Claude 3.5/4 深度使用指南
Anthropic Claude 系列模型的完整使用指南，包括 API、提示技巧与最佳实践。
Claude 是 Anthropic 公司推出的大语言模型系列，以安全性、长上下文和代码能力著称。本文将深入介绍 Claude 3.5/4 的使用技巧。
Claude 模型家族
当前模型版本
| 模型 | 上下文 | 特点 | 适用场景 |
|---|---|---|---|
| Claude 3.5 Sonnet | 200K | 性价比最高 | 日常开发 |
| Claude 3.5 Haiku | 200K | 速度最快 | 实时应用 |
| Claude 3 Opus | 200K | 能力最强 | 复杂任务 |
| Claude 4 | 500K | 下一代旗舰 | 企业级应用 |
定价策略
Claude 3.5 Sonnet:
输入: $3 / 百万 tokens
输出: $15 / 百万 tokens
Claude 3.5 Haiku:
输入: $0.25 / 百万 tokens
输出: $1.25 / 百万 tokens
Claude 3 Opus:
输入: $15 / 百万 tokens
输出: $75 / 百万 tokensAPI 快速入门
环境配置
# 安装 SDK
pip install anthropic
# 设置 API Key
export ANTHROPIC_API_KEY="sk-ant-xxx"基础调用
from anthropic import Anthropic
client = Anthropic()
# 简单对话
message = client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=1024,
messages=[
{"role": "user", "content": "解释什么是量子计算"}
]
)
print(message.content[0].text)流式输出
# 流式响应 - 适合长文本生成
with client.messages.stream(
model="claude-3-5-sonnet-20241022",
max_tokens=4096,
messages=[{"role": "user", "content": "写一篇关于 AI 的文章"}]
) as stream:
for text in stream.text_stream:
print(text, end="", flush=True)System Prompt 最佳实践
角色定义
system_prompt = """你是一位资深的 Python 开发专家，具有以下特点：
1. 专业背景：
- 10 年 Python 开发经验
- 精通 Django、FastAPI、asyncio
- 熟悉设计模式和架构原则
2. 回答风格：
- 代码优先，先给出可运行的示例
- 解释关键概念，不假设用户已知
- 指出常见陷阱和最佳实践
3. 输出格式：
- 使用 Markdown 格式
- 代码块标注语言类型
- 复杂逻辑添加注释"""
message = client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=2048,
system=system_prompt,
messages=[
{"role": "user", "content": "如何实现一个异步任务队列？"}
]
)输出格式控制
# 强制 JSON 输出
system_prompt = """你是一个数据提取助手。
请始终以 JSON 格式输出，包含以下字段：
- entities: 提取的实体列表
- relations: 实体间的关系
- summary: 简短摘要
示例输出：
{
"entities": ["苹果公司", "iPhone"],
"relations": [{"from": "苹果公司", "to": "iPhone", "type": "生产"}],
"summary": "苹果公司是 iPhone 的制造商"
}"""高级功能
Vision 图片理解
import base64
def encode_image(image_path):
with open(image_path, "rb") as f:
return base64.standard_b64encode(f.read()).decode("utf-8")
# 分析图片
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("diagram.png")
}
},
{
"type": "text",
"text": "请详细描述这张架构图，并指出可能的优化点"
}
]
}
]
)Tool Use 工具调用
# 定义工具
tools = [
{
"name": "get_weather",
"description": "获取指定城市的天气信息",
"input_schema": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称"
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"description": "温度单位"
}
},
"required": ["city"]
}
},
{
"name": "search_web",
"description": "搜索网页获取最新信息",
"input_schema": {
"type": "object",
"properties": {
"query": {"type": "string", "description": "搜索关键词"}
},
"required": ["query"]
}
}
]
# 调用带工具的对话
message = client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=1024,
tools=tools,
messages=[
{"role": "user", "content": "北京今天天气怎么样？"}
]
)
# 处理工具调用
for block in message.content:
if block.type == "tool_use":
print(f"调用工具: {block.name}")
print(f"参数: {block.input}")Computer Use 计算机控制
# Claude 可以控制计算机执行任务
message = client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=4096,
tools=[
{
"type": "computer_20241022",
"name": "computer",
"display_width_px": 1920,
"display_height_px": 1080
},
{
"type": "bash_20241022",
"name": "bash"
},
{
"type": "text_editor_20241022",
"name": "str_replace_editor"
}
],
messages=[
{
"role": "user",
"content": "帮我创建一个 Python 项目，包含虚拟环境和 requirements.txt"
}
]
)Prompt Engineering 技巧
1. 分步骤思考
prompt = """请分析以下代码的性能问题：
```python
def find_duplicates(lst):
duplicates = []
for i in range(len(lst)):
for j in range(i + 1, len(lst)):
if lst[i] == lst[j] and lst[i] not in duplicates:
duplicates.append(lst[i])
return duplicates请按以下步骤分析：
- 首先，分析当前代码的时间复杂度
- 然后，找出性能瓶颈
- 接着，提出优化方案
- 最后，给出优化后的代码"""
### 2. Few-shot 示例
```python
prompt = """将自然语言转换为 SQL 查询。
示例 1：
问题：查找所有年龄大于 30 的用户
SQL：SELECT * FROM users WHERE age > 30;
示例 2：
问题：统计每个部门的员工数量
SQL：SELECT department, COUNT(*) as count FROM employees GROUP BY department;
示例 3：
问题：找出购买金额最高的前 10 个客户
SQL：SELECT customer_id, SUM(amount) as total FROM orders GROUP BY customer_id ORDER BY total DESC LIMIT 10;
现在请转换：
问题：查找 2024 年注册且订单数超过 5 的用户"""3. XML 标签组织
prompt = """<task>
分析以下产品评论的情感倾向
</task>
<reviews>
1. 这个产品质量很好，物流也快，非常满意！
2. 包装破损，客服态度差，再也不买了
3. 一般般吧，没有想象中那么好
</reviews>
<output_format>
请以 JSON 格式输出，每条评论包含：
- review_id: 评论编号
- sentiment: positive/negative/neutral
- confidence: 0-1 的置信度
- keywords: 关键情感词
</output_format>"""长上下文处理
文档分析
def analyze_long_document(doc_path: str):
with open(doc_path, 'r') as f:
content = f.read()
# Claude 支持 200K tokens，约 15 万字
message = client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=4096,
messages=[
{
"role": "user",
"content": f"""请分析以下文档：
<document>
{content}
</document>
请提供：
1. 文档摘要（200字以内）
2. 主要观点（列表形式）
3. 关键数据和结论
4. 潜在问题或不足"""
}
]
)
return message.content[0].text多轮对话记忆
class ClaudeChat:
def __init__(self, system_prompt: str = None):
self.client = Anthropic()
self.system = system_prompt
self.messages = []
def chat(self, user_input: str) -> str:
self.messages.append({"role": "user", "content": user_input})
response = self.client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=2048,
system=self.system,
messages=self.messages
)
assistant_message = response.content[0].text
self.messages.append({"role": "assistant", "content": assistant_message})
return assistant_message
def clear_history(self):
self.messages = []
# 使用示例
chat = ClaudeChat(system_prompt="你是一位友好的 AI 助手")
print(chat.chat("你好！"))
print(chat.chat("刚才我说了什么？")) # Claude 记得上文实战案例：代码审查助手
class CodeReviewer:
def __init__(self):
self.client = Anthropic()
self.system = """你是一位严格的代码审查专家。
审查时请关注：
1. 代码质量：可读性、命名规范、注释
2. 潜在 Bug：边界条件、空值处理、类型安全
3. 性能问题：算法复杂度、内存使用
4. 安全漏洞：注入攻击、敏感数据暴露
5. 最佳实践：设计模式、SOLID 原则"""
def review(self, code: str, language: str = "python") -> dict:
prompt = f"""请审查以下 {language} 代码：
```{language}
{code}请以 JSON 格式输出审查结果： {{ “score”: 1-10 的评分, “issues”: [ {{“severity”: “high/medium/low”, “line”: 行号, “description”: “问题描述”, “suggestion”: “修改建议”}} ], “positives”: [“代码的优点”], “refactored_code”: “优化后的完整代码” }}"""
response = self.client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=4096,
system=self.system,
messages=[{"role": "user", "content": prompt}]
)
return response.content[0].text使用
reviewer = CodeReviewer() result = reviewer.review(""" def process(data): result = [] for i in range(len(data)): if data[i] != None: result.append(data[i] * 2) return result """) print(result)
## 总结
Claude 3.5/4 是当前最强大的 LLM 之一，特别适合：
- **代码开发**: 代码生成、审查、重构
- **长文档处理**: 200K 上下文支持整本书分析
- **多模态任务**: 图片理解、图表分析
- **企业应用**: 安全可控、合规友好
使用建议：
1. 善用 System Prompt 定义角色和输出格式
2. 使用 XML 标签组织复杂 Prompt
3. 利用 Tool Use 扩展能力边界
4. 长文档直接输入，无需分块处理
下一篇我们将介绍 GPT-5 与 ChatGPT 的最新功能。