Bessere Ergebnisse mit Claude: Anthropic empfiehlt weniger Vorgaben und gezieltere Informationen

Anthropic empfiehlt Nutzern der neuesten Claude-Modelle, dauerhafte Anweisungen deutlich zu vereinfachen. Das Unternehmen hat nach eigenen Angaben mehr als 80 Prozent des System-Prompts von Claude Code für Modelle wie Claude Opus 5 und Claude Fable 5 entfernt, ohne messbare Einbußen bei der Leistung festzustellen.

Thariq Shihipar schreibt im offiziellen Claude-Blog, dass die eigenen Vorgaben des Unternehmens zu umfangreich, zu eng und teils widersprüchlich geworden waren. Das Thema betrifft nicht nur Programmierwerkzeuge. Viele KI-Anwendungen verbinden eine aktuelle Anfrage mit festen Grundregeln, gespeicherten Einstellungen, Projektdateien und zusätzlichen Referenzen.

Anthropic bezeichnet diese Gesamtheit als „Context Engineering“. Dazu gehören der System-Prompt mit den Grundregeln eines Produkts, aber auch Erinnerungen, Arbeitsanleitungen, Dateien und weitere Materialien. Anders als ein einzelner Prompt muss dieser Kontext für viele verschiedene Aufgaben funktionieren. Deshalb können sehr konkrete Vorgaben schnell zum Hindernis werden.

Ältere Modelle brauchten laut Anthropic strenge Leitplanken, um problematische Ergebnisse zu vermeiden. Dazu zählten etwa unerwünschtes Löschen von Dateien oder unpassende Kommentare im Programmcode. Solche Regeln konnten jedoch auch falsche Entscheidungen erzwingen. Ein allgemeines Verbot ausführlicher Kommentare passt beispielsweise nicht zu einer Aufgabe, bei der komplexer Code dokumentiert werden soll.

Statt langer Verbotslisten empfiehlt Anthropic nun allgemeinere Leitlinien. In einem Code-Projekt kann Claude etwa angewiesen werden, sich am Stil der vorhandenen Dateien zu orientieren. Das betrifft Benennungen, Aufbau und die übliche Menge an Kommentaren. Das Modell soll dann selbst entscheiden, was im jeweiligen Zusammenhang sinnvoll ist.

Informationen gezielt statt dauerhaft bereitstellen

Anthropic fasst den veränderten Ansatz in mehreren Empfehlungen zusammen:

• Urteilsvermögen vor starren Regeln: Allgemeine Regeln sollten entfernt werden, wenn sie Selbstverständliches wiederholen oder mit dem Nutzerauftrag kollidieren können.
• Klare Werkzeuge statt vieler Beispiele: Verständliche Parameter, Optionen und Zustände helfen dem Modell, ein Werkzeug richtig einzusetzen, ohne seinen Handlungsspielraum auf einzelne Musterbeispiele zu begrenzen.
• Wissen bei Bedarf laden: Spezielle Vorgaben gehören in getrennte Dateien oder Skills und nicht gesammelt in ein dauerhaft geladenes Hauptdokument.
• Hinweise beim jeweiligen Werkzeug platzieren: Anleitungen zur Nutzung eines Tools sollten vor allem in dessen Beschreibung stehen, nicht mehrfach im System-Prompt.

Im Mittelpunkt steht die schrittweise Bereitstellung von Informationen. Claude muss nicht bei jeder Anfrage alle Regeln für Prüfung, Qualitätskontrolle oder Spezialfälle kennen. Es soll diese Informationen laden, wenn die Aufgabe sie erfordert. Anthropic nutzt dafür in Claude Code getrennte Skills, etwa für Code-Reviews und Tests. Einige Werkzeuge stellen ihre vollständige Beschreibung erst bereit, nachdem das Modell danach gesucht hat.

Für eigene Arbeitsabläufe empfiehlt das Unternehmen kurze Projektanweisungen, etwa in CLAUDE.md-Dateien. Sie sollten knapp erklären, wofür ein Projekt gedacht ist. Den größten Platz sollten Besonderheiten einnehmen, die Claude nicht selbst aus der Ordnerstruktur oder den vorhandenen Dateien erkennen kann. Dazu gehören ungewöhnliche Ablagen, interne Regeln oder verpflichtende Prüfschritte.

Skills sollten nach dieser Logik keine umfassenden Handbücher sein. Sie eignen sich vor allem für Wissen, Qualitätsmaßstäbe und Arbeitsweisen, die für ein bestimmtes Team oder Produkt gelten. Umfangreiche Anleitungen lassen sich in mehrere verknüpfte Dateien aufteilen.

Anthropic rät außerdem zu aussagekräftigen Referenzen statt knapper Beschreibungen. Ein detaillierter Testbestand, vorhandener Code, ein HTML-Entwurf oder ein Bewertungsraster kann einem Modell klarer zeigen, welches Ergebnis erwartet wird. Solche Materialien liefern konkrete Signale, die die KI direkt prüfen und auf die Aufgabe übertragen kann.

Die zentrale Empfehlung lautet damit: Mehr Anweisungen führen nicht automatisch zu besseren Ergebnissen. Bei leistungsfähigen Modellen können wenige klare Regeln, gut gestaltete Werkzeuge und passende Referenzen wirksamer sein als ein umfangreiches Regelwerk.