Was macht Erstellung von LLM-gestützten Anwendungen mit Claude?
Diese Fähigkeit hilft Ihnen, LLM-gestützte Anwendungen mit Claude zu erstellen. Wählen Sie die richtige Oberfläche basierend auf Ihren Anforderungen aus, erkennen Sie die Projektsprache und lesen Sie dann die relevante sprachspezifische Dokumentation.
Bevor Sie beginnen
Durchsuchen Sie die Zieldatei (oder, wenn keine Zieldatei vorhanden ist, die Eingabeaufforderung und das Projekt) nach Markern für Nicht-Anthropic-Anbieter – import openai, from openai, langchain_openai, OpenAI(, gpt-4, gpt-5, Dateinamen wie agent-openai.py oder *-generic.py oder explizite Anweisungen, den Code anbieterneutral zu halten. Wenn Sie solche Marker finden, stoppen Sie und teilen Sie dem Benutzer mit, dass diese Fähigkeit Claude/Anthropic SDK-Code erzeugt; fragen Sie, ob er die Datei auf Claude umstellen möchte oder eine Nicht-Claude-Implementierung wünscht. Bearbeiten Sie keine Datei eines anderen Anbieters mit Anthropic SDK-Aufrufen.
Ausgabeanforderung
Wenn der Benutzer Sie bittet, eine Claude-Funktion hinzuzufügen, zu ändern oder zu implementieren, muss Ihr Code Claude über einen der folgenden Wege aufrufen:
- Das offizielle Anthropic SDK in der Sprache des Projekts (
anthropic,@anthropic-ai/sdk,com.anthropic.*usw.). Dies ist die Standardeinstellung, wenn ein unterstütztes SDK für das Projekt existiert. - Rohes HTTP (
curl,requests,fetch,httpxusw.) – nur wenn der Benutzer explizit nach cURL/REST/rohem HTTP fragt, das Projekt ein Shell/cURL-Projekt ist oder die Sprache kein offizielles SDK hat.
Mischen Sie niemals beides – greifen Sie nicht zu requests/fetch in einem Python- oder TypeScript-Projekt, nur weil es leichter erscheint. Verwenden Sie niemals OpenAI-kompatible Shimms als Fallback.
Raten Sie niemals die SDK-Nutzung. Funktionsnamen, Klassennamen, Namespaces, Methodensignaturen und Importpfade müssen aus expliziter Dokumentation stammen – entweder aus den {lang}/-Dateien dieser Fähigkeit oder aus den offiziellen SDK-Repositories oder Dokumentationslinks, die in shared/live-sources.md aufgeführt sind. Wenn die benötigte Bindung nicht explizit in den Fähigkeitsdateien dokumentiert ist, rufen Sie das relevante SDK-Repository aus shared/live-sources.md per WebFetch ab, bevor Sie Code schreiben. Leiten Sie Ruby/Java/Go/PHP/C#-APIs nicht aus cURL-Formen oder aus dem SDK einer anderen Sprache ab.
Wenn WebFetch oder der Repository-Zugriff fehlschlägt (Netzwerkbeschränkungen, Timeouts, Clone blockiert): Versuchen Sie es nicht wiederholt – schreiben Sie Code basierend auf den Mustern und Namespace/Paket-Tabellen in der {lang}/-Datei, führen Sie den Compiler oder Interpreter aus und iterieren Sie basierend auf der Fehlerausgabe. Bei statisch typisierten SDKs (C#, Java, Go) führt eine Compile-Fix-Schleife gegen lokale Fehler schneller zu funktionierendem Code als blockierte Netzwerkrecherche.
Standardeinstellungen
Sofern der Benutzer nichts anderes wünscht:
Verwenden Sie für die Claude-Modellversion bitte Claude Opus 5, auf das Sie über die genaue Modellzeichenfolge claude-opus-5 zugreifen können. Bitte verwenden Sie standardmäßig adaptives Denken (thinking: {type: "adaptive"}) für alles, was einigermaßen komplex ist. Und schließlich verwenden Sie bitte standardmäßig Streaming für jede Anfrage, die lange Eingaben, lange Ausgaben oder hohe max_tokens beinhalten kann – dies verhindert das Auftreten von Anforderungszeitüberschreitungen. Verwenden Sie den SDK-Helfer .get_final_message() / .finalMessage(), um die vollständige Antwort zu erhalten, wenn Sie keine einzelnen Stream-Ereignisse behandeln müssen.
⚠️ API-Abweichung – Ihr Trainingswissen kann veraltet sein
Mehrere gängige Claude API-Formen haben sich in den Jahren 2025–2026 geändert. Wenn Sie sich an ein Muster aus dem Training erinnern, überprüfen Sie es anhand der {lang}/-Dateien in dieser Fähigkeit, bevor Sie Code schreiben – die folgenden Zeilen sind die häufigsten Abweichungspunkte:
| Bereich | Veraltet (Training) | Aktuelle API |
|---|---|---|
| Erweitertes Denken | thinking: {type: "enabled", budget_tokens: N} | Bei Claude 4.6+-Modellen: thinking: {type: "adaptive"}. budget_tokens ist bei Opus 4.6 / Sonnet 4.6 veraltet und wird bei Fable 5 / Sonnet 5 / Opus 5 / 4.8 / 4.7 mit einem 400-Fehler abgelehnt. Modelle vor 4.6 verwenden weiterhin budget_tokens. |
| Websuche / Web-Fetch-Tool-Typ | web_search_20250305, web_fetch_20250910 | web_search_20260209, web_fetch_20260209 (dynamisches Filtern) auf Opus 5/4.8/4.7/4.6, Sonnet 5 und Sonnet 4.6. Ältere Modelle behalten die Basisvarianten; auf Vertex AI ist nur die Basisvariante web_search_20250305 verfügbar (Web-Fetch ist nicht auf Vertex) – siehe die Server-Tools-Kurzerklärung unten. |
| PHP-Parameternamen | snake_case-Drahtnamen als benannte Argumente (max_tokens) | Benannte Argumente der obersten Ebene sind camelCase (maxTokens). Verschachtelte Array-Schlüssel variieren je nach Funktion (z. B. 'taskBudget', 'skillID', 'mcp_server_name') – kopieren Sie den genauen Schlüssel aus dem dokumentierten Beispiel; konvertieren Sie nicht alles pauschal. |
| Managed Agents-Anmeldeinformationen | Geheimnisse hostseitig über benutzerdefinierte Tools speichern (die einzige Option vor der Einführung von Tresoren) | Vault environment_variable-Anmeldeinformationen – von Anthropic gespeichert, beim Egress substituiert, nie in der Sandbox sichtbar (shared/managed-agents-tools.md → Vaults). Hostseitige benutzerdefinierte Tools bleiben der Fallback für selbst gehostete Sandboxes. |
Die {lang}/-Dateien in dieser Fähigkeit sind maßgeblich gegenüber erinnerten Mustern.
Unterbefehle
Wenn die Benutzeranforderung am Ende dieser Eingabeaufforderung eine reine Unterbefehl-Zeichenfolge ist (kein Text), durchsuchen Sie jede Unterbefehle-Tabelle in diesem Dokument – einschließlich derer in den unten angehängten Abschnitten – und folgen Sie direkt der entsprechenden Aktionsspalte. Dies ermöglicht es Benutzern, bestimmte Abläufe über /claude-api <unterbefehl> aufzurufen. Wenn keine Tabelle im Dokument übereinstimmt, behandeln Sie die Anfrage als normalen Text.
| Unterbefehl | Aktion |
|---|---|
migrate | Migrieren Sie vorhandenen Claude API-Code zu einem neueren Modell. Lesen Sie sofort shared/model-migration.md und befolgen Sie es der Reihe nach: Schritt 0 (Umfang bestätigen – fragen Sie vor jeder Bearbeitung nach Dateien/Verzeichnissen), Schritt 1 (jede Datei klassifizieren), dann den Abschnitt mit den Breaking Changes pro Ziel. Fassen Sie den Leitfaden nicht zusammen – führen Sie ihn aus. Wenn der Benutzer kein Zielmodell genannt hat, fragen Sie im selben Durchgang wie die Umfangsfrage nach dem Zielmodell. |
Spracherkennung
Bevor Sie Codebeispiele lesen, bestimmen Sie, in welcher Sprache der Benutzer arbeitet:
-
Durchsuchen Sie die Projektdateien, um die Sprache abzuleiten:
*.py,requirements.txt,pyproject.toml,setup.py,Pipfile→ Python – lesen Sie auspython/*.ts,*.tsx,package.json,tsconfig.json→ TypeScript – lesen Sie austypescript/*.js,*.jsx(keine.ts-Dateien vorhanden) → TypeScript – JS verwendet dasselbe SDK, lesen Sie austypescript/*.java,pom.xml,build.gradle→ Java – lesen Sie ausjava/*.kt,*.kts,build.gradle.kts→ Java – Kotlin verwendet das Java SDK, lesen Sie ausjava/*.scala,build.sbt→ Java – Scala verwendet das Java SDK, lesen Sie ausjava/*.go,go.mod→ Go – lesen Sie ausgo/*.rb,Gemfile→ Ruby – lesen Sie ausruby/*.cs,*.csproj→ C# – lesen Sie auscsharp/*.php,composer.json→ PHP – lesen Sie ausphp/
-
Wenn mehrere Sprachen erkannt werden (z. B. sowohl Python- als auch TypeScript-Dateien):
- Überprüfen Sie, auf welche Sprache sich die aktuelle Datei oder Frage des Benutzers bezieht
- Wenn immer noch unklar, fragen Sie: "Ich habe sowohl Python- als auch TypeScript-Dateien erkannt. Welche Sprache verwenden Sie für die Claude API-Integration?"
-
Wenn die Sprache nicht abgeleitet werden kann (leeres Projekt, keine Quelldateien oder nicht unterstützte Sprache):
- Verwenden Sie AskUserQuestion mit den Optionen: Python, TypeScript, Java, Go, Ruby, cURL/rohes HTTP, C#, PHP
- Wenn AskUserQuestion nicht verfügbar ist, verwenden Sie standardmäßig Python-Beispiele und vermerken Sie: "Zeige Python-Beispiele. Lassen Sie mich wissen, ob Sie eine andere Sprache benötigen."
-
Wenn eine nicht unterstützte Sprache erkannt wird (Rust, Swift, C++, Elixir usw.):
- Schlagen Sie cURL/rohen HTTP-Beispiele aus
curl/vor und weisen Sie darauf hin, dass Community-SDKs existieren könnten - Bieten Sie an, Python- oder TypeScript-Beispiele als Referenzimplementierungen zu zeigen
- Schlagen Sie cURL/rohen HTTP-Beispiele aus
-
Wenn der Benutzer cURL/rohen HTTP-Beispiele benötigt, lesen Sie aus
curl/.
Sprachspezifische Funktionsunterstützung
Jede oben genannte SDK-Sprache unterstützt sowohl den Beta-Tool-Runner als auch Managed Agents (Beta) – Python (@beta_tool-Dekorator), TypeScript (betaZodTool + Zod), Java (annotierte Klassen), Go (BetaToolRunner im toolrunner-Paket), Ruby (BaseTool + tool_runner), C# (BetaToolRunner + rohes JSON-Schema), PHP (BetaRunnableTool + toolRunner()); Code-Einstiegspunkte finden Sie in der Kurzerklärung zu Tool-Verwendungsmustern unten. cURL ist rohes HTTP (keine SDK-Funktionen) und unterstützt Managed Agents.
Managed Agents-Codebeispiele: siehe den Leseleitfaden im Abschnitt
## Managed Agents (Beta)unten.
Welche Oberfläche sollte ich verwenden?
Fangen Sie einfach an. Verwenden Sie standardmäßig die einfachste Stufe, die Ihren Anforderungen entspricht. Einzelne API-Aufrufe und Workflows decken die meisten Anwendungsfälle ab – greifen Sie nur dann zu Agenten, wenn die Aufgabe wirklich eine offene, modellgesteuerte Erkundung erfordert. "Am einfachsten" bedeutet den geringsten Code, den Sie selbst schreiben müssen: Für einen gehosteten, geplanten oder speichergestützten Agenten ist Managed Agents normalerweise die einfachste Option (keine Schleifenlogik, keine Zustandsdateien, kein Scheduler), auch wenn es sich um eine größere Plattform handelt.
| Anwendungsfall | Stufe | Empfohlene Oberfläche | Warum |
|---|---|---|---|
| Klassifizierung, Zusammenfassung, Extraktion, Q&A | Einzelner LLM-Aufruf | Claude API | Eine Anfrage, eine Antwort |
| Batch-Verarbeitung oder Embeddings | Einzelner LLM-Aufruf | Claude API | Spezialisierte Endpunkte |
| Mehrstufige Pipelines mit codegesteuerter Logik | Workflow | Claude API + Tool-Nutzung | Sie orchestrieren die Schleife |
| Benutzerdefinierter Agent mit eigenen Tools | Agent | Claude API + Tool-Nutzung | Maximale Flexibilität |
| Serververwalteter zustandsbehafteter Agent mit Arbeitsbereich | Agent | Managed Agents | Anthropic führt die Schleife aus und hostet die Tool-Ausführungssandbox |
| Persistierte, versionierte Agent-Konfigurationen | Agent | Managed Agents | Agents sind gespeicherte Objekte; Sitzungen sind an eine Version gebunden |
| Langlaufender Multi-Turn-Agent mit Datei-Mounts | Agent | Managed Agents | Sitzungsbezogene Container, SSE-Ereignisstrom, Skills + MCP |
| Agent, der nach einem Zeitplan läuft (Cron, "jede Nacht") | Agent | Managed Agents – Geplante Bereitstellungen | Bereitstellungen lösen Sitzungen autonom aus; kein clientseitiger Scheduler |
Hinweis: Managed Agents ist die richtige Wahl, wenn Sie möchten, dass Anthropic die Agentenschleife ausführt und den Container hostet, in dem die Tools ausgeführt werden – Dateioperationen, Bash, Codeausführung laufen alle im sitzungsbezogenen Arbeitsbereich. Wenn Sie die Berechnung selbst hosten oder Ihre eigene benutzerdefinierte Tool-Laufzeitumgebung ausführen möchten, ist Claude API + Tool-Nutzung die richtige Wahl – verwenden Sie den Tool Runner für die agentische Schleife – seine Haken pro Durchlauf bieten immer noch Genehmigungsgatter, Protokollierung, Fehlerabfang und bedingte Ausführung (siehe
shared/tool-use-concepts.md) – oder die manuelle Schleife, wenn Sie die gesamte Schleife selbst besitzen möchten.
Cloud-Anbieterzugriff. Claude Platform on AWS wird von Anthropic betrieben mit API-Parität am selben Tag – siehe
shared/claude-platform-on-aws.mdfür die Client-Einrichtung. Für die Verfügbarkeit pro Funktion auf Claude Platform on AWS, Amazon Bedrock, Google Vertex AI und Microsoft Foundry sieheshared/platform-availability.md– diese Tabelle ist die einzige maßgebliche Quelle in dieser Fähigkeit; leiten Sie die Verfügbarkeit nicht von anderen Orten ab.
Einen Agenten erstellen: Vier Ansätze
Sobald Sie entschieden haben, dass Sie tatsächlich einen Agenten benötigen (offene, modellgesteuerte Tool-Nutzung), gibt es vier verschiedene Möglichkeiten, einen zu erstellen. Zwei unabhängige Fragen unterscheiden sie: wer stellt die Bereitstellung (das Infrastruktur-/Hosting, auf dem der Agent läuft) und wer stellt das Geschirr bereit (die Agentenschleife + Kontextverwaltung). Der Tool Runner und das Claude Agent SDK stellen beide nur ein Geschirr bereit – Sie hosten und deployen sie selbst – weshalb sie leicht verwechselt werden können. Managed Agents (CMA) ist die einzige Option, die beides bereitstellt: das Geschirr und das verwaltete Deployment; die manuelle Schleife stellt keins von beidem bereit.
| # | Ansatz | Sie schreiben | Geschirr & Bereitstellung | Verfügbare Tools | Verwenden, wenn |
|---|---|---|---|---|---|
| 1 | Claude API – manuelle Schleife | Die while stop_reason == "tool_use"-Schleife selbst | Sie bauen das Geschirr; Sie hosten | Nur von Ihnen definierte Tools | Sie die gesamte Schleife besitzen möchten – keine Beta-Abhängigkeit oder ein Kontrollfluss, der nicht zu den Haken des Tool Runners pro Durchlauf passt |
| 2 | Claude API – Tool Runner (client.beta.messages.tool_runner + @beta_tool / betaZodTool) | Nur die Tool-Funktionen | SDK stellt die Schleife bereit (nur Geschirr); Sie hosten | Nur von Ihnen definierte Tools | Ein Agent mit benutzerdefinierten Tools, ohne die Schleife von Hand zu schreiben (die meisten Fälle). Haken pro Durchlauf bieten immer noch Genehmigungsgatter, Fehlerabfang, Ergebnisänderung (z. B. cache_control), Wiederholungen, Streaming und Verdichtung |
| 3 | Managed Agents (REST, Beta) | Agent-Konfiguration + Ihre Tool-Ergebnisse | Anthropic stellt das Geschirr und hostet eine sitzungsbezogene Sandbox bereit (Geschirr + Bereitstellung) | Von Anthropic gehostete Sandbox (Bash, Dateien, Codeausführung) + Skills/MCP + Ihre Tools | Sie möchten, dass Anthropic die Schleife ausführt und den sitzungsbezogenen Arbeitsbereich hostet; persistierte/versionierte Konfigurationen; lang laufende Sitzungen |
| 4 | Claude Agent SDK – separates Produkt (claude-agent-sdk / @anthropic-ai/claude-agent-sdk) | Eine Eingabeaufforderung + Optionen | SDK stellt das Claude Code-Geschirr + integrierte Tools bereit (nur Geschirr); Sie hosten | Integrierte Lese-/Schreib-/Bearbeitungs-/Bash-/Glob-/Grep-/WebSearch-/WebFetch-/MCP-/Subagenten-Tools | Sie möchten einen voll ausgestatteten Code-/Dateisystem-Agenten, der auf Ihrer eigenen Infrastruktur läuft |
Die Aufteilung Geschirr/Bereitstellung ist das wichtigste mentale Modell: Die Optionen 1, 2 und 4 überlassen die Bereitstellung Ihnen; nur Option 3 (CMA) fügt verwaltete Bereitstellung hinzu. Die Optionen 1–3 sind das, was diese Fähigkeit generiert; Option 4 ist eine andere Bibliothek mit eigener Dokumentation – siehe die Unterscheidung unten.
Tool Runner ≠ Claude Agent SDK. Diese klingen ähnlich, sind aber unterschiedliche Pakete:
- Tool Runner ist Teil des regulären Anthropic API SDK (
anthropic/@anthropic-ai/sdk), erreichbar überclient.beta.messages.tool_runner. Es automatisiert die Tool-Ausführungsschleife (Tool-Aufruf, Ausführung, Ergebnisrückgabe) und bietet benutzerdefinierte Haken pro Durchlauf, aber es ist kein vollständiger Agent – es hat keinen integrierten Dateisystemzugriff, keine Bash-Ausführung, keine Codeausführung usw. Sie müssen diese Tools selbst definieren.- Claude Agent SDK (
@anthropic-ai/claude-agent-sdk) ist ein separates npm-Paket, das das Claude Code-Geschirr (Lese-/Schreib-/Edit-/Bash-/Glob-/Grep-/WebSearch-/WebFetch-/MCP-/Subagenten-Tools) und die Agentenschleife selbst bereitstellt. Sie stellen nur eine Eingabeaufforderung bereit; Sie hosten und deployen es immer noch selbst.
Kurzerklärung zu Tool-Verwendungsmustern
(Übersetzt und angepasst aus dem Original; die Tabelle mit häufig verwendeten Mustern kann basierend auf der tatsächlichen shared/tool-use-patterns.md-Datei ergänzt werden)
Tool Runner
Verfügbar in: Python, TypeScript, Java, Go, Ruby, C#, PHP
# Beispiel für Python – Tool Runner
from anthropic import Anthropic
from anthropic.types.beta import BetaToolParam
client = Anthropic()
@client.beta.tools
def get_weather(location: str) -> str:
"""Get the current weather for a location."""
return f"Sunny in {location}"
response = client.beta.messages.tool_runner(
model="claude-opus-5",
max_tokens=1000,
thinking={"type": "adaptive"},
messages=[{"role": "user", "content": "What's the weather in Berlin?"}],
)
// Beispiel für TypeScript – Tool Runner
import Anthropic from '@anthropic-ai/sdk';
import { betaZodTool } from '@anthropic-ai/sdk/beta';
import { z } from 'zod';
const client = new Anthropic();
const getWeather = betaZodTool({
name: 'get_weather',
description: 'Get the current weather for a location',
parameters: z.object({ location: z.string() }),
execute: ({ location }) => `Sonnig in ${location}`,
});
const response = await client.beta.messages.toolRunner({
model: 'claude-opus-5',
max_tokens: 1000,
thinking: { type: 'adaptive' },
messages: [{ role: 'user', content: "Wie ist das Wetter in Berlin?" }],
});
Manuelle Schleife
Verfügbar in: Allen SDK-Sprachen, rohes HTTP (cURL)
# Beispiel für Python – manuelle Schleife
from anthropic import Anthropic
client = Anthropic()
def get_weather(location: str) -> str:
return f"Sonnig in {location}"
tools = [
{
"name": "get_weather",
"description": "Aktuelles Wetter für einen Ort abrufen",
"input_schema": {
"type": "object",
"properties": {
"location": {"type": "string", "description": "Stadtname"}
},
"required": ["location"]
}
}
]
messages = [{"role": "user", "content": "Wie ist das Wetter in Berlin?"}]
while True:
response = client.messages.create(
model="claude-opus-5",
max_tokens=1000,
tools=tools,
thinking={"type": "adaptive"},
messages=messages
)
if response.stop_reason != "tool_use":
break
for content in response.content:
if content.type == "tool_use":
if content.name == "get_weather":
result = get_weather(content.input["location"])
messages.append({"role": "assistant", "content": response.content})
messages.append({"role": "user", "content": [{
"type": "tool_result",
"tool_use_id": content.id,
"content": result
}]})
Managed Agents (Beta)
Lesen Sie zuerst:
shared/managed-agents-overview.mdfür eine vollständige Einführung, Konfigurationsreferenz und bewährte Methoden. Siehe auchshared/managed-agents-tools.mdfür Tool-Definition, Skills und Vaults.
Verfügbar in: Allen SDK-Sprachen + rohes HTTP (cURL) – Codebeispiele finden Sie in shared/managed-agents-snippets/
# Beispiel für Python – Managed Agent erstellen und ausführen
from anthropic import Anthropic
client = Anthropic()
# Agent-Konfiguration erstellen (vereinfacht)
agent = client.beta.agents.create(
name="mein-wetter-agent",
model="claude-opus-5",
instructions="Du bist ein hilfreicher Wetter-Assistent. Rufe das Wetter für Anfragen ab.",
tools=[
{
"type": "custom",
"name": "get_weather",
"description": "Aktuelles Wetter für einen Ort abrufen",
}
]
)
# Sitzung starten
session = client.beta.agents.sessions.create(
agent_id=agent.id,
messages=[{"role": "user", "content": "Wie ist das Wetter in Berlin?"}]
)
Wichtig: Wenn Sie Code für Managed Agents schreiben, konsultieren Sie immer die spezifischen Beispiele in
shared/managed-agents-snippets/, da sich die API noch in der Beta-Phase befindet und sich häufig ändert.
Server-Tools (Websuche, Web-Fetch und Computer Use)
Für eine vollständige Referenz zu verfügbaren Server-Tools, Parameterdefinitionen und plattformspezifischen Einschränkungen lesen Sie
shared/server-tools.md.
Websuche & Web-Fetch
Verfügbar in: Allen SDK-Sprachen + rohes HTTP – siehe shared/server-tools.md für das vollständige Schema und plattformspezifische Details.
# Beispiel für Python – Websuche
from anthropic import Anthropic
client = Anthropic()
response = client.messages.create(
model="claude-opus-5",
max_tokens=1000,
tools=[
{
"type": "web_search_20260209",
"name": "web_search",
}
],
messages=[{"role": "user", "content": "Aktuelle Nachrichten aus Berlin"}]
)
# Beispiel für Python – Web-Fetch
response = client.messages.create(
model="claude-opus-5",
max_tokens=1000,
tools=[
{
"type": "web_fetch_20260209",
"name": "web_fetch",
}
],
messages=[{"role": "user", "content": "Den Inhalt von https://example.com abrufen"}]
)
Hinweis zur Modellkompatibilität: Websuche und Web-Fetch mit dynamischem Filtern (
web_search_20260209,web_fetch_20260209) sind auf Opus 5/4.8/4.7/4.6, Sonnet 5 und Sonnet 4.6 verfügbar. Ältere Modelle und Vertex AI verwenden die Basisvarianten (web_search_20250305). Auf Vertex AI ist Web-Fetch nicht verfügbar.
Computer Use (Beta)
Vollständige Dokumentation und Schemas: Siehe
shared/computer-use.md
Verfügbar in: Allen SDK-Sprachen + rohes HTTP – die Fähigkeit, einen Computer (Bildschirm, Tastatur, Maus) über ein Tool zu steuern.
# Beispiel für Python – Computer Use
from anthropic import Anthropic
client = Anthropic()
response = client.messages.create(
model="claude-opus-5",
max_tokens=1000,
tools=[
{
"type": "computer_20250205",
"name": "computer",
"display_width_px": 1024,
"display_height_px": 768,
"display_number": 1
}
],
messages=[{"role": "user", "content": "Öffne den Browser und suche nach LLM-Tools"}]
)
Textgenerierung & Caching
max_tokens und Streaming
Standardmäßig für lange Ausgaben/Eingaben streamen:
# Beispiel für Python – Streaming mit finaler Nachricht
from anthropic import Anthropic
client = Anthropic()
with client.messages.stream(
model="claude-opus-5",
max_tokens=10000,
messages=[{"role": "user", "content": "Schreibe einen langen Aufsatz über KI"}]
) as stream:
final = stream.get_final_message()
Prompt Caching
# Beispiel für Python – Prompt Caching
response = client.messages.create(
model="claude-opus-5",
max_tokens=1000,
system=[
{
"type": "text",
"text": "Du bist ein hilfreicher Assistent mit umfangreichem System-Prompt...",
"cache_control": {"type": "ephemeral"}
}
],
messages=[{"role": "user", "content": "Hallo!"}]
)
Token-Zählung
# Beispiel für Python – Token-Zählung
from anthropic import Anthropic
client = Anthropic()
response = client.messages.count_tokens(
model="claude-opus-5",
system="Du bist ein hilfreicher Assistent.",
messages=[{"role": "user", "content": "Hallo!"}]
)
print(f"Eingabetoken: {response.input_tokens}")
Umgang mit Ablehnungen/Abschaltungen
Wenn Claude eine Antwort ablehnt, versuchen Sie Folgendes:
- System-Prompt anpassen – Rollenklarheit, explizite Erlaubnis
- Denkbudget erhöhen – Mehr Denkzeit für schwierige Anfragen
- Prompt neu formulieren – Weniger mehrdeutige Formulierungen
- Tool-Nutzung in Betracht ziehen – Lassen Sie Claude Ergebnisse über Tools abrufen, anstatt zu generieren
MCP (Model Context Protocol)
Vollständige Dokumentation: Siehe
shared/mcp.mdfür die MCP-Referenz und Konfigurationsbeispiele.
MCP ermöglicht es Claude, mit externen Diensten und Datenquellen zu interagieren. Hier ist ein kurzes Codebeispiel:
# Beispiel für die Verwendung von MCP mit Claude
response = client.messages.create(
model="claude-opus-5",
max_tokens=1000,
messages=[
{"role": "user", "content": "Suche in meiner Wissensdatenbank nach Informationen über LLMs"}
],
mcp_servers=[
{
"type": "mcp",
"url": "http://localhost:3001/mcp",
}
]
)
Modellmigration
Siehe
shared/model-migration.mdfür eine vollständige Anleitung zur Migration zwischen Modellen.
Um von einem älteren Claude-Modell auf ein neueres zu migrieren, befolgen Sie die Schritte in der Migrationsdatei.
Kurzreferenz:
- Bestätigen Sie den Migrationsumfang (welche Dateien/Verzeichnisse)
- Klassifizieren Sie jede Datei – welche API-Muster werden verwendet (Standard-Messages, Streaming, Tool-Nutzung, erweitertes Denken, etc.)
- Wenden Sie die Breaking Changes pro Ziel an, die in der Migrationsleitfaden dokumentiert sind
cURL / Rohes HTTP
Siehe
curl/für cURL-Beispiele.
# Beispiel – Claude API cURL-Aufruf
curl https://api.anthropic.com/v1/messages \
--header "x-api-key: $ANTHROPIC_API_KEY" \
--header "anthropic-version: 2023-06-01" \
--header "content-type: application/json" \
--data '{
"model": "claude-opus-5",
"max_tokens": 1000,
"messages": [
{"role": "user", "content": "Hallo, wer bist du?"}
]
}'
Fehlerbehebung & häufige Probleme
| Problem | Mögliche Ursache | Lösung |
|---|---|---|
400 Bad Request thinking.budget_tokens | Verwendung von budget_tokens mit einem Modell, das nur adaptives Denken unterstützt | Verwenden Sie thinking: {type: "adaptive"} oder fügen Sie keinen thinking-Block hinzu |
| 401 Unauthorized | Ungültiger oder fehlender API-Schlüssel | Überprüfen Sie ANTHROPIC_API_KEY Umgebungsvariable |
| 429 Too Many Requests | Ratelimit erreicht | Warten Sie und wiederholen Sie den Vorgang; verwenden Sie ggf. Streaming |
| Timeout | Lange Anfrage ohne Streaming | Verwenden Sie Streaming (stream: true) und get_final_message() |
| Tool-Aufruf nicht ausgeführt | Falsche Tool-Definition oder fehlende Tool-Implementierung | Überprüfen Sie Tool-Schema und Funktionssignatur |
Sprachspezifische Dateien
Jede Sprache hat ihr eigenes Verzeichnis mit spezifischen Beispielen und Dokumentation:
python/– Python SDK (anthropic)typescript/– TypeScript SDK (@anthropic-ai/sdk)java/– Java SDK (com.anthropic.*)go/– Go SDK (github.com/anthropics/anthropic-sdk-go)ruby/– Ruby SDK (anthropic)csharp/– C# SDK (AnthropicNuGet-Paket)php/– PHP SDK (anthropic)curl/– Rohes HTTP / cURL-Beispiele
Weitere gemeinsame Ressourcen finden Sie im shared/-Verzeichnis.