Mehr Regeln, mehr Beispiele, mehr Kontext: So wurden KI-Agenten lange zuverlässiger gemacht. Jede neue Fehlermeldung brachte eine weitere Anweisung, jeder Sonderfall einen zusätzlichen Absatz. Bei Claude Code ist dieses Regelwerk irgendwann so groß geworden, dass Anthropic den umgekehrten Weg ausprobierte.

Für Claude Opus 5 und Fable 5 entfernte das Team mehr als 80 Prozent des System-Prompts. In den eigenen Coding-Tests war danach kein messbarer Leistungsverlust zu erkennen. Die stärkeren Modelle brauchten viele der alten Hilfestellungen schlicht nicht mehr.

Warum der System-Prompt immer länger wurde

Ältere Modelle mussten genauer geführt werden. Sie nutzten Werkzeuge falsch, übersprangen Arbeitsschritte oder lieferten Code, der nicht zum bestehenden Projekt passte. Solche Fehler ließen sich oft mit einer zusätzlichen Regel verhindern.

Einzeln waren diese Regeln sinnvoll. Zusammen wurden sie zum Problem. Manche wiederholten Informationen aus Tool-Beschreibungen, andere widersprachen neueren Vorgaben. Das Modell musste einen wachsenden Teil seiner Aufmerksamkeit darauf verwenden, die Anweisungen zu sortieren.

Anthropic nennt ein einfaches Beispiel: Der System-Prompt fordert Dokumentation, während eine separat geladene Skill-Anweisung Kommentare verbietet. Beide Regeln können aus einem konkreten Anlass entstanden sein. Im selben Kontext zwingen sie das Modell jedoch zu einer Entscheidung, die mit der eigentlichen Programmieraufgabe wenig zu tun hat.

Mit Opus 5 und Fable 5 stellte das Claude-Code-Team fest, dass viele dieser Stützen nicht mehr nötig waren. Die Modelle erkennen den Stil eines Repositories besser, verstehen Werkzeuge aus ihren Schnittstellen und können häufiger selbst beurteilen, welcher Arbeitsschritt sinnvoll ist.

Prompt Engineering wird zu Context Engineering

Ein Prompt ist die konkrete Aufgabe, die du an ein Modell sendest. Der Kontext eines Agenten ist größer. Dazu gehören der System-Prompt, Tool-Beschreibungen, Skills, gespeicherte Erinnerungen, Projektdateien und frühere Arbeitsschritte.

Je mehr davon gleichzeitig geladen wird, desto mehr Material muss das Modell gewichten. Ein Kontextfenster mit einer Million Tokens löst dieses Problem nicht automatisch. Technisch passt zwar viel hinein, relevant wird dadurch aber noch lange nicht alles.

Anthropic spricht deshalb von Context Engineering. Die zentrale Frage lautet nicht mehr nur: Wie formuliere ich eine gute Anweisung? Ebenso wichtig ist: Welche Informationen braucht das Modell genau jetzt und welche können später geladen werden?

Das widerspricht nicht den Grundlagen unseres KI-Weekly-Prompt-Generators. Eine konkrete Aufgabe, ein klares Ziel und ein eindeutiges Ausgabeformat bleiben wichtig. Neu ist der Blick auf den dauerhaften Unterbau eines Agenten. Dort kann zusätzliche Erklärung die Arbeit inzwischen erschweren.

Die neuen Regeln für Claude 5

Das Claude-Code-Team beschreibt sechs Veränderungen beim Aufbau des Kontexts:

FrüherHeute
Viele feste Regeln vorgebenDas Modell innerhalb klarer Grenzen selbst entscheiden lassen
Tool-Nutzung mit Beispielen erklärenVerständliche Schnittstellen und Parameter entwickeln
Alle Informationen vorab ladenKontext erst dann ergänzen, wenn er gebraucht wird
Wichtige Hinweise mehrfach wiederholenJede Information an einer eindeutigen Stelle hinterlegen
Präferenzen manuell in CLAUDE.md sammelnAutomatische Memory-Funktionen und echte Projektquellen nutzen
Gewünschte Ergebnisse nur beschreibenGute Dateien, Tests, Mock-ups oder Bewertungsraster als Referenz zeigen

Besonders wichtig ist die sogenannte Progressive Disclosure. Mehrstufige Abläufe wie Code-Reviews, Veröffentlichungen oder Sicherheitsprüfungen müssen nicht dauerhaft im System-Prompt stehen. Sie können als Skills hinterlegt und erst bei Bedarf geladen werden. Gleiches gilt für selten genutzte Tools.

Das reduziert nicht nur Tokenkosten. Der aktuelle Auftrag konkurriert mit weniger irrelevanten Regeln um Aufmerksamkeit. In unserem Guide zum Bau von KI-Agenten spielt diese Trennung zwischen Modell, Werkzeugen und Gedächtnis bereits eine zentrale Rolle.

Was in eine CLAUDE.md noch hineingehört

Eine CLAUDE.md sollte vor allem Wissen enthalten, das sich nicht zuverlässig aus dem Projekt selbst ableiten lässt. Dazu gehören ungewöhnliche Build-Befehle, bewusst gewählte Bibliotheken, interne Namensregeln oder Grenzen, die technisch nicht sichtbar sind.

Viele allgemeine Hinweise können dagegen verschwinden. Der Agent muss nicht lesen, dass er sauberen Code schreiben soll. Hilfreicher ist eine bestehende Datei, die den gewünschten Stil zeigt. Statt Tests ausführlich in Prosa zu beschreiben, kann eine gute Testsuite als direkte Referenz dienen.

Anthropic empfiehlt für die Überarbeitung vier Schritte:

  1. Entferne Informationen, die Claude selbst im Repository finden kann.
  2. Verschiebe längere Arbeitsabläufe in separat geladene Skills.
  3. Ersetze allgemeine Stilbeschreibungen durch konkrete Referenzdateien und Tests.
  4. Halte die zentrale CLAUDE.md möglichst unter 200 Zeilen.

Claude Code erhält dafür außerdem einen /doctor-Befehl. Er soll überladene Projektanweisungen und Skills erkennen und Vorschläge zur Kürzung machen.

Weniger Kontext ist nicht automatisch besser

Die Zahl von 80 Prozent ist beeindruckend, lässt sich aber nicht blind auf jedes Modell und jeden Workflow übertragen. Anthropic berichtet über die eigenen Coding-Tests mit Opus 5 und Fable 5. Kleinere Modelle können weiterhin stärker von Beispielen und expliziten Regeln profitieren.

Auch in regulierten oder riskanten Abläufen darf „Lass das Modell entscheiden“ keine fehlenden Grenzen ersetzen. Zugriffsrechte, Freigaben und verbotene Aktionen gehören technisch abgesichert. Eine kürzere Anweisung ist kein Ersatz für eine saubere Architektur.

Entscheidend ist daher nicht die Länge allein. Jede Regel sollte einen aktuellen Zweck haben, an genau einer Stelle stehen und zum verwendeten Modell passen. Wer alte Prompts unverändert an jede neue Modellgeneration weiterreicht, konserviert Fehlerbehebungen für Probleme, die möglicherweise längst nicht mehr existieren.

Der schwierigste Teil ist das Löschen

System-Prompts wachsen meist unbemerkt. Neue Regeln lassen sich leicht hinzufügen, alte nur schwer entfernen. Schließlich könnte genau dieser eine Satz irgendwann wieder einen Fehler verhindern.

Anthropics Versuch zeigt, dass diese Vorsicht selbst zum Risiko werden kann. Ein stärkeres Modell braucht keinen dickeren Ordner mit Anweisungen. Es braucht einen klaren Auftrag, gut entworfene Werkzeuge und den richtigen Kontext im richtigen Moment.

Für Teams, die Claude Code oder eigene Agenten betreiben, ist das eine ziemlich konkrete Aufgabe: nicht sofort den nächsten Prompt-Trick ergänzen, sondern zuerst prüfen, welche Regeln heute noch Arbeit leisten und welche nur noch Platz belegen.