# Claude Code CLI > Verbinden Sie die Claude Code CLI mit der LMU AI API: settings.json-Konfiguration, Modellauswahl, chinesische LLMs, Aktivierung des 1M-Kontexts und Behebung häufiger Fehler. URL: https://docs.lmuai.com/de/docs/tools/claude-code Claude Code ist Anthropics offizieller KI-Coding-Agent — er läuft in Ihrem Terminal und ermöglicht es Ihnen, Code in natürlicher Sprache zu schreiben, zu debuggen und umzugestalten. Wenn Sie die `settings.json` lieber nicht von Hand bearbeiten möchten, verwenden Sie den [**CC Switch Ein-Klick-Import**](/de/docs/tools/cc-switch): Klicken Sie in der Schlüsselliste der LMU AI Konsole auf die Schaltfläche „Import to CCS", und Base URL und Schlüssel werden automatisch konfiguriert. *** ## Schritt 1 — Node.js installieren [#schritt-1--nodejs-installieren] > Überspringen Sie dies, wenn Sie es bereits haben; prüfen Sie mit `node -v`. Sie benötigen **Node.js 18+** — Download: [https://nodejs.org/en/download](https://nodejs.org/en/download) ```bash # Verify after installing node -v # A version number (e.g. v24.4.1) means it installed correctly ``` ```powershell # During install, check "Automatically install the necessary tools" # Reopen PowerShell after installing and verify node -v ``` Wenn Sie es zuvor installiert haben, die Version aber zu alt oder der PATH beschädigt ist, installieren Sie es neu und öffnen Sie das Terminal erneut. *** ## Schritt 2 — Claude Code installieren [#schritt-2--claude-code-installieren] ```bash npm install -g @anthropic-ai/claude-code ``` ```powershell npm install -g @anthropic-ai/claude-code ``` Installation überprüfen: ```bash claude --version ``` ```bash npm config set registry https://registry.npmmirror.com npm install -g @anthropic-ai/claude-code ``` *** ## Schritt 3 — Die LMU AI API konfigurieren [#schritt-3--die-lmu-ai-api-konfigurieren] Claude Code konfiguriert einen benutzerdefinierten API-Endpunkt über die `settings.json`. ### Speicherort der Konfigurationsdatei [#speicherort-der-konfigurationsdatei] ```bash ~/.claude/settings.json ``` ```powershell C:\Users\YourUsername\.claude\settings.json ``` ### Die Konfigurationsdatei erstellen [#die-konfigurationsdatei-erstellen] ```bash mkdir -p ~/.claude && touch ~/.claude/settings.json ``` ```powershell mkdir "$env:USERPROFILE\.claude" -Force New-Item "$env:USERPROFILE\.claude\settings.json" -Force ``` ### Die Konfiguration schreiben [#die-konfiguration-schreiben] Öffnen Sie die `settings.json` in einem Texteditor und fügen Sie Folgendes hinzu (ersetzen Sie den Schlüssel durch Ihren eigenen): ```json { "env": { "ANTHROPIC_BASE_URL": "https://api.lmuai.com", "ANTHROPIC_AUTH_TOKEN": "sk-your-lmu-ai-api-key", "API_TIMEOUT_MS": "3000000", "CLAUDE_CODE_ATTRIBUTION_HEADER": "0" } } ``` * Setzen Sie `ANTHROPIC_AUTH_TOKEN` auf den API-Schlüssel, den Sie in der LMU AI Konsole generiert haben (beginnt mit `sk-`) * Verwenden Sie keinen offiziellen Anthropic-API-Schlüssel * Wenn Sie zuvor einen offiziellen Schlüssel konfiguriert haben, löschen Sie zuerst die alte Konfiguration und schreiben Sie dann diese ein * Das Setzen von `CLAUDE_CODE_ATTRIBUTION_HEADER` auf `"0"` schaltet den Quellenzuordnungs-Header bei Anfragen ab, was Cache-Treffer und Token-Effizienz verbessert *** ## Den 1M-Kontext in Claude Code aktivieren (optional) [#den-1m-kontext-in-claude-code-aktivieren-optional] Claude Opus 4.8 / Sonnet 5 unterstützen ein **1M-Token-Langkontextfenster** (standardmäßig 200K), nützlich für riesige Repos, lange Logs und dateiübergreifende Refactorings. Fügen Sie das Suffix `[1M]` zur Modell-ID hinzu, um es zu aktivieren. ### Option A — manuelles Umschalten mit /model (empfohlen für gelegentliche Nutzung) [#option-a--manuelles-umschalten-mit-model-empfohlen-für-gelegentliche-nutzung] **Behalten Sie eine minimale settings.json** (nur `ANTHROPIC_BASE_URL` + `ANTHROPIC_AUTH_TOKEN`), starten Sie Claude Code und geben Sie im Prompt ein: ``` /model claude-opus-5[1M] ``` oder: ``` /model claude-sonnet-5[1M] ``` Dies wechselt zur 1M-Version ohne Konfigurationsänderungen. Es gilt für die aktuelle Sitzung und wird beim Beenden zurückgesetzt. ### Option B — ein fester Standard in der settings.json (empfohlen für tägliche Langkontext-Nutzung) [#option-b--ein-fester-standard-in-der-settingsjson-empfohlen-für-tägliche-langkontext-nutzung] Fügen Sie zwei Zeilen zum `env`-Abschnitt der `settings.json` hinzu, sodass `/model opus` / `/model sonnet` standardmäßig die 1M-Version verwenden: ```json { "env": { "ANTHROPIC_BASE_URL": "https://api.lmuai.com", "ANTHROPIC_AUTH_TOKEN": "sk-your-lmu-ai-api-key", "ANTHROPIC_DEFAULT_OPUS_MODEL": "claude-opus-5[1M]", "ANTHROPIC_DEFAULT_SONNET_MODEL": "claude-sonnet-5[1M]", "API_TIMEOUT_MS": "3000000", "CLAUDE_CODE_ATTRIBUTION_HEADER": "0" } } ``` Speichern und Claude Code neu starten; die Auswahl von opus / sonnet im `/model`-Befehl verwendet nun automatisch die 1M-Version. **Feldreferenz** | Feld | Zweck | | -------------------------------- | --------------------------------------------------------------------------------------- | | `ANTHROPIC_DEFAULT_OPUS_MODEL` | Die Modell-ID, die tatsächlich gesendet wird, wenn Sie in Claude Code `opus` wählen | | `ANTHROPIC_DEFAULT_SONNET_MODEL` | Dasselbe, für `sonnet` | | Suffix `[1M]` | Aktiviert den 1M-Token-Langkontextmodus des Modells; ohne es gilt der Standard von 200K | * **Abweichende Abrechnung**: Der 1M-Kontextmodus ist nach der Anthropic-Preisstaffelung abgerechnet, und der Preis pro Token ist in der Regel **höher als beim Standard-200K-Modus**, sodass Langtext-Aufgaben deutlich mehr kosten — lassen Sie ihn nicht aktiviert, sofern nicht nötig * **Nur einige Modelle unterstützen es**: Die Opus- / Sonnet-Hauptmodelle `claude-opus-5`, `claude-fable-5`, `claude-opus-4-8`, `claude-opus-4-7`, `claude-sonnet-5` unterstützen das Suffix `[1M]`; die Haiku-Serie und ältere Modelle nicht. Die Liste der [Modellgalerie](/de/docs/guide/models) ist die maßgebliche Quelle * **Wählen Sie Option A für gelegentliche Nutzung, Option B für regelmäßige Nutzung** — entscheiden Sie sich für eine *** ## Chinesische Modelle verwenden (optional) [#chinesische-modelle-verwenden-optional] LMU AI unterstützt chinesische LLMs (z. B. die Qwen-Serie). Indem Sie `model` in der `settings.json` setzen, **umgehen Sie das manuelle Umschalten mit `/model` bei jedem Start** und verwenden das angegebene Modell direkt. ```json { "env": { "ANTHROPIC_BASE_URL": "https://api.lmuai.com", "ANTHROPIC_AUTH_TOKEN": "sk-your-lmu-ai-api-key", "CLAUDE_CODE_ATTRIBUTION_HEADER": "0" }, "model": "qwen3.8-max-preview", "effortLevel": "medium" } ``` **Feldreferenz:** | Feld | Beschreibung | | -------------------------------- | -------------------------------------------------------------------------------------------------------------------------------- | | `model` | Das Standardmodell, das beim Start geladen wird — kein manuelles Umschalten jedes Mal | | `effortLevel` | Denkaufwand: `low` / `medium` / `high`; `medium` wird für chinesische Modelle empfohlen | | `CLAUDE_CODE_ATTRIBUTION_HEADER` | Auf `"0"` setzen, um den Quellenzuordnungs-Header abzuschalten, was Cache-Treffer, Token-Effizienz und Kompatibilität verbessert | * `qwen3.8-max-preview` — Qwen 3.8 Max Preview (neueste) * `qwen3.7-max` — Qwen 3.7 Max * `glm-5.2` — Zhipu GLM-5.2 * `deepseek-v4-pro` — DeepSeek V4 Pro * `kimi-k3` — Kimi K3 Die Liste **Verfügbare Modelle** in der LMU AI Konsole ist die maßgebliche Quelle. | | Chinesische Modelle | Offizielle Claude-Modelle | | -------------------------- | ------------------- | ------------------------- | | Kosten | Niedriger | Höher | | Chinesisch-Verständnis | Ausgezeichnet | Gut | | Coding-Fähigkeit | Ausgezeichnet | Ausgezeichnet | | Standardmodell-Einstellung | ✅ Unterstützt | ✅ Unterstützt | *** ## Schritt 4 — Claude Code starten [#schritt-4--claude-code-starten] Öffnen Sie ein Terminal in Ihrem Projektverzeichnis und führen Sie aus: ```bash claude ``` ### Modus ohne Bestätigung (empfohlen) [#modus-ohne-bestätigung-empfohlen] ```bash claude --dangerously-skip-permissions ``` > In diesem Modus führt Claude Code Befehle automatisch aus, ohne jeden Schritt zu bestätigen — praktisch innerhalb eines Projektverzeichnisses. *** ## Die Konfiguration überprüfen [#die-konfiguration-überprüfen] Geben Sie nach dem Start in der Claude-Code-Oberfläche ein: ``` /status ``` Es zeigt das aktuelle: * Modellname * API Base URL (sollte `https://api.lmuai.com` anzeigen) * API-Schlüssel-Status Wenn die Base URL korrekt ist, funktioniert die Konfiguration. *** ## Häufige Probleme [#häufige-probleme] ### 401 Unauthorized [#401-unauthorized] **Ursache:** Der API-Schlüssel ist falsch, oder die Anfrage ging weiterhin an Anthropics offiziellen Endpunkt. **Lösung:** 1. Vergewissern Sie sich, dass `ANTHROPIC_AUTH_TOKEN` in der `settings.json` Ihr LMU AI Schlüssel ist 2. Prüfen Sie, ob eine Shell-Umgebungsvariable die Konfiguration überschreibt ```bash echo $ANTHROPIC_BASE_URL ``` ```powershell echo $env:ANTHROPIC_BASE_URL ``` 3. Öffnen Sie das Terminal erneut und starten Sie Claude Code danach neu ### stream disconnected [#stream-disconnected] **Ursache:** ein instabiles lokales Netzwerk, oder ein VPN / Proxy / System-Proxy ist aktiv — ein Proxy, der die IP wechselt, unterbricht die Verbindung. **Lösung:** Schalten Sie das VPN / den Proxy / den System-Proxy aus und versuchen Sie es erneut. LMU AI ist eine direkte inländische Verbindung und benötigt kein VPN; eine direkte Verbindung ist am schnellsten und stabilsten. ### 503 No available accounts [#503-no-available-accounts] **Ursache:** Meist setzen `~/.zshrc` oder `~/.bashrc` globale Umgebungsvariablen wie `ANTHROPIC_AUTH_TOKEN` / `ANTHROPIC_BASE_URL`, die die `settings.json` überschreiben. **Lösung:** Entfernen Sie diese Zeilen aus Ihrer Shell-Konfiguration, oder verschieben Sie sie in eine separate Datei, die Sie nur beim Start von Claude Code `source`n. Siehe [FAQ · Problem 6](/de/docs/guide/faq#issue-6). ### Antwort-Timeouts [#antwort-timeouts] **Ursache:** Das Standard-Timeout ist kurz. **Lösung:** Vergewissern Sie sich, dass `API_TIMEOUT_MS` auf `3000000` (50 Minuten) gesetzt ist, damit lange Aufgaben nicht abgeschnitten werden. *** ## Tipps [#tipps] * Starten Sie Claude Code vom Projektstammverzeichnis aus, damit es die Projektstruktur automatisch erfasst * Übergeben Sie eine Anweisung direkt, z. B. `claude "refactor this function for me"` * `Ctrl+C` unterbricht die aktuelle Aufgabe, `/exit` beendet * Geben Sie `?` oder `/help` ein, um alle Befehle zu sehen *** ## /goal verwenden, damit Claude Code bis zur Zielerreichung arbeitet (optional) [#goal-verwenden-damit-claude-code-bis-zur-zielerreichung-arbeitet-optional] `/goal` ist ein eingebauter Claude-Code-Slash-Befehl (verfügbar seit **v2.1.139**, Mai 2026), der eine **Abschlussbedingung** für die aktuelle Sitzung setzt. Einmal gesetzt, **arbeitet Claude eigenständig über mehrere Züge hinweg weiter**, bis die Bedingung als erfüllt beurteilt wird, statt zu stoppen, wenn „es sich erledigt anfühlt". Es ist auf LMU AI besonders praktisch für lange, bis zum Abschluss laufende Aufgaben (Refactorings großer Repos, Umsetzung nach einer Abnahmespezifikation, Abarbeitung eines Issue-Rückstands). > Ältere Versionen haben diesen Befehl nicht. Wenn ein unbekannter Befehl gemeldet wird, aktualisieren Sie Claude Code zuerst auf die neueste Version. ### Grundlegende Nutzung [#grundlegende-nutzung] | Befehl | Zweck | | ---------------------------- | --------------------------------------------------------------------------------------------------------------- | | `/goal ` | Ein Ziel setzen; Claude startet sofort einen Zug und arbeitet automatisch weiter, bis die Bedingung erfüllt ist | | `/goal` | Den Status und Fortschritt des aktuellen (oder zuletzt gesetzten) Ziels anzeigen | | `/goal clear` | Das aktuelle Ziel vorzeitig löschen (`stop` / `off` / `reset` / `cancel` / `none` sind gleichbedeutend) | Eine Sitzung hat **immer nur ein Ziel gleichzeitig**; das Setzen eines neuen ersetzt das alte und startet sofort einen neuen Zug. ### Wie „erfüllt" beurteilt wird [#wie-erfüllt-beurteilt-wird] Am Ende jedes Zuges übergibt Claude Code **Ihre Abschlussbedingung + das Gespräch dieses Zuges** an ein kleines, schnelles Modell (standardmäßig **Haiku**) zur Beurteilung. Der Beurteiler **betrachtet nur bereits im Gespräch vorhandene Belege** — Testausgabe, Build-Logs, Datei-Diffs — und **führt nicht heimlich Ihre gesamte CI erneut aus**. Formulieren Sie die Bedingung also so, dass Claude im Gespräch „Belege erzeugen" kann. Das Ziel wird in jedem dieser Fälle **automatisch gelöscht**: * die Bedingung wird als **erfüllt** beurteilt; * das Modell beurteilt die Bedingung als **unmöglich zu erfüllen**; * ein Zug **stößt auf einen Fehler, der Ihr Eingreifen erfordert**. ### Eine gute Zielbedingung formulieren [#eine-gute-zielbedingung-formulieren] * **Verwenden Sie einen verifizierbaren Endzustand**: z. B. „`npm test` endet mit 0", „`tsc --noEmit` meldet keine Fehler" — keine subjektiven Beschreibungen wie „den Code hübscher machen"; * **Lassen Sie Belege im Gespräch landen**: Geben Sie jeden Zug Test- / Build-Ergebnisse aus, damit das Beurteilermodell sie sehen kann; * **Grenzen Sie es ein + begrenzen Sie die Züge**: z. B. „ändere nur Dateien unter `src/auth/`, stoppe nach höchstens 20 Zügen", um Leerläufe zu vermeiden; * Erfordert einen **vertrauenswürdigen Arbeitsbereich (Hooks aktiviert)**, um wirksam zu werden. Jeder zusätzliche `/goal`-Zug verbraucht eine weitere Runde Token (plus etwas Haiku-Overhead für die Beurteilung pro Zug). Wenn Sie ein langes Ziel auf LMU AI laufen lassen, schreiben Sie einen klaren **Endzustand** und eine **maximale Zuganzahl** in die Bedingung, damit es kein Kontingent verbraucht, indem es bei einem nicht verifizierbaren Ziel im Leerlauf läuft. Für eine „wiederholt selbst korrigieren, bis die Prüfungen bestehen"-Schleife kombinieren Sie `/goal` mit `/loop`.