Claude Fable 5 meistern: Wie man durch das Aufdecken eigener blinder Flecken bessere Prompts schreibt

Während sich KI-Modelle von einfachen Chatbots zu hochentwickelten agentischen Codern entwickeln, verschiebt sich der Produktivitätsengpass von der Leistungsfähigkeit des Modells hin zur Klarheit des Nutzers. Der Anthropic-Entwickler Thariq Shihipar legt nahe, dass mit der Einführung von Claude Fable 5 nicht mehr die Intelligenz der KI der limitierende Faktor ist, sondern die Fähigkeit des Nutzers, seine eigenen „Unbekannten“ zu identifizieren.

Die vier Wissensquadranten beim Prompting

Um Fable 5 zu meistern, argumentiert Shihipar, dass Entwickler ihr Wissen kategorisieren müssen, um die Fallstricke schlechten Promptings zu vermeiden. Er unterteilt kognitive Lücken in vier verschiedene Kategorien:

  • Known Knowns (Bekannte Bekannte): Die expliziten Anweisungen und Daten, die bereits in Ihrem Prompt enthalten sind.
  • Known Unknowns (Bekannte Unbekannte): Spezifische Fragen oder Lücken, von denen Sie wissen, dass Sie sie noch nicht gelöst haben.
  • Unknown Knowns (Unbekannte Bekannte): Intuitives Wissen, das so offensichtlich ist, dass man nicht daran denkt, es aufzuschreiben, man es aber sofort erkennt, wenn man es sieht.
  • Unknown Unknowns (Unbekannte Unbekannte): Die gefährlichste Kategorie – kritische Elemente, Edge Cases oder architektonische Anforderungen, die Sie noch nicht einmal in Betracht gezogen haben.

Wenn Nutzer diese nicht berücksichtigen, tappen sie in eine Falle: Zu viel Spezifität führt dazu, dass Fable 5 Anweisungen starr befolgt, selbst wenn ein besserer Weg existiert, während zu vage Prompts dazu führen, dass sich das Modell auf Branchenstandards verlässt, die möglicherweise nicht zur spezifischen Aufgabe passen.

Strategische Techniken zur Aufdeckung von Unbekannten

Anstatt direkt mit der Implementierung zu beginnen, empfiehlt Shihipar einen „Blindspot Pass“. Dabei wird Claude genutzt, um das eigene mentale Modell zu prüfen, bevor die erste Zeile Code geschrieben wird. Wenn Sie beispielsweise in einer unbekannten Codebasis arbeiten, können Sie Claude wie folgt prompten: „Ich arbeite gerade daran, einen neuen Auth-Provider hinzuzufügen, weiß aber nichts über die Auth-Module in dieser Codebasis. Kannst du einen Blindspot Pass durchführen, um mir zu helfen, meine relevanten Unknown Unknowns zu identifizieren?“

Andere hocheffektive Techniken sind:

  • Structured Interviews (Strukturierte Interviews): Claude bitten, Sie Frage für Frage zu interviewen, wobei Unklarheiten priorisiert werden, die die Systemarchitektur grundlegend verändern würden.
  • Rapid Prototyping: Die Nutzung von HTML-Artifacts, um Claude radikal unterschiedliche Design-Richtungen generieren zu lassen, sodass Sie auf visuelle „Unknown Knowns“ reagieren können.
  • Implementation Planning (Implementierungsplanung): Claude anweisen, einen Plan zu erstellen, der volatile Komponenten wie Datenmodelle und Typ-Interfaces priorisiert, bevor mit dem mechanischen Refactoring begonnen wird.

Den Kreislauf schließen: Dokumentation und Verifizierung

Der Prompting-Prozess endet nicht mit der Generierung des Codes. Um Unbekannte zu verwalten, die während der Ausführung auftauchen, empfiehlt Shihipar, Claude Code zu nutzen, um eine implementation-notes.md-Datei zu führen. Diese protokolliert jede getroffene Entscheidung und stellt sicher, dass die Argumentation erhalten bleibt, falls eine Aufgabe schiefgeht.

Um vor dem Mergen des Codes ein vollständiges Verständnis sicherzustellen, nutzt Shihipar eine „Quiz“-Methode. Claude erstellt einen HTML-Bericht, der alle Änderungen und Erkenntnisse detailliert beschreibt, gefolgt von einem Quiz für den Entwickler. Er vertritt die strikte Regel: Mergen Sie den Code erst, wenn das Quiz fehlerfrei bestanden wurde. Dies stellt sicher, dass der Entwickler die „Unbekannten“ des Projekts in den Bereich der „Bekannten“ überführt hat.

Wichtigste Erkenntnisse

  • Fokus auf „Unknown Unknowns“: Das Ziel von fortgeschrittenem Prompting mit Fable 5 ist es, die KI zu nutzen, um das aufzudecken, woran Sie noch gar nicht gedacht haben zu fragen.
  • Vermeiden Sie die Spezifitätsfalle: Balancieren Sie Ihre Prompts so, dass sie weder so starr sind, dass die KI nicht improvisieren kann, noch so vage, dass sie auf generische Standardlösungen zurückgreift.
  • Implementieren Sie einen Verifizierungs-Workflow: Nutzen Sie Implementierungsnotizen, strukturierte Interviews und Quizze nach der Implementierung, um KI-generierten Code in fundiertes Wissen zu verwandeln.