Extended Thinking & Effort

Fortgeschritten

Bei schwierigen Problemen kann Claude zusätzliche Rechenleistung darauf verwenden, nachzudenken, bevor es antwortet — was die Genauigkeit bei mehrstufigem Reasoning, kniffligem Code und Mathematik verbessert. Du steuerst grob, wie viel Aufwand aufgewendet wird. Diese Lektion bringt dir bei, die Tiefe an die Aufgabe anzupassen, das Thinking über die API zu aktivieren und es zu budgetieren, ohne zu viel zu bezahlen.

What you'll learn

Den Kompromiss erklären: weniger Nachdenken ist schneller und günstiger, mehr Nachdenken ist besser bei schwierigen Problemen
Die richtige Effort-Stufe (Niedrig / Mittel / Hoch) für eine bestimmte Arbeitslast wählen
Extended Thinking auf der Messages API aktivieren und die Thinking- und Text-Blöcke auslesen
Thinking-Tokens korrekt budgetieren, sodass budget_tokens unter max_tokens bleibt
Effort klug in Agenten und zusammen mit Chain-of-Thought-Prompting einsetzen

Die eine Idee hinter Effort

Nachdenken ist ein Regler, kein Schalter. Stell dir die beiden Enden vor:

Weniger Nachdenken = schneller, günstiger — gut für einfache, klar spezifizierte Aufgaben.
Mehr Nachdenken = besser bei wirklich schwierigen Problemen, bei höherer Latenz/höheren Kosten.

Hier ist der Haken, über den viele stolpern: zusätzliches Nachdenken bringt nichts für eine Aufgabe, die ohnehin schon einfach war. Du zahlst nur Latenz und Kosten. Die Kunst besteht darin, Tiefe dort einzusetzen, wo sie die Antwort verändert.

Neuere Modelle stellen dies als eine Effort-Steuerung bereit (und passen die Denktiefe automatisch an); bei diesen wählst du eine Stufe statt eines reinen Token-Budgets. Stimme die Stufe auf die Aufgabe ab.

Schritt 1 — Wähle deine Tiefe

Bevor du irgendeinen Code anfasst, frage: Wie schwierig ist diese Aufgabe wirklich? Ordne sie einer Stufe zu.

Aufgabe	Vorgeschlagener Aufwand
Formatierung, Extraktion, einfache Q&A	Niedrig
Alltägliches Coding, Entwürfe, Analyse	Mittel
Schwieriges Debugging, knifflige Algorithmen, sorgfältige Beweise	Hoch

Pro tip

Stelle nicht alles standardmäßig auf das Maximum — du zahlst mit Latenz und Kosten für ein Nachdenken, das die Aufgabe nicht braucht.
Beginne mit Mittel; erhöhe es nur dort, wo die Qualität es erfordert.

Probiere es selbst aus: bevor du weiterliest, klassifiziere diese drei — (a) "extrahiere die E-Mail aus diesem Text", (b) "refaktoriere diese Funktion", (c) "beweise diese Ungleichung". Welche Stufe passt zu welcher? Überprüfe deine Antworten anhand der Tabelle oben.

Schritt 2 — Aktiviere es (API)

Auf der Messages API aktivierst du Thinking mit einem thinking-Block und einem Token-Budget. Folge diesen Schritten.

Guided walkthrough1 of 3

Übergib thinking={"type": "enabled", "budget_tokens": N} an messages.create, um Extended Reasoning zu aktivieren.

Jetzt verdrahte es. Kopiere dies, führe es aus und beobachte, wie die Antwort als zwei Blöcke ankommt — zuerst das Reasoning, dann die Antwort.

Extended Thinking aktivieren (Python)

import anthropic

client = anthropic.Anthropic()

message = client.messages.create(
  model="claude-sonnet-5",
  max_tokens=16000,
  thinking={"type": "enabled", "budget_tokens": 10000},
  messages=[{"role": "user", "content": "Prove that 2^n > n^2 for all n >= 5."}],
)

for block in message.content:
  if block.type == "thinking":
      print("REASONING:", block.thinking)
  elif block.type == "text":
      print("ANSWER:", block.text)

Ein größeres Budget verschafft mehr Raum zum Nachdenken, garantiert aber nicht, dass Claude es vollständig nutzt — die Tiefe passt sich dem Problem an. Setze das Budget wie eine Obergrenze und reduziere es dann, falls die Latenz schmerzt. Modell-IDs stammen aus der Modelltabelle; die genaue Parameterform kann bei neueren Modellen abweichen, also überprüfe sie anhand der oben verlinkten Quelle.

Schritt 3 — Setze es in der Praxis gut ein

Drei Gewohnheiten unterscheiden Menschen, die Thinking aktivieren, von Menschen, die es beherrschen:

Extended Thinking passt gut zu Chain-of-Thought-Prompting — aber bei Reasoning-Modellen musst du oft nicht ausdrücklich um eine Schritt-für-Schritt-Antwort bitten; das Nachdenken geschieht intern.
Nachdenken verbraucht Tokens, was die Kosten beeinflusst — budgetiere entsprechend.
Bei Agenten ist mehr Aufwand für den Planungs-Schritt und weniger für routinemäßige Tool-Aufrufe eine gute Aufteilung.

Key takeaways

Effort/Thinking tauscht Latenz und Kosten gegen Genauigkeit bei schwierigen Problemen — es bringt nichts bei Aufgaben, die ohnehin schon einfach sind.
Stufen: Niedrig für Formatierung/Extraktion/einfache Q&A, Mittel für alltägliches Coding/Entwürfe/Analyse, Hoch für schwieriges Debugging/Algorithmen/Beweise.
Auf der Messages API stammt budget_tokens aus demselben Output-Pool, daher muss es kleiner als max_tokens sein; die Antwort ist ein Thinking-Block, dann ein Text-Block.
Behandle das Budget als Obergrenze, nicht als Ziel — Claude nutzt nur so viel, wie das Problem braucht.
Verwende bei Agenten Aufwand für die Planung und spare ihn bei routinemäßigen Tool-Aufrufen.

Festigen

Schnelle Wiederholung, bevor du gehst — dreh jede Karte um und antworte laut.

Drücke Enter oder die Leertaste, um die Karte umzudrehen. Nutze die Pfeiltasten links und rechts, um zwischen den Karten zu wechseln.Begriff angezeigt.

1 / 5

Überprüfe dich selbst

0/5

Was ist der zentrale Kompromiss, wenn man mehr Thinking-Effort aufwendet?
Welche Effort-Stufe passt zu alltäglichem Coding, Entwürfen und Analyse?
Was muss auf der Messages API für budget_tokens gelten?
Wie kommt die Antwort zurück, wenn Extended Thinking aktiviert ist?
Wie solltest du bei Agenten den Aufwand aufteilen?

Die eine Idee hinter Effort​

Schritt 1 — Wähle deine Tiefe​

Schritt 2 — Aktiviere es (API)​

Extended Thinking aktivieren (Python)

Schritt 3 — Setze es in der Praxis gut ein​

Festigen​