Prompt Engineering für Claude-Modelle: Ein Praxisleitfaden

Dieser Kurs wurde unter Zuhilfenahme von künstlicher Intelligenz erstellt.

Die meisten Prompting-Kurse bringen Ihnen bei, Dinge hinzuzufügen. Dieser Kurs bringt Ihnen vor allem bei, Dinge wegzunehmen.

Das Handwerk hat sich umgekehrt. Die ältere Disziplin war Kompensation: Die Modelle lieferten zu wenig, also hat man nachgeschoben. Man schrieb Anweisungen in Großbuchstaben, damit ein Tool auslöst. Man schrieb Prüfen Sie Ihre Arbeit immer doppelt, weil das Modell es sonst nicht tat. Man erzwang eine JSON-Form, indem man die Antwort selbst begann. All das diente dazu, ein widerwilliges Modell auf ein bestimmtes Niveau zu ziehen.

Aktuelle Modelle erreichen dieses Niveau von allein. Sie prüfen ihre Arbeit, greifen zu Tools, erkunden. Dieselben Anweisungen stapeln sich nun auf ein Verhalten, das ohnehin schon da ist – und Sie bekommen einen Agenten, der dreimal verifiziert, für eine Aufgabe Subagenten startet, die er selbst hätte erledigen können, und neun Absätze schreibt, wo Sie zwei wollten. In diesem Kurs stammen viele der größten gemessenen Effekte daher, dass eine Zeile gelöscht statt hinzugefügt wurde.

Sie arbeiten den ganzen Kurs über in einem Unternehmen

Abstrakte Prompting-Ratschläge sind nahezu nutzlos, deshalb gibt es hier keine Spielzeugbeispiele. Sie fangen am ersten Tag bei Vantel an, einem B2B-Rechnungsunternehmen mit 400 Mitarbeitenden, und bleiben dort für alle 34 Lektionen. Vantel betreibt drei KI-Oberflächen, die zusammen praktisch alles abdecken, was Prompting leisten muss: Ledger Assist (Chat im Produkt), Invoice Intake (eine Pipeline zur Dokumentextraktion) und Cobalt (ein interner Coding-Agent, der stundenlang unbeaufsichtigt läuft). Sie lernen die Engineers kennen, lesen ihre Prompts und verfolgen ihre Messungen.

Jede Aussage in diesem Kurs ist mit einer Zahl belegt

Eine nachdrückliche Tool-Anweisung, geschrieben vor zwei Modellgenerationen, gelöscht: 38 % weniger Tool-Aufrufe, keine Änderung beim Aufgabenerfolg.

Ein Nebensatz mit Begründung, ergänzt in einer Regel zu Bankdaten: Eine Betrugskontrolle hielt statt 12 von 41 Testanfragen nun 39 von 41 stand – und lehnte legitime Anfragen seltener ab.

Elf Formatverbote, ersetzt durch einen Satz, der das Ziel beschreibt.

Ein Bugfix von sechs Zeilen, der als 430 Zeilen in 11 Dateien zurückkam – und die fünf konkreten Klauseln, die die Diff-Größe um 70 % senkten.

Ein Agent im Nachtlauf, der um 19:11 Uhr um Erlaubnis bat und 13 Stunden auf eine Antwort wartete.

Was diesen Kurs von einem Blogartikel unterscheidet

Prompting-Ratschläge altern schlecht, und die meisten werden ohne Messung veröffentlicht. Dieser Kurs ist umgekehrt aufgebaut: Sie bauen in Kapitel 1 ein Eval-Set, und jede spätere Technik können Sie auf Ihrem eigenen System belegen oder widerlegen. Kapitel 6 vermittelt dann, was das nächste Release überlebt – wie man einen Verhaltensleitfaden zu einem Modell liest, wie man einen Effort-Sweep durchführt, und die Migrations-Checkliste mit acht Audits, die ein Team von drei Wochen auf zwei Tage gebracht hat.

Bewegte Szenen statt Folien

Keine einzige Stichpunkt-Lektion. Jede Lektion besteht aus animierten Szenen – animierte Architekturdiagramme, Live-Demos von Prompt und Antwort, Terminal-Durchläufe echter Eval-Runs und Vorher-nachher-Vergleiche, bei denen sich die Kennzahlen auf dem Bildschirm bewegen.

Für wen dieser Kurs ist

Für Engineers, ML-Engineers und technische Produktmanager, die bereits eine LLM-API aufrufen und es leid sind, dass ihre Prompt-Datei auf vierhundert Zeilen anwächst, die niemand anzufassen wagt. Kein ML-Hintergrund nötig.

Dies ist ein unabhängiger, inoffizieller Kurs. Er ist nicht mit Anthropic verbunden und wird von Anthropic weder unterstützt noch gesponsert. Claude ist eine Marke von Anthropic, PBC. Prüfen Sie das aktuelle Modellverhalten stets in der offiziellen Dokumentation.