Entwicklungsumgebung & Infrastruktur für KI-Projekte

Es gibt zwei Wege, Claude zu nutzen und dabei bei Ihrer Google-Cloud-Rechnung zu bleiben: die von Google verwaltete Variante, die Google als Teil der Agent Platform (früher Vertex AI) betreibt, und die von Anthropic verwaltete Variante, die seit dem 22. Oktober 2026 allgemein verfügbar ist. Claude Code läuft mit der von Google verwalteten Variante und wird mit CLAUDE_CODE_USE_VERTEX und zugehörigen Einstellungen konfiguriert (bei der Einführung für mehrere Personen empfiehlt es sich, die Modelle festzulegen). Wenn Sie die Files API, Agent Skills, Managed Agents, den Fast Mode und ähnliche Funktionen benötigen, wählen Sie die von Anthropic verwaltete Variante. Auf dem global-Endpunkt der von Google verwalteten Variante kosten Opus 5.5, Sonnet 5.5 und Haiku 5.5 dasselbe wie in der Claude API, die Multi-Regionen us und eu dagegen das 1,1-Fache. Die von Anthropic verwaltete Variante wird in CCU gemessen, und eine Preisliste pro Token findet sich nicht in der offiziellen Dokumentation. Auf Grundlage der offiziellen Dokumentation (geprüft am 26. Oktober 2026) behandelt dieser Artikel die Unterschiede und die Auswahl, Preise, Regionen, die ersten Schritte, die SDKs, die Einrichtung von Claude Code sowie den Umgang mit Kontingenten und 429-Fehlern.

Wenn in der Claude API „`temperature` is deprecated for this model.“ erscheint, liegt es daran, dass Sie bei Claude 4.7 oder neueren Modellen temperature, top_p oder top_k mit anderen als den Standardwerten senden. Wenn Sie diese drei Parameter aus der Anfrage entfernen, ist der Fehler behoben. Mit der bisherigen API-Version 2023-06-01 akzeptieren diese Modelle ebenfalls keine abweichenden Werte, und mit der neuen Version 2026-10-21 gibt es bei allen Modellen einen 400-Fehler, auch bei Standardwerten. Neue SDKs wie anthropic 2.0.0 für Python senden 2026-10-21 automatisch und haben die drei Parameter aus ihren Typen entfernt; dieser Artikel erklärt die Stellen im Code, an denen Sie suchen sollten, die SDK-Versionen, Änderungen wie das Senden des API-Schlüssels und den verwandten Fehler „anthropic-version: header is required“, gestützt auf die offizielle Dokumentation von Anthropic (Stand: 26. Oktober 2026).

Dieser Artikel fasst Ursachen und Abhilfen bei einem langsamen oder schwerfälligen Codex nach Symptomen zusammen, gestützt auf die offizielle OpenAI-Dokumentation und GitHub-Antworten (Stand: 25. Oktober 2026). Bei langsamen Antworten helfen ein geringerer Denkaufwand (reasoning effort), leichtere Modelle oder der Schnellmodus (Fast verbraucht 2,5-mal so viel Nutzungskontingent) sowie ein neuer Thread für jede Aufgabe. Bei langsamem Start sollten ungenutzte MCP-Server mit enabled = false gestoppt und die CLI aktualisiert werden, bei einer schwerfälligen App helfen ein Update auf die neueste Version (unter Windows behebt v26.825.32147 eine Ursache) und das Archivieren nicht mehr benötigter geplanter Aufgaben, bei Befehlen unter WSL die Dateien im Linux-Dateisystem.

ChatGPT wurde erfolgreich verschoben. Doch die Zielvorbereitung führte bei Docker und Unity auf demselben Laufwerk zu E/A-Fehlern. Das zeigten die Protokolle.

App und Hauptdaten liegen auf Laufwerk D, aktive Laufzeitumgebungen bleiben auf C. Wir zeigen, was gesichert, verschoben und geprüft wurde.

Die Anleitung zeigt, wie Sie Codex und Claude Code in App, IDE, CLI, Claude Desktop, im Web und auf dem Smartphone auf reine Untersuchung und Beratung umstellen. Sie erfahren den Unterschied zwischen read-only und Plan, wie Einstellungen gespeichert werden und wie Werkzeuge eingeschränkt werden. Außerdem finden Sie einsatzbereite Prompts und Prüfungen für Änderungen.

Der Artikel erklärt, wie Sie Codex am Lesen geheimer Dateien hindern: über Leseverbote in Permission profiles, getrennte Arbeitsumgebungen, Freigaben und Netzwerkregeln. Behandelt werden außerdem .env-Dateien, Umgebungsvariablen und Grenzen je nach Betriebssystem. Eine Prüfung mit Dummy-Dateien zeigt, ob die Sperre greift.

Sie können Entwicklung an Cloud-Sessions von Claude Code übergeben, ohne einen neuen Zugang zur Produktion zu öffnen: Legen Sie den Code in ein privates GitHub-Repository, installieren Sie die Claude GitHub App nur auf diesem Repository und lassen Sie den Produktionsserver ihn nur per Pull mit einem schreibgeschützten Deploy Key holen. Dieser Artikel ist mein Protokoll, wie ich am 4. Oktober 2026 in einem separaten Entwicklungsprojekt mit Cloud-Sessions begonnen habe, geprüft am Originaltext der offiziellen Dokumentation mit Stand dieses Tages. Er erklärt, dass claude --cloud ohne GitHub die Historie aller Branches plus nicht committete Änderungen an verfolgten Dateien überträgt (unter Windows unabhängig vom Dateinamen), wie Sie es beheben, wenn ein anderes GitHub-Konto verbunden ist, „Only select repositories“ und warum öffentliche Repositories in der Liste erscheinen, warum Sie pro Projekt eine neue Umgebung anlegen sollten, da jeder, der eine Umgebung nutzt, ihre Umgebungsvariablen lesen kann, dass lokale Dateien unsichtbar sind und dass Accept edits in der Cloud bei jedem Befehl anhält, während Auto weiterarbeitet – zusammengefasst in einer Checkliste vor dem Start. Außerdem zeigt er einen realen Fall, in dem eine einzige, selbstständig ausgeführte Anweisung $226 des befristeten Guthabens verbrauchte, bevor ich sie mittendrin anhielt, warum das Guthaben so schnell schwindet und wie sich Kosten senken lassen.

Ob Ihre Unterhaltungen in Claude Code zum Training von KI-Modellen verwendet werden, hängt von Ihrem Plan und Ihrer Kontoeinstellung ab. In den Verbraucherplänen Free, Pro und Max werden Ihre Daten nur für das Training verwendet, solange die Einstellung zur Modellverbesserung in den Datenschutzeinstellungen von claude.ai eingeschaltet ist (Speicherung 5 Jahre); schalten Sie sie aus, endet das Training (Speicherung 30 Tage). Die Einstellung gehört zu Ihrem Konto, Sie müssen also keine Einstellungsdateien auf dem Computer ändern, auf dem Claude Code läuft. Gestützt auf den Originaltext der Seite „Data usage“ der Claude-Code-Dokumentation, das Privacy Center von Anthropic und die Claude-Platform-Seite „API and data retention“ mit Stand 4. Oktober 2026 erklärt dieser Artikel, wo die Einstellung liegt und wie Sie sie ausschalten, dass der Widerspruch Ihre Daten nicht aus früherem Training entfernt, wie 👍👎-Bewertungen, /feedback und als Richtlinienverstoß markierte Unterhaltungen behandelt werden sowie Training und Speicherdauer Plan für Plan, einschließlich Team, Enterprise, API und Bedrock. Außerdem zeigt er, dass API-Ein- und -Ausgaben standardmäßig nicht für das Training verwendet und innerhalb von 30 Tagen gelöscht werden, was ZDR abdeckt und warum Covered Models wie Fable 30 Tage Speicherung erfordern, welche Umgebungsvariablen die getrennt vom Training gesendeten Nutzungsmetriken und Fehlerberichte abschalten, dass Gesprächsprotokolle im Klartext auf Ihrem eigenen Computer liegen und wie Sie die richtige Konfiguration für vertrauliche Arbeit wählen.

/doctor prompt-audit in Claude Code (/checkup prompt-audit ist identisch) lässt Claude CLAUDE.md, CLAUDE.local.md, AGENTS.md sowie die Regeln, Skills, Befehle und Subagents unter .claude/ lesen, sucht nach Prompt-Mustern für ältere Modelle, Verweisen auf nicht existierende Dateien oder Befehle und einander widersprechenden Anweisungen und gibt einen Bericht mit vorgeschlagenen Diffs zurück. Nichts ändert sich, bevor Sie darum bitten, und er setzt v2.1.283 oder neuer voraus. Auf Grundlage der offiziellen Dokumentation und des CHANGELOG mit Stand 3. Oktober 2026 sowie des mit Claude Code ausgelieferten Prüfleitfadens erklärt dieser Artikel, wie Sie ihn starten und mit einem Pfad eingrenzen, was er als veraltet einstuft (zu starke Formulierungen, fehlende Pfade, Widersprüche zwischen Dateien und mehr), seine Regel, Kontext und begründete Verbote nicht zu löschen, die sechs Felder des Berichts und wie Sie die Konfidenzstufen lesen, sowie die Unterschiede zu /doctor, /claude-api prompt-audit und dem Terminalbefehl claude doctor. Außerdem zeigen wir, was der Audit bei den Anweisungsdateien dieser Website ergab (7 von 9 Befunden übernommen, darunter eine echte Abweichung: eine Erklärung, die wir nach dem Hinzufügen einer Regel umzuschreiben vergessen hatten), und nennen Einschränkungen wie Nutzungskontingent, Schwankungen zwischen Durchläufen und den Aufwand, Befunde vor dem Übernehmen zu prüfen.

/code-review in Claude Code ist ein mitgelieferter Skill, der die Commits vor dem Upstream plus nicht committete Änderungen (oder einen übergebenen PR, Branch oder Pfad) liest, nach Korrektheitsfehlern sucht und sie meldet. /review ist ein Alias, die Prüfung läuft als Subagent im Hintergrund, und die Kosten zählen zu Ihrer normalen Nutzung. Dieser Artikel erklärt, wie Sie ein Ziel übergeben, wie Sie zwischen low (nur sehr sichere Befunde) und medium bis max (breitere Abdeckung, aber Sie müssen aussortieren) wählen, dass ohne Stufe die zuletzt eingetippte Stufe gilt, dass Änderungen von --fix im Hintergrund nicht mit /rewind rückgängig zu machen sind und wohin --comment bei GitHub und GitLab postet. Außerdem geht es um ultra, bei dem mehrere Agenten in der Cloud nur verifizierte Befunde liefern (etwa 15 bis 25 Minuten; bei Pro und Max einmalig 3 kostenlose Durchläufe, danach typischerweise $5 bis $25 pro Durchlauf aus dem Nutzungsguthaben), und darum, wie sich /code-review von /simplify, /security-review, der Code Review der GitHub-App und claude-code-action unterscheidet – auf Grundlage des Originaltexts der offiziellen Dokumentation und des CHANGELOG mit Stand 2. Oktober 2026 (die Beschreibung der Stufen mit Stand 14. Oktober). Zum Schluss folgen die Ergebnisse eines einzelnen Durchlaufs von /code-review high am Code des KI-Bildprüf-Tools dieser Website (9 von 10 Befunden waren echte Fehler, alle behoben) und die Nachteile, darunter der Verbrauch, der Aufwand für das Prüfen der Befunde und wie sich --fix rückgängig machen lässt.

Ich habe Claude Code Projects (öffentliche Beta) eine komplette Website bauen lassen, auf der man nachschlagen kann, wie viel Speicher lokale LLMs brauchen. Vom Anlegen bis zum letzten Merge vergingen rund 20 Stunden: 10 Threads, 11 PRs, rund 23.000 Zeilen und rund 190 Millionen Tokens (97,7 % davon Cache-Lesezugriffe). Über Nacht liefen drei Aufgaben parallel, die Threads stimmten sich über den Koordinator untereinander ab, und sobald ich auf Anweisungen umstellte, die die Arbeit übergaben, entschied es selbst über die nächsten Aufgaben. Andererseits baute an der Grenze zwischen Datensammlung und Seiten niemand die Logik, die entscheidet, ob etwas veröffentlicht werden darf, und so zeigte die Produktion 0 Modelle. Echte Daten brachten zudem Fehler ans Licht, die in Tests mit Beispieldaten nie auftraten, und das Deployment auf einen nur per SSH erreichbaren Server lief in eine Sackgasse. Alles halte ich anhand von Messungen fest: wo ich beim Einstieg stolperte, der Unterschied zwischen Freigabe bei jedem Schritt und Übergabe, wie schnell das Setup-Guthaben schrumpfte und wofür es sich eignet und wofür nicht.