Communitygithub.com

Erstellung von LLM-gestützten Anwendungen mit Claude

Referenz für die Claude API / das Anthropic SDK – Modell-IDs, Preise, Parameter, Streaming, Tool-Nutzung, MCP, Agents, Caching, Token-Zählung, Modellmigration.

Was ist Erstellung von LLM-gestützten Anwendungen mit Claude?

Diese Fähigkeit bietet eine umfassende Anleitung zur Entwicklung LLM-gestützter Anwendungen mit Claude. Sie hilft Entwicklern, die richtige Oberfläche basierend auf ihren Anforderungen auszuwählen und die relevante sprachspezifische Dokumentation zu lesen. Die Fähigkeit unterstützt mehrere Programmiersprachen (Python, TypeScript, Java, Go, Ruby, C#, PHP) und rohes HTTP (cURL). Sie behandelt wichtige Konzepte wie die Modellauswahl (mit Standardeinstellung auf Claude Opus 5), adaptives Denken, Streaming, Tool-Nutzung und den Aufbau von Agenten mit verschiedenen Ansätzen (manuelle Schleife, Tool Runner, Managed Agents und Claude Agent SDK). Ein wichtiger Bestandteil ist die Warnung vor API-Abweichungen – die Trainingsdaten des Assistenten könnten veraltet sein, daher wird empfohlen, API-Muster anhand der Sprachdateien in dieser Fähigkeit zu überprüfen. Zudem wird erkannt, ob ein Projekt einen anderen LLM-Anbieter verwendet, und der Benutzer wird gefragt, ob er zu Claude wechseln möchte. Die Fähigkeit enthält auch eine Tabelle mit Unterbefehlen, z. B. `migrate` für die Migration zu neueren Modellen.

Funktioniert mit✓Claude Code✓Codex CLI~Cursor✓Antigravity✓Gemini CLI
npx skills add https://github.com/LiChangZheng10086/doyin_ai_video/tree/HEAD/.agents/skills/claude-api

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

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:

  1. 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.
  2. Rohes HTTP (curl, requests, fetch, httpx usw.) – 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:

BereichVeraltet (Training)Aktuelle API
Erweitertes Denkenthinking: {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-Typweb_search_20250305, web_fetch_20250910web_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-Parameternamensnake_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-AnmeldeinformationenGeheimnisse 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.

UnterbefehlAktion
migrateMigrieren 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:

  1. Durchsuchen Sie die Projektdateien, um die Sprache abzuleiten:

    • *.py, requirements.txt, pyproject.toml, setup.py, Pipfile → Python – lesen Sie aus python/
    • *.ts, *.tsx, package.json, tsconfig.json → TypeScript – lesen Sie aus typescript/
    • *.js, *.jsx (keine .ts-Dateien vorhanden) → TypeScript – JS verwendet dasselbe SDK, lesen Sie aus typescript/
    • *.java, pom.xml, build.gradle → Java – lesen Sie aus java/
    • *.kt, *.kts, build.gradle.kts → Java – Kotlin verwendet das Java SDK, lesen Sie aus java/
    • *.scala, build.sbt → Java – Scala verwendet das Java SDK, lesen Sie aus java/
    • *.go, go.mod → Go – lesen Sie aus go/
    • *.rb, Gemfile → Ruby – lesen Sie aus ruby/
    • *.cs, *.csproj → C# – lesen Sie aus csharp/
    • *.php, composer.json → PHP – lesen Sie aus php/
  2. 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?"
  3. 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."
  4. 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
  5. 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.

AnwendungsfallStufeEmpfohlene OberflächeWarum
Klassifizierung, Zusammenfassung, Extraktion, Q&AEinzelner LLM-AufrufClaude APIEine Anfrage, eine Antwort
Batch-Verarbeitung oder EmbeddingsEinzelner LLM-AufrufClaude APISpezialisierte Endpunkte
Mehrstufige Pipelines mit codegesteuerter LogikWorkflowClaude API + Tool-NutzungSie orchestrieren die Schleife
Benutzerdefinierter Agent mit eigenen ToolsAgentClaude API + Tool-NutzungMaximale Flexibilität
Serververwalteter zustandsbehafteter Agent mit ArbeitsbereichAgentManaged AgentsAnthropic führt die Schleife aus und hostet die Tool-Ausführungssandbox
Persistierte, versionierte Agent-KonfigurationenAgentManaged AgentsAgents sind gespeicherte Objekte; Sitzungen sind an eine Version gebunden
Langlaufender Multi-Turn-Agent mit Datei-MountsAgentManaged AgentsSitzungsbezogene Container, SSE-Ereignisstrom, Skills + MCP
Agent, der nach einem Zeitplan läuft (Cron, "jede Nacht")AgentManaged Agents – Geplante BereitstellungenBereitstellungen 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.md für die Client-Einrichtung. Für die Verfügbarkeit pro Funktion auf Claude Platform on AWS, Amazon Bedrock, Google Vertex AI und Microsoft Foundry siehe shared/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.

#AnsatzSie schreibenGeschirr & BereitstellungVerfügbare ToolsVerwenden, wenn
1Claude API – manuelle SchleifeDie while stop_reason == "tool_use"-Schleife selbstSie bauen das Geschirr; Sie hostenNur von Ihnen definierte ToolsSie die gesamte Schleife besitzen möchten – keine Beta-Abhängigkeit oder ein Kontrollfluss, der nicht zu den Haken des Tool Runners pro Durchlauf passt
2Claude API – Tool Runner (client.beta.messages.tool_runner + @beta_tool / betaZodTool)Nur die Tool-FunktionenSDK stellt die Schleife bereit (nur Geschirr); Sie hostenNur von Ihnen definierte ToolsEin 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
3Managed Agents (REST, Beta)Agent-Konfiguration + Ihre Tool-ErgebnisseAnthropic stellt das Geschirr und hostet eine sitzungsbezogene Sandbox bereit (Geschirr + Bereitstellung)Von Anthropic gehostete Sandbox (Bash, Dateien, Codeausführung) + Skills/MCP + Ihre ToolsSie möchten, dass Anthropic die Schleife ausführt und den sitzungsbezogenen Arbeitsbereich hostet; persistierte/versionierte Konfigurationen; lang laufende Sitzungen
4Claude Agent SDK – separates Produkt (claude-agent-sdk / @anthropic-ai/claude-agent-sdk)Eine Eingabeaufforderung + OptionenSDK stellt das Claude Code-Geschirr + integrierte Tools bereit (nur Geschirr); Sie hostenIntegrierte Lese-/Schreib-/Bearbeitungs-/Bash-/Glob-/Grep-/WebSearch-/WebFetch-/MCP-/Subagenten-ToolsSie 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 über client.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.md für eine vollständige Einführung, Konfigurationsreferenz und bewährte Methoden. Siehe auch shared/managed-agents-tools.md für 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:

  1. System-Prompt anpassen – Rollenklarheit, explizite Erlaubnis
  2. Denkbudget erhöhen – Mehr Denkzeit für schwierige Anfragen
  3. Prompt neu formulieren – Weniger mehrdeutige Formulierungen
  4. Tool-Nutzung in Betracht ziehen – Lassen Sie Claude Ergebnisse über Tools abrufen, anstatt zu generieren

MCP (Model Context Protocol)

Vollständige Dokumentation: Siehe shared/mcp.md für 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.md für 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:

  1. Bestätigen Sie den Migrationsumfang (welche Dateien/Verzeichnisse)
  2. Klassifizieren Sie jede Datei – welche API-Muster werden verwendet (Standard-Messages, Streaming, Tool-Nutzung, erweitertes Denken, etc.)
  3. 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

ProblemMögliche UrsacheLösung
400 Bad Request thinking.budget_tokensVerwendung von budget_tokens mit einem Modell, das nur adaptives Denken unterstütztVerwenden Sie thinking: {type: "adaptive"} oder fügen Sie keinen thinking-Block hinzu
401 UnauthorizedUngültiger oder fehlender API-SchlüsselÜberprüfen Sie ANTHROPIC_API_KEY Umgebungsvariable
429 Too Many RequestsRatelimit erreichtWarten Sie und wiederholen Sie den Vorgang; verwenden Sie ggf. Streaming
TimeoutLange Anfrage ohne StreamingVerwenden Sie Streaming (stream: true) und get_final_message()
Tool-Aufruf nicht ausgeführtFalsche Tool-Definition oder fehlende Tool-ImplementierungÜberprüfen 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 (Anthropic NuGet-Paket)
  • php/ – PHP SDK (anthropic)
  • curl/ – Rohes HTTP / cURL-Beispiele

Weitere gemeinsame Ressourcen finden Sie im shared/-Verzeichnis.

Individual skills in this repo

This repo contains 12 individual skills — each has its own dedicated page.

LiChangZheng10086/doyin_ai_video

Browser automation CLI for AI agents. Use when the user needs to interact with websites, including navigating pages, filling forms, clicking buttons, taking screenshots, extracting data, testing web apps, or automating any browser task. Triggers include requests to "open a website", "fill out a form", "click a button", "take a screenshot", "scrape data from a page", "test this web app", "login to a site", "automate browser actions", or any task requiring programmatic web interaction.

LiChangZheng10086/doyin_ai_video

Use this skill whenever the user wants to create, read, edit, or manipulate Word documents (.docx files) or Word templates (.dotx files). Triggers include: any mention of 'Word doc', 'word document', '.docx', '.dotx', or requests to produce professional documents with formatting like tables of contents, headings, page numbers, or letterheads. Also use when extracting or reorganizing content from .docx or .dotx files, inserting or replacing images in documents, performing find-and-replace in Word files, working with tracked changes or comments, or converting content into a polished Word document. If the user asks for a 'report', 'memo', 'letter', 'template', or similar deliverable as a Word or .docx file, use this skill. Do NOT use for PDFs, spreadsheets, Google Docs, or general coding tasks unrelated to document generation.

LiChangZheng10086/doyin_ai_video

Guidance for distinctive, intentional visual design when building new UI or reshaping an existing one. Helps with aesthetic direction, typography, and making choices that don't read as templated defaults.

LiChangZheng10086/doyin_ai_video

Grill me about specs for the workflows I want to build, within this workspace.

LiChangZheng10086/doyin_ai_video

Use this skill whenever the user wants to do anything with PDF files. This includes reading or extracting text/tables from PDFs, combining or merging multiple PDFs into one, splitting PDFs apart, rotating pages, adding watermarks, creating new PDFs, filling PDF forms, encrypting/decrypting PDFs, extracting images, and OCR on scanned PDFs to make them searchable. If the user mentions a .pdf file or asks to produce one, use this skill.

LiChangZheng10086/doyin_ai_video

智能 PPT 生成器。支持 7 种视觉风格(乐高/波普/黏土/黑白/商务/学术/科技),具备根据内容自动推荐风格、生成大纲、绘制配图并组装成片的全自动能力。

LiChangZheng10086/doyin_ai_video

Use this skill any time a .pptx or .potx file is involved in any way — as input, output, or both. This includes: creating slide decks, pitch decks, or presentations; reading, parsing, or extracting text from any .pptx or .potx file (even if the extracted content will be used elsewhere, like in an email or summary); editing, modifying, or updating existing presentations; combining or splitting slide files; working with templates (.potx), layouts, speaker notes, or comments. Trigger whenever the user mentions \"deck,\" \"slides,\" \"presentation,\" or references a .pptx or .potx filename, regardless of what they plan to do with the content afterward. If a .pptx or .potx file needs to be opened, created, or touched, use this skill.

LiChangZheng10086/doyin_ai_video

Diagnose and fix React codebase health issues. Use when reviewing React code, fixing performance problems, auditing security, or improving code quality.

LiChangZheng10086/doyin_ai_video

Sentry error monitoring and performance tracing patterns for Next.js applications.

LiChangZheng10086/doyin_ai_video

Simplify and refine recently modified code for clarity and consistency. Use after writing code to improve readability without changing functionality.

LiChangZheng10086/doyin_ai_video

✅ "你知道今天所有大模型能读懂你的话,全靠一个叫Transformer的架构吗?"

LiChangZheng10086/doyin_ai_video

Use this skill any time a spreadsheet file is the primary input or output. This means any task where the user wants to: open, read, edit, or fix an existing .xlsx, .xlsm, .xltx, .csv, or .tsv file (e.g., adding columns, computing formulas, formatting, charting, cleaning messy data); create a new spreadsheet from scratch or from other data sources; or convert between tabular file formats. Trigger especially when the user references a spreadsheet file by name or path — even casually (like \"the xlsx in my downloads\") — and wants something done to it or produced from it. Also trigger for cleaning or restructuring messy tabular data files (malformed rows, misplaced headers, junk data) into proper spreadsheets. The deliverable must be a spreadsheet file. Do NOT trigger when the primary deliverable is a Word document, HTML report, standalone Python script, database pipeline, or Google Sheets API integration, even if tabular data is involved.

Verwandte Skills