Claude Opus 4 mit Claude Code: Leitfaden mit Demo-Projekt

Claude Opus 4 ist Anthropics bislang leistungsstärkstes und fortschrittlichstes KI-Modell und setzt neue Maßstäbe bei Coding, Reasoning und Langläufer-Aufgaben. In Benchmarks führt es die Branche an mit 72,5 % auf SWE-bench und 43,2 % auf Terminal-bench. 

Für dauerhafte Performance entwickelt, Claude Opus 4 kann komplexe, langlaufende Coding-Aufgaben eigenständig bearbeiten, fokussiert bleiben und erstklassige Ergebnisse liefern. Es bietet verbessertes „Code Taste“ und unterstützt 32K Output-Tokens.

In diesem Tutorial prüfen wir die Fähigkeiten von Claude Opus 4, indem wir es komplexe Codebasen erstellen und testen lassen. Infos zur neuesten Claude-Version findest du in unserem Guide zu Claude Opus 4.6.

Wir starten mit der Einrichtung des Claude Code CLI-Tools auf Windows 11 über das Windows Subsystem for Linux. Anschließend bitten wir Claude Opus 4, ein komplettes End-to-End-Machine-Learning-Projekt mit mehreren Dateien zu bauen. Danach lassen wir das Modell die Funktionalität testen und den Code zu GitHub pushen.

Claude Code ist ein CLI-Tool (Command Line Interface), mit dem Claude Opus 4 über die Anthropic API mit deiner lokalen Codebasis interagiert. Es fungiert als KI-gestützter Assistent zum Programmieren, Debuggen und Ausführen von Aufgaben direkt im Terminal.

Bild: Autor

Claude Code unter Windows einrichten

Um Claude Code unter Windows einzurichten, musst du das Windows Subsystem for Linux (WSL) konfigurieren, Node.js und npm installieren und dein Anthropic-Konto verknüpfen.

Hier ist eine Schritt-für-Schritt-Anleitung für den Einstieg.

1. WSL installieren

Aktiviere zuerst WSL, indem du PowerShell als Administrator öffnest und den Befehl wsl --install ausführst. Standardmäßig wird Ubuntu installiert, und ein Neustart kann erforderlich sein. 

Nach dem Neustart wirst du im Terminal aufgefordert, einen Benutzernamen und ein Passwort für deine Linux-Distribution festzulegen. Du kannst das Linux-Subsystem anschließend über wsl in PowerShell oder die Ubuntu-App öffnen.

2. Node.js und npm installieren

Öffne das Ubuntu-Terminal und installiere Node.js und npm.

sudo apt update
sudo apt install nodejs npm

Die Standardversion von Node.js über apt kann veraltet sein. Um die aktuelle Version zu installieren, nutze den Node Version Manager (nvm):

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.bashrc
nvm install 18
nvm use 18

Prüfe die aktualisierten Versionen:

node --version
npm --version
v18.20.8
10.8.2

3. Anthropic-Konto einrichten

Um Claude Code zu nutzen, benötigst du ein Anthropic-API-Konto:

1. Erstelle ein Konto in der Anthropic Console.
2. Lade mindestens 30 $ Guthaben per Kredit- oder Debitkarte auf. Bedenke, dass Claude Opus 4 ein Premiummodell ist und die Kosten je nach Komplexität deines Projekts variieren.

4. Claude Code installieren

Sobald Node.js und npm eingerichtet sind, kannst du Claude Code global installieren:

npm install -g @anthropic-ai/claude-code

Starte nach der Installation Claude Code mit:

claude

Das Tool fordert dich auf, die Oberfläche zu konfigurieren:

5. Claude Code einrichten

Beim ersten Start musst du Claude Code mit deinem Anthropic-Konto authentifizieren:

1. Wähle die Option, dich mit der Anthropic Console zu verbinden.
2. Ein Browserfenster öffnet sich und fordert dich zur Anmeldung bei deinem Anthropic-Konto auf.
3. Kopiere den von der Console generierten Authentifizierungscode und füge ihn in das Claude Code-Terminal ein.

Nach erfolgreicher Authentifizierung ist Claude Code einsatzbereit.

Für einen umfassenden Überblick über Funktionen und praktische Anwendung von Claude Code, sieh dir unseren Claude Code-Guide mit Beispielen an.

Claude Opus 4 Projekt-Walkthrough

Lass uns hands-on ein Machine-Learning-Projekt von Grund auf mit Claude Opus 4 aufbauen.

Die Schritte umfassen Planung, Aufbau der Ordnerstruktur, Erstellung und Test des Modells sowie das Pushen der Änderungen zu GitHub. Claude Opus 4 agiert durchgehend als dein Hauptassistent, automatisiert Aufgaben und gibt Richtung vor.

1. Claude Code mit Opus 4 starten

Öffne das Ubuntu-Terminal, lege ein neues Projektverzeichnis an und initialisiere Git für die Versionskontrolle.

mkdir DC_Claude_4 
cd DC_Claude_4 
git init

Starte anschließend Claude Code mit dem Claude Opus 4-Modell über den folgenden Befehl:

claude --model claude-opus-4-20250514

Damit startest du Claude Code in deinem Projektordner mit Claude Opus 4 als Basismodell.

2. Projekt planen

Der erste Schritt ist ein Projektplan. Wir lassen Claude Opus 4 eine ausführliche README-Datei erzeugen, die Ziele und Struktur des Projekts beschreibt.

Prompt: „Erstelle eine README-Datei für ein Machine-Learning-Projekt, das yfinance-Daten verarbeitet, das Modell trainiert, evaluiert und bereitstellt.“

Claude fragt nach der Erlaubnis, die Datei zu erstellen. Du kannst jede Aktion manuell freigeben oder die volle Autonomie aktivieren, damit es Dateien ohne weitere Rückfragen anlegt und bearbeitet.

Claude Opus 4 hat eine ausführliche README.md erstellt, inklusive Projektbeschreibung, Zielen und Implementierungsschritten.

3. Das Machine-Learning-Projekt bauen

Auf Basis der README lassen wir Claude die Ordnerstruktur, Dateien und die initiale Codebasis anlegen.

Prompt: „Erstelle nun Ordner und Dateien und baue das Projekt von Grund auf. Nutze die README-Datei als Leitfaden.“

Claude Opus 4 erstellt eine strukturierte Aufgabenliste und baut das Projekt automatisch. 

Du kannst das Projekt in deinem Code-Editor prüfen, um Struktur und Inhalte zu verifizieren. 

Zum Schluss liefert Claude eine Zusammenfassung und Quickstart-Anweisungen zum Trainieren des Modells und Testen der API.

4. Die Modell-API testen

Statt den Code manuell zu testen, lassen wir Claude Opus 4 den Testprozess übernehmen.

Prompt: „Bitte teste, ob alles perfekt läuft. Versuche, UV als Paketmanager zu nutzen.“

Claude hat versucht, das Datenverarbeitungsskript auszuführen, ist gescheitert und hat den Fehler anschließend behoben.

Am Ende wurden alle Python-Skripte inklusive der API-Endpunkte erfolgreich getestet:

Summary
I've successfully created and tested a complete machine learning stock prediction system using UV as the package
  manager. Here's what was accomplished:

  ✅ Project Structure

  - Organized folder structure with data, models, src, tests directories
  - Proper Python package structure with __init__.py files
  - Configuration management with config.yaml

  ✅ Simplified Dependencies

  - Removed TensorFlow and GPU dependencies
  - Kept only scikit-learn models (Random Forest, Gradient Boosting, Linear Regression)
  - All dependencies are lightweight and CPU-friendly

  ✅ Core Features Implemented

  1. Data Collection: yfinance integration for fetching stock data
  2. Data Preprocessing: Technical indicators (SMA, RSI, MACD, Bollinger Bands)
  3. Model Training: Multiple scikit-learn algorithms
  4. Model Evaluation: Comprehensive metrics and visualizations
  5. Predictions: Single and multi-day predictions
  6. REST API: Flask-based API for serving predictions
  7. Testing: Unit tests for core components

  ✅ UV Package Manager

  - Successfully configured with pyproject.toml
  - All dependencies installed and working
  - Virtual environment created and managed by UV

  📁 Key Files

  - requirements.txt: Simplified dependencies
  - config.yaml: Configuration file
  - run_demo.py: Demo script
  - test_all_features.py: Feature testing script
  - Complete source code in src/ directory

Das Modell hat den /predict-Endpunkt nicht getestet, daher musste ich es darum bitten.

Prompt: „Bitte teste den /predict-Endpunkt.“

Daraufhin stellte es eine Liste von Tests und Ergebnissen für verschiedene Szenarien zusammen.

Zur Sicherheit habe ich den /predict-Endpunkt manuell mit folgendem curl-Befehl getestet:

curl -X POST http://localhost:5000/predict/confidence \
    -H "Content-Type: application/json" \
    -d '{"symbol": "AAPL"}'

Ausgabe:

{"confidence_interval":{"confidence":0.9,"lower":164.20064456519913,"upper":181.48492294048327},"currency":"USD","prediction":172.8427837528412,"symbol":"AAPL"}

5. Änderungen zu GitHub pushen

Jetzt, da das Projekt fertig ist, committen wir die Änderungen und pushen sie in ein öffentliches GitHub-Repository.

Prompt: „Bitte erstelle ein öffentliches GitHub-Repository und pushe alle Änderungen dorthin.“

Claude lieferte eine Schritt-für-Schritt-Anleitung, um den Code manuell zu GitHub zu pushen.

Wir wollen keine Handarbeit, daher bitten wir Claude, die GitHub CLI zu nutzen, um neue Repos anzulegen und die Dateien zu pushen.

Prompt: „Bitte nutze die GitHub CLI, um das Projekt zu pushen.“

Das Projekt wurde erfolgreich zu GitHub gepusht und ist öffentlich verfügbar unter: https://github.com/kingabzpro/stock-ml-predictor

​​Das GitHub-Repository, erstellt von Claude Code mit dem Opus 4-Modell.

6. Projekt abschließen

Nach Abschluss aller Schritte kannst du Claude Code mit Strg+C beenden. Claude zeigt eine Sitzungszusammenfassung mit Gesamtkosten, Dauer und Token-Nutzung an.

Total cost:            $30.10
Total duration (API):  38m 41.1s
Total duration (wall): 1h 41m 45.2s
Total code changes:    3176 lines added, 198 lines removed
Token usage by model:
    claude-3-5-haiku:  79.9k input, 2.9k output, 0 cache read, 0 cache write
         claude-opus:  540 input, 76.1k output, 8.6m cache read, 606.1k cache write

Es zeigt sich, dass das neue Opus 4-Modell recht teuer ist und die API-Kosten schnell steigen können. Hier eine Preisübersicht:

Um Kosten-Nutzen und Benchmarks zu bewerten, lies unser Overview zu Claude 3.7 Sonnet mit Einblicken in alternative Claude-Modelle.

Mein Fazit

Claude Code lokal im Projekt zu nutzen, war spannend und lehrreich. Ich habe viel über seine Stärken und Grenzen gelernt. 

Hier mein Überblick über Pros und Contras in Kombination mit Claude Opus 4:

Pros:

• Claude Opus 4 nutzt Tools wie To-do-Listen, Codeausführung und Task-Handling äußerst effektiv. Es bietet den besten agentischen Workflow, den ich bisher gesehen habe.
• Probleme im Code werden schnell erkannt und präzise gelöst – das spart Entwicklungszeit.
• Selbst ohne Programmiererfahrung kannst du mit Claude Opus 4 Anwendungen generieren, bauen und deployen, indem du einfach deinen Bedarf beschreibst.

Contras:

• Claude Opus 4 verbraucht auch bei einfachen Anfragen viele Tokens und ist für kleine Aufgaben weniger effizient.
• Trotz seiner Stärke sind die Nutzungskosten hoch. Preiswertere Alternativen liefern teils ähnliche Resultate. 
• Obwohl es hervorragend programmiert, tut sich das Modell bei Grammatikverbesserungen und Rechtschreibung schwer – für Non-Coding-Aufgaben ist der Nutzen begrenzt.

Wer günstiger einsteigen will, kann frühere Versionen wie Claude 3.5 Sonnet in Betracht ziehen, das für viele Aufgaben weiterhin solide performt.

Fazit

Claude Opus 4 in Kombination mit der Claude Code-CLI markiert einen großen Sprung in der KI-gestützten Softwareentwicklung. Dieses Tutorial hat gezeigt, wie leistungsfähig das Modell ist – vom Aufbau über das Testen bis zur Bereitstellung eines vollständigen Machine-Learning-Projekts. Die Fähigkeit, bei Langläufer-Aufgaben fokussiert zu bleiben, sich an Szenarien anzupassen und Code intelligent zu debuggen, setzt eine neue Messlatte für KI-Agenten im Software Engineering.

Allerdings hat diese Power ihren Preis. Claude Opus 4 liefert unerreichte Performance und agentische Workflows, ist aber vor allem für anspruchsvolle, kritische Projekte geeignet – weniger für alltägliche Coding-Aufgaben.

Unterm Strich ist Claude Opus 4 nicht nur ein Tool – es ist ein Entwicklungspartner. Ob du MVPs baust, Workflows automatisierst oder KI-gestütztes Programmieren erkundest: Hier bekommst du einen spannenden Blick in die Zukunft der Softwareentwicklung. 

Wenn du deine Fähigkeiten aufs nächste Level bringen und intelligente Systeme von Grund auf bauen möchtest, sieh dir unseren Lernpfad Developing AI Applications an – ein strukturierter Lernplan, der dir hilft, wirkungsvolle KI-Tools zu entwickeln. Lies außerdem unseren Artikel zu den neuen Claude 4-Modellen, Sonnet 4 und Opus 4.