Claude Fable 5s System Prompt weist in die Ära der Agent Harnesses

Anthropics offizielle Claude-System-Prompt-Release-Notes sind lesenswert, nicht weil sie einen Zaubertrick verraten, sondern weil sie eine Produktentwicklung sichtbar machen. Die Seite veröffentlicht datierte Momentaufnahmen der Kern-Prompts, die in Claudes Weboberfläche (claude.ai) und in den iOS-/Android-Mobile-Apps verwendet werden. Anthropic zieht die Grenze ausdrücklich: Diese Updates gelten nicht für die Claude API. Diese Unterscheidung ist wichtig. Man sollte die Seite weder als API-Prompt behandeln noch als Erlaubnis, privaten Prompt-Text zu kopieren oder zu operationalisieren.

Was die Seite tatsächlich zeigt, ist eine stetige Veränderung dessen, wofür ein Frontier-Modell vorbereitet wird. Die Prompts wirken immer weniger wie ein Persönlichkeitsblatt für einen Chatbot und immer stärker wie ein Betriebshandbuch für Agenten: wie Tools genutzt werden, wann nachzufragen ist, wie Quellen zu zitieren sind, wie Dateien behandelt werden, wie man sich an Sicherheitsgrenzen verhält, wie man mit Unsicherheit umgeht und wie Arbeit innerhalb einer Produktoberfläche abläuft.

Editoriale Illustration eines Betriebshandbuchs, das sich in Agenten-Workflow-Spuren verwandelt

Abbildung 1: Der Trend bei System Prompts verschiebt sich von „dem Nutzer antworten“ hin zu „sicher innerhalb einer Werkbank arbeiten“.

Verwendet werden sollte der offizielle Name Claude Fable 5. Die API-Modell-ID lautet claude-fable-5. Anthropic spricht außerdem über Claude Mythos 5 (claude-mythos-5), doch beide sollten nicht leichtfertig vermischt werden. Claude Fable 5 ist das allgemein verfügbare Modell; Mythos 5 ist nur eingeschränkt verfügbar. Für diesen Artikel ist nicht das Modellmarketing entscheidend. Entscheidend ist, dass der neueste Prompt für Claudes Chatoberfläche wie ein Wegweiser für eine breitere Branchenverschiebung wirkt: Das Modell soll Teil eines Harnesses sein.

Vom verbesserten Assistenten zum Betriebshandbuch

Eine nützliche Art, die Entwicklung von Opus zu Fable zu lesen, ist der Blick auf die erwartete Betriebsumgebung.

Diese Entwicklung ist subtil, aber wichtig. Frühere Assistenten-Prompts drehten sich vor allem um Antwortqualität: hilfreich, sicher, genau sein und der Nutzerabsicht folgen. Das neuere Muster dreht sich um Arbeitsausführung. Es setzt voraus, dass Claude an einem Ort arbeitet, an dem Tools existieren, Dateien Zustand haben, Historie zählt, Zitate sorgfältig behandelt werden müssen und manche Aktionen Ablehnung oder Genehmigung brauchen.

Genau das passiert, wenn KI vom „Gesprächspartner“ zum „Arbeitsbeteiligten“ wird. Ein Gesprächspartner kann eine Frage beantworten und verschwinden. Ein Arbeitsbeteiligter braucht einen Schreibtisch, ein Gedächtnis, einen Kalender, einen Aktenschrank, eine Möglichkeit um Erlaubnis zu bitten, einen Ort für Ergebnisse und einen Weg, damit Menschen prüfen können, was passiert ist.

Die Verschiebung zwischen Handeln und Nachfragen

Eine der bedeutendsten Veränderungen in der Opus-4.7-Richtung ist die Balance zwischen Handeln und Nachfragen. Viele frühe KI-Workflows scheiterten auf langweilige Weise: Das Modell bat um Klärung, obwohl der nächste Schritt offensichtlich war. Ein Nutzer konnte sagen: „Entwirf aus diesen Notizen einen Launch-Plan“, und der Assistent hielt erst einmal an, um nach Ton, Zielgruppe oder Zeitplan zu fragen, bevor überhaupt etwas Nützliches entstand.

Klärung bleibt notwendig. Wenn eine Entscheidung Umfang, Risiko, Kosten, rechtliche Exposition oder eine externe Aktion verändert, sollte das Modell fragen. Wenn das fehlende Detail aber klein, reversibel oder ableitbar ist, sollte ein kompetenter Agent mit einer Annahme weiterarbeiten und diese Annahme klar markieren.

Das klingt wie Schreibberatung, ist aber eigentlich Harness-Design. Die richtige Umgebung sollte dem Modell erlauben, in risikoarmen Phasen voranzugehen, und es an risikoreichen Kontrollpunkten anhalten. Zum Beispiel:

• Den Plan jetzt entwerfen, aber vor dem Versand an Kunden fragen.
• Das Repository jetzt prüfen, aber vor Dateiänderungen fragen.
• Öffentliche Quellen jetzt sammeln, aber unsichere Behauptungen vor der Veröffentlichung markieren.
• Einen Vorschlag für eine Datenbankmigration jetzt vorbereiten, aber vor der Ausführung eine Genehmigung verlangen.

Ein Chatfenster kann diese Regel in Worte fassen. Ein Harness kann sie im Workflow durchsetzen.

Die Verschiebung zur Tool-Erkundung

Die Richtung von Opus 4.8 macht einen weiteren Punkt deutlich: Das Modell sollte seine Umgebung erkunden, bevor es aufgibt. Wenn ein Browser, Dateileser, Tabellen-Tool, PDF-Parser, Code-Runner oder Bildanalysator verfügbar ist, sollte das Modell diese Oberfläche nutzen, statt so zu tun, als bestünde seine Welt nur aus dem Gespräch.

Damit verändert sich die Definition von „Intelligenz“. Ein Modell, das sagt „Ich kann nicht auf die Datei zugreifen“, kann in einer Oberfläche recht haben und in einer anderen falsch liegen. Die praktische Fähigkeit des Modells ist nun die Summe aus:

1. seiner Reasoning-Fähigkeit,
2. den Tools, die ihm bereitgestellt werden,
3. den Berechtigungen, die diesen Tools gewährt sind,
4. dem Zustand, der über Schritte hinweg erhalten bleibt, und
5. der Artifact-Oberfläche, auf der Ergebnisse geprüft werden können.

Deshalb ist der Begriff agent harness wichtig. Der Harness ist kein Schmuck. Er ist das System, das dem Modell Augen, Hände, Gedächtnis, Grenzen und Ausgabekanäle gibt. Ohne ihn kann selbst ein starkes Modell zu einem ungewöhnlich eloquenten Passagier in einer kleinen Chatbox werden.

Handgezeichnete Zeitachse vom Verhalten eines Chat-Assistenten zum vollständigen Betriebshandbuch für Agenten

Abbildung 2: Die Prompt-Entwicklung zeigt von reichhaltigerer Assistenz hin zu strukturierter Ausführung: handeln, Tools entdecken, Zustand bewahren und Artifacts erzeugen.

Warum die Harness-Ära nicht nur „besserer Chat“ ist

Die wichtige Branchenverschiebung besteht nicht darin, dass Modelle längere Antworten schreiben können. Sie besteht darin, dass Modelle zunehmend an längeren Arbeitsschleifen teilnehmen sollen. Eine echte Schleife hat Zustand und Risiko.

Betrachten wir eine Coding-Aufgabe. Der Nutzer braucht keinen Absatz, der behauptet, der Bug sei behoben. Er braucht einen Patch, Testergebnisse, eine Zusammenfassung geänderter Dateien und eine Review-Notiz. Betrachten wir ein Marktbriefing. Der Nutzer braucht keine selbstsichere Synthese ohne Nachvollziehbarkeit. Er braucht datierte Quellen, Zitate, Änderungen gegenüber dem vorherigen Bericht und einen Ort, an dem das Briefing nächste Woche aktualisiert werden kann. Betrachten wir browserbasierte Abläufe. Der Nutzer braucht kein Versprechen, dass ein Bericht heruntergeladen wurde. Er braucht die Datei, den Ordner, eine Ausnahmeliste und eine Aufzeichnung, welche Schritte automatisiert und welche manuell erledigt wurden.

Eine einzelne Chat-UI tut sich damit schwer, weil ihr mehrere Dinge fehlen, die Arbeit erfordert:

• Externer Zustand: Was wurde bereits gelesen, geändert, heruntergeladen oder entschieden?
• Phasen-Kontrollpunkte: Wo sollte die Arbeit für Freigabe oder Kurskorrektur anhalten?
• Berechtigungsgrenzen: Welche Aktionen sind lesend, reversibel, extern sichtbar, destruktiv oder teuer?
• Wiederherstellung: Wenn die Aufgabe auf halber Strecke scheitert, kann sie fortgesetzt werden, ohne blind neu zu starten?
• Artifact-Lebenszyklus: Wo lebt das Endergebnis, nachdem der Chat weitergescrollt ist?
• Parallele Isolation: Können Recherche, Schreiben, Testen und Review in getrennten Arbeitsströmen stattfinden, ohne einander zu verschmutzen?
• Beobachtbarkeit: Kann ein Mensch Quellen, Aktionen, Kosten, Fehler und Annahmen prüfen?

Das sind keine Details des Prompt Engineerings. Es sind Details der Betriebsoberfläche.

Wie MCPlato diesen Trend trägt

MCPlato versteht man am besten als KI-Workspace und Agenten-Betriebsoberfläche, nicht bloß als weiteres Antwortfeld. Die Produktbegriffe passen natürlich zu der Richtung, die Claudes neuere System Prompts andeuten.

Sprite ist der Koordinator. Wenn eine Aufgabe mehrere Phasen oder Spezialisten umfasst, kann ein Sprite die Arbeit zerlegen, an Sessions delegieren, Fortschritt verfolgen und die Teile wieder zusammenführen. Das ist wichtig, weil lange Aufgaben selten in eine einzige ununterbrochene Gedankenkette passen.

Wand ist ein zustandsbehafteter, verpackter Workflow. Statt eine KI jedes Mal denselben Prozess improvisieren zu lassen, kann ein Wand Phasen, Gates, begrenzte Ressourcen und erwartete Artifacts definieren. Das Ergebnis ähnelt eher einer wiederholbaren Arbeits-App als einer Prompt-Vorlage.

Artifact ist der dauerhafte Endpunkt. Die Ausgabe sollte nicht in einer Wand aus Chattext gefangen bleiben. Sie sollte zu einem Bericht, Patch, Deck, Spreadsheet, Ordner, Decision Memo, QA-Protokoll oder einem anderen prüfbaren Objekt werden.

Skill und Distill Skill bewahren Know-how. Wenn ein Workflow funktioniert, sollten seine wiederverwendbaren Teile erneut zugänglich sein. So bewegt sich ein Team von isolierten Helden-Prompts zu geteilter Betriebspraxis.

ClawMode und Scheduled Tasks erweitern Arbeit über die Zeit. Manche wertvollen Aufgaben sind nicht unmittelbar: ein wöchentliches Research-Briefing, ein nächtlicher Repository-Scan, eine wiederkehrende Content-Pipeline oder ein Follow-up, wenn neue Informationen auftauchen.

Berechtigungs- und Freigabe-Gates halten Autonomie in Grenzen. MCPlato sollte nicht als blinde Automatisierung verstanden werden. Das bessere Prinzip ist kontrollierte Autonomie: Die KI darf dort vorangehen, wo die Aktion risikoarm ist; menschliche Freigabe ist nötig, wenn Aktionen Dateien verändern, Nachrichten senden, externe Systeme berühren oder geschäftliches Risiko erzeugen.

Channels und IM bridges machen Interaktion asynchron. Ein Nutzer sollte eine Aufgabe aus einem Teamchat delegieren, Fortschrittsmeldungen erhalten und das finale Artifact prüfen können, ohne ein Chatfenster im Vordergrund zu bewachen.

Local-first Workspace State hält Materialien, Zustand und Ergebnisse nahe an der Arbeit des Nutzers. Das beseitigt nicht jede Datenschutz- oder Sicherheitsfrage, verändert aber die Haltung: Der Workspace ist der Ort, an dem Kontext organisiert, geprüft und gesteuert wird.

Kurz gesagt: MCPlato gibt Modellen die Art Umgebung, die ihre neueren Betriebsanweisungen zunehmend voraussetzen: Tools, Dateien, Gedächtnis, Berechtigungen, Phasen, Artifacts und menschliche Kontrollpunkte.

Flache Editorial-Illustration eines Workspace-Harnesses mit Artifacts, Zeitplänen, Freigaben und Session-Spuren

Abbildung 3: Ein Harness verwandelt Modellfähigkeit in beobachtbare, berechtigte, artifact-zentrierte Arbeitsschleifen.

Vier konkrete Beispiele

1. Vom Coding-Issue zum Patch zum QA-Artifact

Ein Nutzer legt ein GitHub-Issue in MCPlato ab und bittet um eine Lösung. In einem reinen Chatfluss springt der Assistent vielleicht direkt zu Vorschlägen. In einem Harness-Fluss wird die Aufgabe zu gestufter Arbeit:

1. Issue und Repository-Kontext lesen,
2. einen eng begrenzten Plan entwerfen,
3. vor riskanten Änderungen fragen,
4. den Patch erstellen,
5. die vereinbarten Checks ausführen,
6. ein QA-Artifact mit geänderten Dateien, Testergebnissen, offenen Risiken und Review-Notizen erzeugen.

Claudes Verhalten zwischen Handeln und Nachfragen passt gut dazu. Der Agent sollte keine unnötigen Fragen stellen, bevor er das Issue gelesen hat, aber vor breiten oder destruktiven Änderungen anhalten.

2. Geplantes Research-Briefing mit Zitaten

Ein wöchentliches Research-Briefing ist keine einmalige Antwort. Es ist eine wiederkehrende Schleife: genehmigte Quellen sammeln, deduplizieren, mit der Vorwoche vergleichen, Änderungen zusammenfassen, jede konkrete Behauptung belegen und den Bericht ausliefern. MCPlatos Scheduled Tasks und Artifacts machen das Ergebnis dauerhaft; channels machen die Zustellung asynchron; Skills machen das Format wiederverwendbar.

Die Prompt-Anweisung, Quellen zu zitieren, wird wertvoller, wenn der Workspace Quellenliste und Briefing-Artifact gemeinsam bewahren kann.

3. Browser- und Dokumenten-Workflow

Stellen wir uns ein Finanzteam vor, das Berichte aus einem Webportal herunterladen, mit Spreadsheets kombinieren und eine Monatszusammenfassung erstellen muss. Ein guter Agent sollte keinen universellen Zugriff auf jede Website behaupten. Er sollte Login-Grenzen respektieren, den Nutzer MFA erledigen lassen, prüfen, ob Export oder API existieren, nur genehmigte wiederholbare Schritte automatisieren, Dateizahlen validieren und einen Ausnahmebericht erzeugen.

Das ist der Unterschied zwischen „KI kann einen Browser benutzen“ und „KI kann innerhalb einer kontrollierten Browser-/Dokumentenschleife arbeiten“.

4. Freigabe riskanter Aktionen

Angenommen, ein Agent entwirft eine E-Mail an Kunden, bereitet einen Befehl vor, der Produktionsdaten verändert, oder schlägt vor, einen Ordner zu löschen. Das Modell mag die Anweisung verstehen, aber Verstehen ist keine Autorität. Ein Harness sollte diesen Schritt in einen Freigabe-Kontrollpunkt verwandeln: beabsichtigte Aktion, erwartete Wirkung, Rollback-Plan und Belege anzeigen, dann warten.

Hier verstärken sich Sicherheit und Produktivität gegenseitig. Der Nutzer muss nicht jeden lesenden Schritt verlangsamen. Er braucht aber ein klares Gate vor irreversiblen oder extern sichtbaren Aktionen.

Was das für Builder bedeutet

Für Entwickler von KI-Produkten sind die Claude-System-Prompt-Release-Notes ein nützliches Designsignal. Fragt nicht nur: „Welches Modell ist am klügsten?“ Fragt auch:

• In welcher Umgebung glaubt das Modell zu arbeiten?
• Kann das Produkt Tools bereitstellen, ohne Berechtigungen zu verwischen?
• Kann der Workflow über Zeit hinweg weiterlaufen, ohne Zustand zu verlieren?
• Kann der Nutzer prüfen, was passiert ist?
• Kann das Endergebnis als Artifact leben, nicht als Transkript?
• Kann das System in den richtigen Momenten anhalten, statt zu oft zu fragen oder zu frei zu handeln?

Die Antwort wird nicht allein aus einem längeren System Prompt kommen. Ein Prompt kann Verhalten beschreiben, aber das Produkt muss die Oberfläche liefern, die dieses Verhalten verlässlich macht.

Das ist die Harness-Ära: Modelle werden fähiger, aber Fähigkeit wird erst nützlich, wenn sie von Zustand, Tools, Wiederherstellung, Freigaben und Artifacts umgeben ist.

Fazit

Der System-Prompt-Snapshot von Claude Fable 5 ist interessant, weil er über Modellfähigkeit hinausweist. Er zeigt die Form der Umgebung, für die moderne Modelle vorbereitet werden. Die Frontier ist nicht mehr nur „besserer Chat“. Sie ist Agentenarbeit: zustandsbehaftet, toolbewusst, berechtigt, zitatbewusst, wiederherstellbar und artifact-zentriert.

MCPlato ist für diese Richtung gebaut. Sprite-Koordination, Wands, Artifacts, wiederverwendbare Skills, geplante Arbeit, channels, local-first Workspace State und Freigabe-Gates sind keine Dekoration um ein Modell herum. Sie sind die Betriebsoberfläche, die ein starkes Modell zu einem nützlichen Teilnehmer echter Arbeit macht.

Das Modell bleibt der Motor. Der Harness macht aus dem Motor ein Fahrzeug, das Menschen steuern, prüfen, reparieren und dem sie vertrauen können.

Referenzen

1. Anthropic docs, System Prompts release notes.
2. Anthropic docs, Introducing Claude Fable 5 and Claude Mythos 5.