Anthropic Claude 落地实践

文章摘要 FakeGPT

加载中...|

此内容根据文章生成，并经过人工审核，仅用于文章内容的解释与总结投诉

概述

Anthropic 的 Claude 模型是 GPT 系列的有力竞争者，以其出色的长上下文能力和安全性著称。本文将深入介绍 Claude API 的使用技巧和最佳实践。

Claude 系列模型

模型对比

text

┌─────────────────────────────────────────────────────────┐
│                   Claude 模型家族                         │
├─────────────────────────────────────────────────────────┤
│                                                         │
│  Claude 3.5 系列                                         │
│  ├── Claude 3.5 Sonnet: 最新旗舰，平衡性能和成本           │
│  └── Claude 3.5 Haiku: 即将推出                           │
│                                                         │
│  Claude 3 系列                                           │
│  ├── Claude 3 Opus: 最强能力，复杂任务                    │
│  ├── Claude 3 Sonnet: 平衡性能和成本                      │
│  └── Claude 3 Haiku: 快速，轻量任务                       │
│                                                         │
│  特点                                                    │
│  • 200K token 上下文（最大）                              │
│  • 优秀的长文本处理能力                                    │
│  • Constitutional AI（安全对齐）                          │
│  • 多模态支持（图像）                                     │
│                                                         │
└─────────────────────────────────────────────────────────┘

模型选择建议

使用场景	推荐模型	理由
复杂推理	claude-3-5-sonnet-20241022	最强推理
长文档分析	claude-3-5-sonnet	200K 上下文
快速响应	claude-3-haiku	低延迟
多轮对话	claude-3-5-sonnet	最佳对话能力
代码生成	claude-3-5-sonnet	代码能力强
图像理解	claude-3-5-sonnet	原生视觉

Claude API 使用指南

安装与配置

bash

# 安装 SDK
pip install anthropic

# 设置 API Key
export ANTHROPIC_API_KEY="your-api-key"

python

import anthropic

client = anthropic.Anthropic(api_key="your-api-key")

基础用法

python

# 单次对话
message = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": "用 Python 写一个快速排序算法"
        }
    ]
)

print(message.content[0].text)

多轮对话

python

# 对话历史
messages = [
    {"role": "user", "content": "我叫小明"},
    {
        "role": "assistant",
        "content": "你好小明！很高兴认识你。"
    }
]

# 新问题
messages.append({
    "role": "user",
    "content": "我叫什么名字？"
})

message = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    messages=messages
)

print(message.content[0].text)
# 输出：你叫小明。

流式输出

python

# 流式响应
with client.messages.stream(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    messages=[{"role": "user", "content": "讲一个短故事"}]
) as stream:
    for text in stream.text_stream:
        print(text, end="", flush=True)

# 或者使用事件流
for event in client.messages.stream(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    messages=[{"role": "user", "content": "讲一个短故事"}):
    if event.type == "content_block_delta":
        print(event.delta.text, end="", flush=True)

系统提示

python

message = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    system="你是一个专业的 Python 程序员，只提供代码，不做额外解释。",
    messages=[
        {"role": "user", "content": "写一个快排算法"}
    ]
)

print(message.content[0].text)

长上下文处理

200K Token 上下文

python

# 处理长文档
def analyze_long_document(document_path: str):
    """分析长文档（利用 Claude 的 200K 上下文）"""

    # 读取文档
    with open(document_path) as f:
        long_text = f.read()

    # Claude 可以一次性处理整个文档
    message = client.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=4096,
        system="你是一个专业的文档分析师。",
        messages=[
            {
                "role": "user",
                "content": f"""请分析以下文档的主要内容、关键观点和结论：

{long_text}

请提供结构化的分析结果。"""
            }
        ]
    )

    return message.content[0].text

上下文窗口优化

python

# 对于超长内容，使用分块策略
def process_very_long_content(text: str, question: str):
    """处理超长内容"""

    # 分块
    from langchain.text_splitter import RecursiveCharacterTextSplitter

    splitter = RecursiveCharacterTextSplitter(
        chunk_size=50000,  # 每块约 12.5K tokens
        chunk_overlap=1000
    )

    chunks = splitter.split_text(text)

    # 第一轮：摘要每个块
    summaries = []
    for i, chunk in enumerate(chunks):
        message = client.messages.create(
            model="claude-3-haiku-20240307",  # 用 Haiku 节省成本
            max_tokens=1000,
            messages=[{
                "role": "user",
                "content": f"摘要以下内容：\n\n{chunk}"
            }]
        )
        summaries.append(message.content[0].text)

    # 第二轮：基于摘要回答
    combined_summary = "\n\n".join(summaries)

    message = client.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=2048,
        messages=[{
            "role": "user",
            "content": f"""基于以下文档摘要回答问题：

摘要:
{combined_summary}

问题: {question}"""
        }]
    )

    return message.content[0].text

多模态支持

图像理解

python

import base64

def encode_image(image_path: str) -> str:
    """编码图像为 base64"""
    with open(image_path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")

# 分析图像
message = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image",
                    "source": {
                        "type": "base64",
                        "media_type": "image/png",
                        "data": encode_image("chart.png")
                    }
                },
                {
                    "type": "text",
                    "text": "请分析这个图表中的数据趋势。"
                }
            ]
        }
    ]
)

print(message.content[0].text)

图像 URL

python

# 使用公开 URL
message = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image",
                    "source": {
                        "type": "url",
                        "url": "https://example.com/image.jpg"
                    }
                },
                {
                    "type": "text",
                    "text": "描述这张图片。"
                }
            ]
        }
    ]
)

多图像分析

python

# 分析多张图片
message = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=2048,
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image",
                    "source": {
                        "type": "base64",
                        "media_type": "image/jpeg",
                        "data": encode_image("image1.jpg")
                    }
                },
                {
                    "type": "image",
                    "source": {
                        "type": "base64",
                        "media_type": "image/jpeg",
                        "data": encode_image("image2.jpg")
                    }
                },
                {
                    "type": "text",
                    "text": "比较这两张图片的异同。"
                }
            ]
        }
    ]
)

Prompt 优化技巧

Claude Prompt 最佳实践

python

# 1. 使用清晰的指令
bad_prompt = "分析这个"

good_prompt = """请分析以下文本，并提供：
1. 主要观点总结
2. 关键论据
3. 潜在问题

文本：
{text}
"""

# 2. 使用 XML 标签组织复杂 Prompt
structured_prompt = """<task>
分析以下文档的财务风险
</task>

<document>
{document}
</document>

<output_format>
JSON 格式，包含：
- risk_level: "low" | "medium" | "high"
- factors: 风险因素列表
- recommendations: 建议措施
</output_format>
"""

# 3. 使用示例（少样本）
few_shot_prompt = """示例 1：
输入：我喜欢苹果
输出：情感：积极

示例 2：
输入：这个产品质量很差
输出：情感：消极

现在分析：
输入：{text}
输出："""

message = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1000,
    messages=[{"role": "user", "content": few_shot_prompt}]
)

思维链提示

python

# Claude 善于思维链推理
chain_of_thought = """请逐步思考以下问题，然后给出答案。

问题：{question}

请按以下格式回答：
思考过程：
[你的推理步骤]

答案：
[最终答案]
"""

# 用于复杂推理
complex_reasoning = """这是一个需要仔细推理的问题。请：
1. 理解问题的核心
2. 识别关键信息
3. 考虑可能的解决方案
4. 评估每种方案的利弊
5. 给出最佳答案

问题：{question}"""

Claude Artifacts

Artifacts 是 Claude 的一个功能，可以生成独立的代码片段、文档等。

python

# Artifacts 通常在 Claude.ai 网页界面中使用
# API 中可以通过特定格式触发

artifact_prompt = """请创建一个可交互的 HTML 组件，用于展示数据图表。

要求：
- 使用 Chart.js
- 支持数据更新
- 响应式设计

将代码包裹在 <artifact> 标签中。"""

message = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=4096,
    messages=[{"role": "user", "content": artifact_prompt}]
)

成本与性能对比

价格对比（美元/1M tokens）

模型	输入	输出	上下文
claude-3-5-sonnet	$3	$15	200K
claude-3-opus	$15	$75	200K
claude-3-sonnet	$3	$15	200K
claude-3-haiku	$0.25	$1.25	200K

与 GPT-4 对比

指标	Claude 3.5 Sonnet	GPT-4o
上下文	200K tokens	128K tokens
输入价格	$3/M	$5/M
输出价格	$15/M	$15/M
视觉能力	优秀	优秀
代码能力	非常强	非常强
安全性	Constitutional AI	Moderation API

成本优化

python

# 1. 根据任务选择模型
def get_model_for_task(task_complexity: str) -> str:
    """根据任务复杂度选择模型"""
    models = {
        "simple": "claude-3-haiku-20240307",      # 简单任务
        "medium": "claude-3-sonnet-20240229",      # 中等任务
        "complex": "claude-3-5-sonnet-20241022"    # 复杂任务
    }
    return models.get(task_complexity, "claude-3-5-sonnet-20241022")

# 2. 使用缓存（Claude 支持 Prompt 缓存）
# 缓存的 Prompt 块在多次调用中只计费一次

cached_message = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    system=[
        {
            "type": "text",
            "text": "长系统提示词...",
            "cache_control": {"type": "ephemeral"}  # 标记为可缓存
        }
    ],
    messages=[
        {
            "role": "user",
            "content": "用户问题"
        }
    ]
)

企业级部署

错误处理

python

from anthropic import Anthropic, APIError, APITimeoutError
import time

class RobustClaudeClient:
    """健壮的 Claude 客户端"""

    def __init__(self, api_key: str):
        self.client = Anthropic(api_key=api_key)

    def create_message_with_retry(
        self,
        model: str,
        messages: list,
        max_retries: int = 3
    ):
        """带重试的消息创建"""
        for attempt in range(max_retries):
            try:
                return self.client.messages.create(
                    model=model,
                    max_tokens=4096,
                    messages=messages
                )
            except APIError as e:
                if attempt < max_retries - 1:
                    wait_time = 2 ** attempt
                    print(f"API 错误，{wait_time}秒后重试...")
                    time.sleep(wait_time)
                else:
                    raise
            except APITimeoutError as e:
                if attempt < max_retries - 1:
                    print("超时，重试...")
                    time.sleep(1)
                else:
                    raise

批量处理

python

def batch_process(
    client: Anthropic,
    prompts: list[str],
    batch_size: int = 10
) -> list:
    """批量处理 Prompt"""
    results = []

    for i in range(0, len(prompts), batch_size):
        batch = prompts[i:i + batch_size]

        for prompt in batch:
            message = client.messages.create(
                model="claude-3-5-sonnet-20241022",
                max_tokens=1024,
                messages=[{"role": "user", "content": prompt}]
            )
            results.append(message.content[0].text)

    return results

安全与合规

python

# Claude 内置了安全机制，但额外防护总是好的

def moderate_output(text: str) -> dict:
    """检查输出内容"""
    # 使用 Claude 自己审核
    message = client.messages.create(
        model="claude-3-haiku-20240307",
        max_tokens=100,
        messages=[{
            "role": "user",
            "content": f"""检查以下内容是否包含：
1. 有害信息
2. 个人信息
3. 偏见内容

内容：{text}

返回 JSON 格式的检查结果。"""
        }]
    )

    # 解析结果
    return json.loads(message.content[0].text)

小结

Claude 是强大的 LLM 选择：

核心要点

模型特点
- 200K 超长上下文
- Constitutional AI 安全机制
- 出色的代码和推理能力
API 使用
- Messages API 简洁易用
- 流式输出支持良好
- 多模态原生支持
优化技巧
- 根据任务选择模型
- 使用 Prompt 缓存
- XML 标签组织复杂 Prompt
成本考虑
- Haiku 最经济
- Sonnet 平衡性能成本
- Opus 最高质量
实践建议
- 利用长上下文处理文档
- 使用思维链提高推理质量
- 实施完善的错误处理

下一篇文章将介绍 Google Gemini 落地实践。

Anthropic Claude 落地实践https://indulgeback.github.io/posts/AI%E4%B8%8ELLM/11%E3%80%81Anthropic%20Claude%20%E8%90%BD%E5%9C%B0%E5%AE%9E%E8%B7%B5

作者LeviLiu

发布于2天前

更新于今日内

许可协议 CC BY-NC-SA 4.0

署名-非商业性使用-相同方式共享 4.0 国际

LLM Claude Anthropic 实战

反馈与投诉

赞赏博主

评论隐私政策

Anthropic Claude 落地实践

概述 ​

Claude 系列模型 ​

模型对比 ​

模型选择建议 ​

Claude API 使用指南 ​

安装与配置 ​

基础用法 ​

多轮对话 ​

流式输出 ​

系统提示 ​

长上下文处理 ​

200K Token 上下文 ​

上下文窗口优化 ​

多模态支持 ​

图像理解 ​

图像 URL ​

多图像分析 ​

Prompt 优化技巧 ​

Claude Prompt 最佳实践 ​

思维链提示 ​

Claude Artifacts ​

成本与性能对比 ​

价格对比（美元/1M tokens） ​

与 GPT-4 对比 ​

成本优化 ​

企业级部署 ​

错误处理 ​

批量处理 ​

安全与合规 ​

小结 ​

核心要点 ​

概述

Claude 系列模型

模型对比

模型选择建议

Claude API 使用指南

安装与配置

基础用法

多轮对话

流式输出

系统提示

长上下文处理

200K Token 上下文

上下文窗口优化

多模态支持

图像理解

图像 URL

多图像分析

Prompt 优化技巧

Claude Prompt 最佳实践

思维链提示

Claude Artifacts

成本与性能对比

价格对比（美元/1M tokens）

与 GPT-4 对比

成本优化

企业级部署

错误处理

批量处理

安全与合规

小结

核心要点