Anthropics eigene Entwickler sagen: Bessere KI-Ergebnisse beginnen bei deinen blinden Flecken, nicht bei längeren Prompts
Ein Anthropic-Entwickler teilt Techniken für die Arbeit mit Fable 5, und verrät, dass das Unternehmen den System-Prompt von Claude Code um 80 Prozent gekürzt hat, weil neuere Modelle weniger Anweisungen wollen.
Wenn deine KI-Ergebnisse immer wieder fast, aber eben nicht ganz richtig ausfallen, liegt das Problem womöglich nicht mehr bei der KI. Der Anthropic-Entwickler Thariq Shihipar meint, dass die Qualität der Ausgaben bei Fable 5, Claudes neuestem Modell, vor allem durch etwas begrenzt wird, das das Modell nicht sehen kann: die Dinge, die du zu erwähnen vergessen hast.
Shihipar teilt das, was du in einen Prompt einbringst, in vier Kategorien ein. Bekannte Bekannte sind das, was in deinem Prompt steht. Bekannte Unbekannte sind die offenen Fragen, deren du dir bewusst bist. Unbekannte Bekannte sind Dinge, die für dich so selbstverständlich sind, dass du sie nie aufschreiben würdest. Und dann gibt es die gefährliche Kategorie: unbekannte Unbekannte, Aspekte, an die du überhaupt noch nicht gedacht hast. Seine Beobachtung: Zu konkret zu sein ist genauso problematisch wie zu vage zu bleiben. Übermäßig detaillierte Prompts legen das Modell auf einen fehlerhaften Plan fest; vage Prompts liefern dir allgemeine Branchenstandards, die nicht zu deinem Fall passen.
Seine Lösung besteht darin, die KI deine eigenen Lücken finden zu lassen, bevor die eigentliche Arbeit beginnt. Bei einem „Blindspot Pass“ bittest du Claude ganz direkt, das zu erkennen, was dir entgeht, zum Beispiel: „Ich weiß nichts über die Authentifizierungsmodule in dieser Codebasis. Kannst du einen Blindspot Pass durchführen, damit ich dir einen besseren Prompt geben kann?“ Außerdem empfiehlt er strukturierte Interviews, bei denen Claude dir nacheinander Fragen stellt und mit denen beginnt, die den gesamten Ansatz verändern würden. Hinzu kommen kurze Brainstorming-Runden mit mehreren grundverschiedenen Prototypen, auf die du reagieren kannst.
Was dahintersteckt: Das ist nicht bloß der Arbeitsablauf eines einzelnen Entwicklers, es spiegelt einen Wandel darin wider, wie Anthropic seine Modelle selbst steuert. In einem kürzlich gehaltenen Konferenzvortrag verriet Shihipar, dass das Unternehmen den System-Prompt von Claude Code, die dauerhaften Anweisungen, die das Werkzeug an das Modell übermittelt, um 80 Prozent gekürzt hat. Neuere Modelle „wollen einen kleineren System-Prompt“, sagte er. Beispiele „schränken es tendenziell ein, weil es tatsächlich einfallsreicher ist als die Beispiele, die wir ihm geben“. Jahrelang lautete der Rat: mehr Anweisungen, mehr Beispiele. Diese Ära scheint zu Ende zu gehen. Die Modelle füllen Lücken gut, solange du ihnen gesagt hast, wo du tatsächlich stehst.
Was das für dich bedeutet: Wenn KI-Werkzeuge für dich neu sind, ist das ermutigend, du musst keine ausgefeilten Prompt-Formeln beherrschen. Sag, wo du anfängst („Ich habe das noch nie gemacht, frag mich, was du wissen musst“), und lass dich vom Modell interviewen. Wenn du ein erfahrener Nutzer bist, probiere beim nächsten kniffligen Auftrag den Blindspot Pass aus und überlege, ob du deine sorgsam gehorteten Mega-Prompts kürzen kannst. Eine wichtige Einschränkung: Diese Empfehlung ist auf die neuesten Modelle von Anthropic zugeschnitten; ältere oder kleinere Modelle profitieren weiterhin von ausdrücklicheren Anweisungen.
Quellen
Quellen: https://thariqs.github.io/html-effectiveness/unknowns/
Die Geneva AI Week beginnt morgen: der erste echte Versuch der UN, KI gemeinsam zu regeln
Der erste UN Global Dialogue on AI Governance findet am 6. und 7. Juli statt, direkt gefolgt vom AI for Good Summit. Warum diese Woche wichtiger ist als das übliche Gipfeltheater.
