Der Unterschied zwischen einer miserablen und einer großartigen Antwort von Claude liegt meistens weder am Modell noch am Tarif oder irgendeinem geheimen Trick. Entscheidend ist, wie klar man beschrieben hat, was man eigentlich will. Genau darauf basieren sowohl der offizielle Leitfaden von Anthropic als auch die Anleitungen, die unter Entwicklern kursieren. Und einer der Ingenieure, die an Claude Code arbeiten, kam auf einen Ansatz, an den die meisten Menschen nicht denken würden: Statt selbst mühsam an der Aufgabenstellung zu feilen, lassen Sie sich von der KI ausfragen.
Die KI ergänzt weniger, als Sie erwarten
Anthropic vergleicht Claude in seinem Leitfaden mit einem intelligenten, aber neuen Kollegen. Er kann vieles, kennt jedoch weder Ihre Gewohnheiten noch den Kontext, in dem Sie arbeiten. Je genauer Sie beschreiben, was Sie von ihm wollen, desto besser fällt das Ergebnis aus. Das Unternehmen ergänzt dazu einen einfachen Maßstab, den es die goldene Regel nennt: Zeigen Sie Ihren Prompt einem Kollegen, der fast nichts über die Aufgabe weiß, und lassen Sie ihn danach vorgehen. Wenn er verwirrt ist, wird auch Claude verwirrt sein.
In der Praxis bedeutet das, direkt anzugeben, in welchem Format die Antwort erfolgen soll und welchen Einschränkungen sie unterliegt. Wenn die Reihenfolge der Schritte oder deren Vollständigkeit wichtig ist, lohnt es sich, sie als nummerierte Liste aufzuschreiben. Und wenn Sie vom Modell etwas Außergewöhnliches erwarten, sagen Sie es ihm direkt. Aus einer vagen Aufgabenstellung wird es das nicht von selbst erraten.
Es hilft auch, wenn Sie die Anweisung begründen. Wenn Claude weiß, warum Sie etwas von ihm wollen, kann er leichter auch Dinge erschließen, die Sie nicht ausdrücklich erwähnt haben, und die Antwort passt besser zu dem Zweck, für den Sie sie benötigen.
Zeigen Sie ein Beispiel und weisen Sie eine Rolle zu
Die zuverlässigste Methode, das Modell zum gewünschten Format, Ton und Aufbau zu führen, sind Beispiele. Anthropic empfiehlt, drei bis fünf davon hinzuzufügen und sie so auszuwählen, dass sie Ihrer tatsächlichen Aufgabe möglichst nahekommen und auch Grenzfälle abdecken. So greift das Modell nicht versehentlich ein nebensächliches Muster auf, das Sie gar nicht beabsichtigt haben. Jedes Beispiel sollte dabei in ein <example>-Tag eingeschlossen werden, damit Claude es nicht mit den eigentlichen Anweisungen verwechselt.
Die gleiche Logik gilt auch für die Gliederung des gesamten Prompts mithilfe von Tags im XML-Stil. Wenn Sie in einer einzigen Aufgabenstellung Anweisungen, Kontext, Beispiele und Eingabedaten vermischen, reduzieren separate Tags wie <instructions>, <context> oder <input> das Risiko erheblich, dass das Modell etwas falsch versteht. Auch die Zuweisung einer Rolle ist wirksam. Ein einziger Satz im System-Prompt genügt, etwa dass Claude ein erfahrener Assistent für die Python-Programmierung ist, und schon richten sich sein Ton und sein Verhalten danach, was Sie von ihm benötigen.
Sagen Sie, was das Modell tun soll, nicht was es nicht tun soll
Anthropic weist auf eine weitverbreitete schlechte Angewohnheit hin. Menschen schreiben dem Modell häufig, was es vermeiden soll, dabei funktioniert das genaue Gegenteil besser. Statt „Verwende kein Markdown“ wirkt eher „Schreibe zusammenhängende Prosa in flüssigen Absätzen“. Eine positiv formulierte Anweisung führt das Modell bereitwilliger aus als ein Verbot.
Wer mit langen Dokumenten arbeitet, sollte sie am Anfang des Prompts platzieren, noch vor der eigentlichen Frage und den Anweisungen. Tests von Anthropic zufolge kann eine erst nach umfangreichen Daten gestellte Frage die Qualität der Antworten bei komplexen Aufgaben mit mehreren Dokumenten um mehrere Dutzend Prozent steigern. Bei umfangreichen Texten hat es sich zudem bewährt, Claude zunächst die relevanten Passagen auflisten zu lassen und erst danach die eigentliche Aufgabe zu bearbeiten, damit es sich durch das Rauschen im restlichen Dokument arbeiten kann.
Lassen Sie sich von Claude ausfragen
Ende Dezember 2025 veröffentlichte Thariq, der im Team rund um Claude Code arbeitet, eine Vorgehensweise, nach der zahlreiche Entwickler ihren Ansatz sofort überdachten. Er beschrieb seine bevorzugte Methode, große Funktionen zu entwickeln: Sie beginnen mit einer minimalen Aufgabenstellung oder einem kurzen Prompt und lassen sich von Claude mithilfe des direkt in Claude Code integrierten Werkzeugs AskUserQuestion ausfragen. Erst danach starten Sie eine neue Sitzung, die anhand der erstellten Spezifikation alles umsetzt.
Sie müssen nicht jede Anforderung im Voraus erraten. Claude wurde schließlich anhand von Millionen Softwareprojekten trainiert und weiß selbst, welche Grenzfälle auftreten können. Diese präsentiert es Ihnen dann in Form von Fragen. Bei einem Anmeldesystem fragt es beispielsweise, welche Authentifizierungsmethoden Sie unterstützen möchten oder ob Sitzungen auch nach dem Schließen des Browsers bestehen bleiben sollen. Sie antworten einfach im Gespräch und müssen sich nichts im Voraus überlegen.
— Thariq (@trq212) 3. Juli 2026
Claude als Lehrer
Dasselbe Werkzeug für Rückfragen lässt sich auch für andere Zwecke einsetzen. Thariq teilte einen Prompt seiner Kollegin Suzanne von Anthropic, der Claude in einen Lehrer verwandelt. Das Modell führt eine fortlaufende Liste dessen, was Sie verstehen sollten: worin das Problem bestand und warum es überhaupt entstanden ist, wie die Lösung aussieht und welche Entscheidungen dahinterstehen sowie welche Auswirkungen das Ganze hat. Anschließend lässt es Sie in eigenen Worten wiederholen, was Sie verstanden haben, und schließt die Lücken. Je nach Bedarf erklärt es den Stoff so, als wären Sie fünf oder vierzehn Jahre alt oder als würde es mit einem neuen Praktikanten sprechen.
Danach folgt die Prüfung. Claude stellt Ihnen über AskUserQuestion Fragen, mischt die Antworten durch und lässt Sie nicht vorab nachsehen. Die letzte Zeile des Prompts hält das Ganze zusammen: Die Sitzung darf nicht enden, bevor das Modell überprüft hat, dass Sie wirklich alles auf seiner Liste beherrschen.
Quellen: claude.com und github.com
