adattivo per ottenere le risposte più intelligenti.

Usa il thinking adattivo per carichi di lavoro che richiedono comportamento agentico come l'uso di strumenti a più passaggi, compiti di codifica complessi e loop di agenti a lungo orizzonte. I modelli più vecchi usano la modalità di thinking manuale con budget_tokens.

Puoi guidare il comportamento di thinking di Claude:

Il comportamento di attivazione per il thinking adattivo è guidabile tramite prompt. Se trovi che il modello pensa più spesso di quanto vorresti, il che può accadere con system prompt grandi o complessi, aggiungi indicazioni per guidarlo:

Se stai migrando dal thinking esteso con budget_tokens, sostituisci la tua configurazione di thinking e sposta il controllo del budget su effort:

Prima (thinking esteso, modelli più vecchi):

Dopo (thinking adattivo):

Se non stai usando il thinking esteso, non sono necessarie modifiche. Il thinking è disattivato per impostazione predefinita quando si omette il parametro thinking.

• Preferisci istruzioni generali rispetto a passaggi prescrittivi. Un prompt come "pensa a fondo" spesso produce un ragionamento migliore rispetto a un piano passo-passo scritto a mano. Il ragionamento di Claude supera frequentemente ciò che un essere umano prescriverebbe.
• Gli esempi multishot funzionano con il thinking. Usa i tag <thinking> all'interno dei tuoi esempi few-shot per mostrare a Claude il pattern di ragionamento. Generalizzerà quello stile ai propri blocchi di thinking esteso.
• CoT manuale come fallback. Quando il thinking è disattivato, puoi comunque incoraggiare il ragionamento passo-passo chiedendo a Claude di riflettere sul problema. Usa tag strutturati come <thinking> e <answer> per separare chiaramente il ragionamento dall'output finale.
• Chiedi a Claude di auto-verificarsi. Aggiungi qualcosa come "Prima di finire, verifica la tua risposta rispetto a [criteri di test]." Questo rileva gli errori in modo affidabile, specialmente per la codifica e la matematica.

Sistemi agentici

Ragionamento a lungo orizzonte e tracciamento dello stato

I modelli più recenti di Claude eccellono nei compiti di ragionamento a lungo orizzonte con eccezionali capacità di tracciamento dello stato. Claude mantiene l'orientamento attraverso sessioni estese concentrandosi sui progressi incrementali, facendo avanzamenti costanti su poche cose alla volta piuttosto che tentare tutto in una volta. Questa capacità emerge specialmente su più finestre di contesto o iterazioni di compiti, dove Claude può lavorare su un compito complesso, salvare lo stato e continuare con una nuova finestra di contesto.

Consapevolezza del contesto e flussi di lavoro multi-finestra

I modelli Claude 4.6 e Claude 4.5 presentano la consapevolezza del contesto, che consente al modello di tracciare la sua finestra di contesto rimanente (ovvero il "budget di token") durante una conversazione. Questo consente a Claude di eseguire compiti e gestire il contesto in modo più efficace comprendendo quanto spazio ha a disposizione.

Gestione dei limiti di contesto:

Se stai usando Claude in un harness agente che compatta il contesto o consente di salvare il contesto in file esterni (come in Claude Code), considera di aggiungere queste informazioni al tuo prompt in modo che Claude possa comportarsi di conseguenza. Altrimenti, Claude potrebbe a volte cercare naturalmente di concludere il lavoro man mano che si avvicina al limite di contesto. Di seguito è riportato un prompt di esempio:

Lo strumento di memoria si abbina naturalmente alla consapevolezza del contesto per transizioni di contesto senza interruzioni.

Flussi di lavoro multi-finestra di contesto

Per i compiti che si estendono su più finestre di contesto:

1. Usa un prompt diverso per la prima finestra di contesto: Usa la prima finestra di contesto per impostare un framework (scrivi test, crea script di configurazione), poi usa le finestre di contesto future per iterare su una lista di cose da fare.

2. Fai scrivere al modello i test in un formato strutturato: Chiedi a Claude di creare test prima di iniziare il lavoro e di tenerli traccia in un formato strutturato (es., tests.json). Questo porta a una migliore capacità di iterare a lungo termine. Ricorda a Claude l'importanza dei test: "È inaccettabile rimuovere o modificare i test perché questo potrebbe portare a funzionalità mancanti o difettose."

3. Configura strumenti per la qualità della vita: Incoraggia Claude a creare script di configurazione (es., init.sh) per avviare agevolmente i server, eseguire suite di test e linter. Questo previene il lavoro ripetuto quando si continua da una nuova finestra di contesto.

4. Iniziare da zero vs compattare: Quando una finestra di contesto viene cancellata, considera di iniziare con una nuova finestra di contesto piuttosto che usare la compattazione. I modelli più recenti di Claude sono estremamente efficaci nello scoprire lo stato dal filesystem locale. In alcuni casi, potresti voler sfruttare questo rispetto alla compattazione. Sii prescrittivo su come dovrebbe iniziare:

   • "Chiama pwd; puoi solo leggere e scrivere file in questa directory."
   • "Rivedi progress.txt, tests.json e i log di git."
   • "Esegui manualmente un test di integrazione fondamentale prima di passare all'implementazione di nuove funzionalità."

5. Fornisci strumenti di verifica: Man mano che la lunghezza dei compiti autonomi cresce, Claude ha bisogno di verificare la correttezza senza feedback umano continuo. Strumenti come il server MCP Playwright o le capacità di computer use per testare le UI sono utili.

6. Incoraggia l'uso completo del contesto: Sollecita Claude a completare efficientemente i componenti prima di andare avanti:

Best practice per la gestione dello stato

• Usa formati strutturati per i dati di stato: Quando si tracciano informazioni strutturate (come risultati dei test o stato dei compiti), usa JSON o altri formati strutturati per aiutare Claude a comprendere i requisiti dello schema
• Usa testo non strutturato per le note di avanzamento: Le note di avanzamento in formato libero funzionano bene per tracciare i progressi generali e il contesto
• Usa git per il tracciamento dello stato: Git fornisce un log di ciò che è stato fatto e checkpoint che possono essere ripristinati. I modelli più recenti di Claude si comportano particolarmente bene nell'usare git per tracciare lo stato attraverso più sessioni.
• Enfatizza i progressi incrementali: Chiedi esplicitamente a Claude di tenere traccia dei suoi progressi e di concentrarsi sul lavoro incrementale

Bilanciare autonomia e sicurezza

Senza indicazioni, Claude Opus 4.6 potrebbe intraprendere azioni difficili da invertire o che influenzano sistemi condivisi, come eliminare file, fare force-push o pubblicare su servizi esterni. Se vuoi che Claude Opus 4.6 confermi prima di intraprendere azioni potenzialmente rischiose, aggiungi indicazioni al tuo prompt:

Ricerca e raccolta di informazioni

I modelli più recenti di Claude dimostrano eccezionali capacità di ricerca agentica e possono trovare e sintetizzare informazioni da più fonti in modo efficace. Per risultati di ricerca ottimali:

1. Fornisci criteri di successo chiari: Definisci cosa costituisce una risposta di successo alla tua domanda di ricerca

2. Incoraggia la verifica delle fonti: Chiedi a Claude di verificare le informazioni attraverso più fonti

3. Per compiti di ricerca complessi, usa un approccio strutturato:

Questo approccio strutturato consente a Claude di trovare e sintetizzare virtualmente qualsiasi informazione e di criticare iterativamente i suoi risultati, indipendentemente dalle dimensioni del corpus.

Orchestrazione dei subagenti

I modelli più recenti di Claude dimostrano capacità di orchestrazione nativa dei subagenti significativamente migliorate. Questi modelli possono riconoscere quando i compiti trarrebbero beneficio dalla delega del lavoro a subagenti specializzati e lo fanno proattivamente senza richiedere istruzioni esplicite.

Per sfruttare questo comportamento:

1. Assicurati che gli strumenti dei subagenti siano ben definiti: Avere strumenti per i subagenti disponibili e descritti nelle definizioni degli strumenti
2. Lascia che Claude orchestri naturalmente: Claude delegherà appropriatamente senza istruzioni esplicite
3. Attenzione all'uso eccessivo: Claude Opus 4.6 ha una forte predilezione per i subagenti e potrebbe generarli in situazioni in cui un approccio più semplice e diretto sarebbe sufficiente. Ad esempio, il modello potrebbe generare subagenti per l'esplorazione del codice quando una chiamata diretta a grep è più veloce e sufficiente.

Se stai vedendo un uso eccessivo dei subagenti, aggiungi indicazioni esplicite su quando i subagenti sono e non sono giustificati:

Concatenare prompt complessi

Con il pensiero adattivo e l'orchestrazione dei subagenti, Claude gestisce internamente la maggior parte del ragionamento multi-step. La concatenazione esplicita dei prompt (suddividere un'attività in chiamate API sequenziali) è ancora utile quando è necessario ispezionare gli output intermedi o applicare una struttura di pipeline specifica.

Il pattern di concatenazione più comune è la auto-correzione: generare una bozza → far revisionare a Claude rispetto a criteri → far raffinare a Claude in base alla revisione. Ogni passaggio è una chiamata API separata, quindi è possibile registrare, valutare o ramificare in qualsiasi punto.

Ridurre la creazione di file nella programmazione agentiva

I modelli più recenti di Claude possono a volte creare nuovi file a scopo di test e iterazione, in particolare quando si lavora con il codice. Questo approccio consente a Claude di utilizzare i file, in particolare gli script Python, come "area di lavoro temporanea" prima di salvare l'output finale. L'utilizzo di file temporanei può migliorare i risultati, in particolare per i casi d'uso di programmazione agentiva.

Se si preferisce ridurre al minimo la creazione di nuovi file, è possibile istruire Claude a fare pulizia dopo di sé:

Eccessiva proattività

Claude Opus 4.5 e Claude Opus 4.6 tendono a sovra-ingegnerizzare creando file extra, aggiungendo astrazioni non necessarie o costruendo flessibilità non richiesta. Se si osserva questo comportamento indesiderato, aggiungere indicazioni specifiche per mantenere le soluzioni minimali.

Ad esempio:

Evitare di concentrarsi sul superamento dei test e sull'hard-coding

Claude può a volte concentrarsi eccessivamente sul far passare i test a scapito di soluzioni più generali, oppure può utilizzare soluzioni alternative come script di supporto per il refactoring complesso invece di utilizzare direttamente gli strumenti standard. Per prevenire questo comportamento e garantire soluzioni robuste e generalizzabili:

Minimizzare le allucinazioni nella programmazione agentiva

I modelli più recenti di Claude sono meno inclini alle allucinazioni e forniscono risposte più accurate, fondate e intelligenti basate sul codice. Per incoraggiare ulteriormente questo comportamento e minimizzare le allucinazioni:

Suggerimenti specifici per le capacità

Capacità visive migliorate

Claude Opus 4.5 e Claude Opus 4.6 hanno capacità visive migliorate rispetto ai modelli Claude precedenti. Ottengono risultati migliori nelle attività di elaborazione delle immagini e di estrazione dei dati, in particolare quando nel contesto sono presenti più immagini. Questi miglioramenti si estendono all'uso del computer, dove i modelli possono interpretare in modo più affidabile screenshot ed elementi dell'interfaccia utente. È anche possibile utilizzare questi modelli per analizzare video suddividendoli in fotogrammi.

Una tecnica che si è dimostrata efficace per migliorare ulteriormente le prestazioni è fornire a Claude uno strumento di ritaglio o una skill. I test hanno mostrato un miglioramento costante nelle valutazioni delle immagini quando Claude è in grado di "ingrandire" le regioni rilevanti di un'immagine. Anthropic ha creato un cookbook per lo strumento di ritaglio.

Design frontend

Claude Opus 4.5 e Claude Opus 4.6 eccellono nella creazione di applicazioni web complesse e reali con un forte design frontend. Tuttavia, senza indicazioni, i modelli possono ricorrere a pattern generici che creano quella che gli utenti chiamano l'estetica "AI slop". Per creare frontend distintivi e creativi che sorprendano e delizino:

Ecco uno snippet di system prompt che puoi utilizzare per incoraggiare un migliore design frontend:

Puoi anche fare riferimento alla definizione completa della skill.

Considerazioni sulla migrazione

Quando si migra ai modelli Claude 4.6 dalle generazioni precedenti:

1. Sii specifico sul comportamento desiderato: Considera di descrivere esattamente cosa vorresti vedere nell'output.

2. Formula le istruzioni con modificatori: Aggiungere modificatori che incoraggino Claude ad aumentare la qualità e il dettaglio del suo output può aiutare a modellare meglio le prestazioni di Claude. Ad esempio, invece di "Crea un dashboard di analisi", usa "Crea un dashboard di analisi. Includi quante più funzionalità e interazioni rilevanti possibile. Vai oltre le basi per creare un'implementazione completa."

3. Richiedi funzionalità specifiche esplicitamente: Animazioni ed elementi interattivi devono essere richiesti esplicitamente quando desiderati.

4. Aggiorna la configurazione del pensiero: I modelli Claude 4.6 utilizzano il pensiero adattivo (thinking: {type: "adaptive"}) invece del pensiero manuale con budget_tokens. Usa il parametro effort per controllare la profondità del pensiero.

5. Migra dalle risposte pre-compilate: Le risposte pre-compilate sull'ultimo turno dell'assistente sono deprecate a partire dai modelli Claude 4.6. Consulta Migrazione dalle risposte pre-compilate per una guida dettagliata sulle alternative.

6. Regola il prompting anti-pigrizia: Se i tuoi prompt in precedenza incoraggiavano il modello a essere più approfondito o a utilizzare gli strumenti in modo più aggressivo, riduci quella guida. I modelli Claude 4.6 sono significativamente più proattivi e potrebbero reagire eccessivamente alle istruzioni che erano necessarie per i modelli precedenti.

Per i passaggi dettagliati della migrazione, consulta la Guida alla migrazione.

Migrazione da Claude Sonnet 4.5 a Claude Sonnet 4.6

Claude Sonnet 4.6 utilizza per impostazione predefinita un livello di effort high, in contrasto con Claude Sonnet 4.5 che non aveva parametro effort. Considera di regolare il parametro effort durante la migrazione da Claude Sonnet 4.5 a Claude Sonnet 4.6. Se non impostato esplicitamente, potresti riscontrare una latenza più elevata con il livello di effort predefinito.

Impostazioni di effort consigliate:

• Medium per la maggior parte delle applicazioni
• Low per carichi di lavoro ad alto volume o sensibili alla latenza
• Imposta un budget di token di output massimo elevato (64k token consigliati) a effort medium o high per dare al modello spazio per pensare e agire

Quando usare Opus 4.6 invece: Per i problemi più difficili e a lungo orizzonte (migrazioni di codice su larga scala, ricerca approfondita, lavoro autonomo esteso), Opus 4.6 rimane la scelta giusta. Sonnet 4.6 è ottimizzato per carichi di lavoro in cui la rapidità di risposta e l'efficienza dei costi sono più importanti.

Se non stai usando il pensiero esteso

Se non stai usando il pensiero esteso su Claude Sonnet 4.5, puoi continuare senza di esso su Claude Sonnet 4.6. Dovresti impostare esplicitamente l'effort al livello appropriato per il tuo caso d'uso. Con effort low e pensiero disabilitato, puoi aspettarti prestazioni simili o migliori rispetto a Claude Sonnet 4.5 senza pensiero esteso.

Se stai usando il pensiero esteso

Se stai usando il pensiero esteso con budget_tokens su Claude Sonnet 4.5, è ancora funzionale su Claude Sonnet 4.6 ma è deprecato. Migra al pensiero adattivo con il parametro effort.

Migrazione al pensiero adattivo

Il pensiero adattivo è particolarmente adatto ai seguenti pattern di carico di lavoro:

• Agenti multi-step autonomi: agenti di codifica che trasformano i requisiti in software funzionante, pipeline di analisi dei dati e ricerca di bug in cui il modello opera in modo indipendente su molti passaggi. Il pensiero adattivo consente al modello di calibrare il suo ragionamento per ogni passaggio, mantenendo il percorso su traiettorie più lunghe. Per questi carichi di lavoro, inizia con effort high. Se la latenza o l'utilizzo dei token è un problema, riduci a medium.
• Agenti per l'uso del computer: Claude Sonnet 4.6 ha raggiunto la migliore accuratezza nelle valutazioni dell'uso del computer utilizzando la modalità adattiva.
• Carichi di lavoro bimodali: un mix di attività facili e difficili in cui il pensiero adattivo salta il pensiero sulle query semplici e ragiona in profondità su quelle complesse.

Quando si utilizza il pensiero adattivo, valuta l'effort medium e high sulle tue attività. Il livello giusto dipende dal compromesso del tuo carico di lavoro tra qualità, latenza e utilizzo dei token.

Mantenere budget_tokens durante la migrazione

Se hai bisogno di mantenere budget_tokens temporaneamente durante la migrazione, un budget di circa 16k token fornisce margine per i problemi più difficili senza rischio di utilizzo eccessivo dei token. Questa configurazione è deprecata e verrà rimossa in una futura versione del modello.

Per i casi d'uso di codifica (programmazione agentiva, flussi di lavoro con molti strumenti, generazione di codice), inizia con effort medium:

Per i casi d'uso di chat e non di codifica (chat, generazione di contenuti, ricerca, classificazione), inizia con effort low: