Erstellen von API-Endpunkten mit Claude: Praktische Prompt-Engineering-Lektionen aus einem 70+-Endpunkte-Projekt

Praktisches Prompt-Engineering für handelnde Agenten

Ein Entwickler, der eine LinkedIn-Automatisierungs-API mit über 70 Endpunkten, serverseitiger Ausführung und Chrome-Erweiterungsauthentifizierung baute, nutzte Claude, um etwa 80 % des Codes zu schreiben. Das Projekt offenbarte spezifische Lektionen über die Strukturierung von Prompts für Agenten, die Aktionen wie API-Aufrufe, Datenextraktion und Entscheidungsbäume ausführen, im Gegensatz zu Agenten, die nur chatten.

Der Vertragsansatz für Prompts

Der Entwickler stellte fest, dass natürliche Sprachbefehle wie „finde relevante Leads auf LinkedIn und sende ihnen eine personalisierte Verbindungsanfrage“ zu Problemen führten: Claude erfand Felder, übersprang Validierungen und verknüpfte unnötige API-Aufrufe. Was funktionierte, war, jeden Agenten-Prompt wie eine Funktionssignatur mit expliziten Einschränkungen zu behandeln:

• EINGABEN: Genau das, was der Agent erhält (Schema, Typen, Grenzfälle)
• GRENZEN: Was der Agent NICHT tun darf (keine Annahmen, keine übersprungenen Felder, keine erfundenen Daten)
• AUSGABE-VERTRAG: Exakte Form der Rückgabe, einschließlich Fehlerzuständen
• ENTSCHEIDUNGSREGELN: Wenn X dann Y, wenn Z dann stoppen – keine Mehrdeutigkeit

Spezifische gewonnene Erkenntnisse

„Sei kreativ“ ist problematisch für Handlungsagenten: Jedes Mal, wenn Raum für Interpretation in handlungsorientierten Prompts gelassen wurde, produzierte Claude unerwartete Ergebnisse. Für Agenten, die echte Aktionen ausführen, ist null Kreativität vorzuziehen, wobei Kreativität für Inhaltsgenerierungsaufgaben gespart wird.

Fehlerbehandlung ist essenziell: Etwa 40 % der Prompt-Tokens waren „was zu tun ist, wenn etwas schiefgeht“ gewidmet. Ohne dies würde Claude entweder unendlich wiederholen oder Fehler stillschweigend verschlucken und teilweise Daten zurückgeben, als ob alles in Ordnung wäre.

Chain-of-Thought-Kompromisse: Jeden Agenten zu zwingen, einen Denkschritt vor der Aktion auszugeben, kostet etwa 15 % mehr Tokens, spart aber Debugging-Stunden. Wenn etwas kaputtgeht, kann der Entwickler genau lesen, warum der Agent entschied, was er tat.

Musterabgleich statt Persona-Prompts: Anstatt Prompts wie „du bist ein Senior-Ingenieur“ zu verwenden, fügt der Entwickler ein echtes Beispiel einer guten Ausgabe ein und sagt „passe dieses Muster genau an“. Claude ist besser im Musterabgleich als im Rollenspiel.

Modellauswahlstrategie: Einfache Extraktions- und Formatierungsaufgaben werden an Sonnet (oder sogar Haiku) weitergeleitet, während nur komplexe Entscheidungsfindung Opus nutzt. Dieser Ansatz reduzierte API-Kosten von schmerzhaft auf handhabbar, da die meisten Agentenaufgaben kein Opus erfordern.