Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com27. Juni 2026 · Q010905

The Claude.md File That’s Breaking the Internet — I Tested Every Version

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor vergleicht vier CLAUDE.md-Konfigurationen: Verhaltensregeln, weniger wortreiche Antworten, einen persönlichen Arbeitsvertrag für mehrere Coding-Werkzeuge und gespeichertes Projektwissen. Er empfiehlt je nach Einsatz die Karpathy-Fassung als Einstieg, Tokenregeln für häufige Aufgaben und ein Memory-Bank-System für langfristige Projekte; die Bewertungen beruhen auf seinem einwöchigen Selbstversuch und sind keine unabhängige Vergleichsstudie.

Mittel

Der Bericht stellt vier CLAUDE.md-Ansätze vor, die der Autor jeweils eine Woche lang in einem Arbeitsablauf ausprobiert haben will. Die Karpathy-Fassung soll Claude zum Nachdenken, Nachfragen, einfachen Lösungen, begrenzten Änderungen und klaren Abschlusskriterien anhalten. Der Autor berichtet von weniger unbegründeten Annahmen und unnötig großen Änderungen, merkt aber an, dass die Vorsicht einfache Aufgaben verlangsamen könne.

Eine tokeneffiziente Variante soll Floskeln und Wiederholungen kürzen. Der Bericht nennt dazu eine vom Ersteller gemessene Verringerung der Wortzahl um 63 Prozent bei fünf Prompts und ein Beispiel mit 120 gegenüber 30 Wörtern. Zugleich verbraucht die zusätzliche Datei selbst Eingabetokens, weshalb sich der Ansatz laut Autor eher bei häufigen oder automatisierten Aufgaben lohne. Eine persönliche „Senior Engineer“-Konfiguration soll Arbeits- und Ausgabeerwartungen festhalten und per Symlink mehreren Coding-Werkzeugen dienen. Ein Memory-Bank-System legt Projektwissen und Entscheidungen in Markdown-Dateien ab, damit Claude sie in späteren Sitzungen wieder einlesen kann; es sei besonders für langfristige Projekte geeignet, aber aufwendiger einzurichten.

Der Autor meint, die Varianten könnten kombiniert werden. Seine Empfehlungen beruhen auf einem persönlichen einwöchigen Versuch; unabhängige Vergleichsdaten und detaillierte Messbedingungen fehlen.

Ausführlich lesen

Der Bericht vergleicht vier auf GitHub verbreitete CLAUDE.md-Konfigurationen für Claude Code. Der Autor erklärt, Claude lese diese Textdatei zu Beginn einer Sitzung und richte sein Verhalten an den darin festgelegten Regeln aus. Er sagt, er habe die vier Varianten jeweils eine Woche lang in demselben Arbeitsablauf ausprobiert. Die Ergebnisse sind seine persönlichen Eindrücke und teils Zahlen, die er den jeweiligen Projekten oder deren Erstellern zuschreibt.

Die erste Variante, die Karpathy zugeschriebene Fassung, setzt laut Bericht auf vier Regeln: vor dem Programmieren nachdenken und bei Unklarheit fragen, möglichst einfache Lösungen schreiben, Änderungen auf den angefragten Bereich beschränken und den Abschluss anhand klarer Ziele beziehungsweise Tests beurteilen. Der Autor berichtet, Claude habe dadurch weniger stillschweigend angenommen, bei kleinen Aufgaben weniger ganze Dateien umgeschrieben und seltener nicht existierende Bibliotheken erfunden. Die vorsichtige Arbeitsweise könne einfache Aufgaben jedoch verlangsamen. Er empfiehlt diese Fassung als allgemeinen Einstieg.

Die tokeneffiziente Variante soll unnötig höfliche Einleitungen, Wiederholungen der Frage und abschließende Floskeln reduzieren. Dem Bericht zufolge maß der Ersteller bei fünf Prompts 63 Prozent weniger Wörter ohne Signalverlust; der Autor nennt außerdem eine geschätzte Verringerung der Ausgabetokens um etwa 12 Prozent auf Sonnet. Ein Beispiel vergleicht eine Code-Review-Antwort mit 120 Wörtern ohne und 30 Wörtern mit den Regeln. Diese Einsparung ist laut Artikel nicht automatisch wirtschaftlich: Die zusätzliche CLAUDE.md-Datei verbraucht bei jeder Nachricht selbst Eingabetokens. Der Autor hält die Variante deshalb vor allem bei häufigen Aufgaben, Automatisierung und umfangreicher Nutzung für nützlich.

Die als „Senior Engineer Drop-In“ bezeichnete Fassung beschreibt der Autor als persönlichen Arbeitsvertrag mit Claude. Sie enthalte unter anderem Vorgaben dazu, wie „fertig“ aus Sicht des Auslieferns aussieht, wie mehrstufige Aufgaben bearbeitet werden und welches Ausgabeformat gewünscht ist. Ein Symlink-Ansatz könne dieselbe Quelle für Claude Code, Codex und Gemini CLI verfügbar machen. Der Autor bewertet diese Option als besonders passend für Entwickler, die mehrere Werkzeuge nutzen.

Die auf einem Memory-Bank-System beruhende Variante ordnet Projektinformationen, Entscheidungen, Architekturhinweise und persönliche Präferenzen in Markdown-Dateien auf globaler, Projekt- und Unterverzeichnisebene. So solle Claude in neuen Sitzungen auf abgelegte Informationen zurückgreifen können. Der Autor hält sie für die leistungsfähigste, aber auch aufwendigste Option und empfiehlt sie eher für komplexe, länger laufende Projekte.

Als zentrale Schlussfolgerung behauptet der Bericht, die Ansätze ließen sich kombinieren: Regeln könnten auf verschiedenen Ebenen der Dateihierarchie liegen und unterschiedliche Zwecke erfüllen. Empfohlen wird, mit der Karpathy-Fassung zu beginnen, bei hohem Ausgabevolumen Tokenregeln hinzuzufügen und für langfristige Projekte eine strukturierte Wissenssammlung zu erwägen. Die Einschätzungen beruhen auf dem beschriebenen einwöchigen Selbstversuch; der Text liefert keine unabhängige Vergleichsstudie oder näher ausgeführten Messbedingungen. Auch die Aussage, die Dateien ließen sich problemlos stapeln, wird nicht durch detaillierte Tests der Kombinationen belegt.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Stufen und Anteile aus Lunas Einordnung wurden nicht übernommen; jede Frage wurde nur anhand des Berichts bewertet. Beide Zusammenfassungen von Luna geben den Bericht sachlich wieder, es fehlen nur einzelne Zahlen.

Im Bericht, aber nicht in der Zusammenfassung

  • Die im Bericht genannte Reduktion der tatsächlichen Ausgabetokens bei Sonnet um etwa 12 Prozent
  • Das Beispiel mit 75 Prozent weniger Tokens bei der Code-Review-Antwort

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 28 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 66 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-V3-T02 Wie macht man die Ausrichtung eines Modells an Werten zu prüfbaren Verhaltensregeln statt zu angestrebten menschlichen Eigenschaften wie der „Liebe zur Menschheit“? Luna: Stufe 5 · 34 % · umfangreiche Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 49 %einzelne zitierbare Belege
    • JEV 42 %beantwortet teilweise oder widerspricht
    • amos 26 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung einzelne zitierbare Belege

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 32 %einzelne zitierbare Belege
    • amos 23 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Modelle teilen und schützen
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 34 %einzelne zitierbare Belege
    • amos 58 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →