Claude-Optimierung: -9,5 % Tokens bei Phrasen

## Claude-Prompt-Optimierung: 9,5 % Token sparen durch Streichung von Füllphrasen

Modelle wie Claude Sonnet verschwenden bis zu 11 % der Ausgabetokens an einleitende Höflichkeiten, Meta-Kommentare und abschließende Nettigkeiten. Tests mit 500 Prompts zeigten, wie drei Zeilen im System-Prompt diesen Ballast eliminieren, ohne den Antwortwert zu mindern.

Die Analyse ergab 11,3 % „Füller“ in den Antworten: Das Modell begann mit „Klar!“ oder „Gute Frage!“, fügte Denkprozess-Erklärungen ein und schloss mit „Hoffe, das hilft.“ ab. Für Backend-Integrationen mit JSON-Parsing ist das reiner Overhead.

Messmethode

Wir sammelten 500 typische Aufgaben: Ticket-Klassifizierung, Feldextraktion aus Dokumenten, E-Mail-Zusammenfassungen, regelbasierte Antworten. Setup: claude-sonnet-4-5, temperature=0.2, Standard-System-Prompt.

Ein Python-Skript mit Regex analysierte die Ausgaben:

FILLER_PATTERNS = [
    r"^(Sure|Absolutely|Of course|Okay)[,!.]",
    r"^(Great|Great question|Excellent)[!.]",
    r"^(Happy to|Glad to)",
    r"^(Let's|Allow me)",
    r"(Hope this (helps|will help)")",
    r"(If you have (any )?(more )?questions)",
    r"(Let me know if)",
]

Manuelle Überprüfung von 50 Antworten bestätigte 94 % Genauigkeit. Der Rest ist Unterzählung.

Füller-Aufschlüsselung:

• Einleitungsphrasen („Klar!“, „Super!“) — 28 %
• Meta-Kommentare („lass mich nachdenken…“) — 34 %
• Abschlussphrasen („hoffe, das hilft“) — 22 %
• Fragerückformulierung — 16 %

Manuelle Bereinigung von 100 Antworten bewahrte den Kerninhalt.

System-Prompt-Optimierung

Original-Prompt:

You are an assistant for processing [DOMAIN]. Respond precisely,
basing answers only on provided context. If no data — say so honestly.

Ergänzt um:

Response format:
- No intros, question praise, or "here's what I'll do" explanations.
- No closers like "hope that helps."
- Straight to the point. Lists first if needed. Numbers first if needed.

Wiederholung mit 500 Prompts: Füller auf 1,8 % gesunken. Token-Ersparnis: 9,5 %.

Kostenspar-Beispiel:

| Anfragen/Tag | Durchschnittsantwort (Tokens) | Monatliche Ersparnis (€) |

|--------------|-------------------------------|--------------------------|

| 2000 | 400 | ~50 |

| 20000 | 400 | ~500 |

Reales Projekt: 55 €/Monat gespart. Plus kürzerer Kontext in Folgeinteraktionen.

Einschränkungen und Rücknahmen

Nicht für jeden Anwendungsfall:

• Kunden-Chat: Entfernte Höflichkeit wirkte unhöflich. Zufriedenheit sank — zurückgenommen.
• Tool-Use-Ketten: Modell verwechselte Tools ohne Plan-Beschreibung. Aus Zuverlässigkeit zurückgenommen.

Tipp: Bei maschinenorientierten Tasks (JSON, API) einsetzen. Bei nutzergerichteten Chats beibehalten.

Wichtige Erkenntnisse

• 11,3 % Tokens auf Füller im Basis-Claude-Sonnet.
• 9,5 % Ersparnis mit drei Prompt-Zeilen.
• Regex erfasst 94 % Müll.
• Sicher für Antwortessenz, riskant bei Tool-Ketten und UX-Chats.
• Nächstes: Eingabetokens von User-Präambeln säubern.

— Editorial Team