Claude系列教程之认识Claude1.1 Anthropic 与 Claude 的诞生 1.1.1 硅谷的“异类”：

1.1 Anthropic 与 Claude 的诞生

1.1.1 硅谷的“异类”：Anthropic 的起源

故事始于 2021 年。那一年，人工智能领域正处于爆发的前夜，一场关于 AI 未来发展方向的变革正在旧金山酝酿。

从 OpenAI 到 Anthropic

Anthropic 的创始人是 Dario Amodei（前 OpenAI 研究副总裁，GPT-2 和 GPT-3 核心研发负责人）和他的妹妹 Daniela Amodei（前 OpenAI 安全与政策副总裁）。然而，随着 AI 模型能力的指数级增长，他们对 AI 安全性的担忧也日益加深。

在 OpenAI 内部，关于“商业化速度”与“安全研究”的优先级之争逐渐显现。Amodei 兄妹坚信，如果不从根本上解决 AI 的可控性（Steerability）和可解释性（Interpretability），盲目追求更强的算力和更大的参数规模可能会给人类带来不可预知的风险。

于是，带着“构建可靠、可解释和可操纵的 AI 系统”的愿景，他们带领一群志同道合的核心研究员（包括 GPT-3 的首席作者 Tom Brown 等人）离开了 OpenAI，创立了 Anthropic。

“公益”性质的企业架构

Anthropic 并非一家传统的初创公司。它注册为 Public Benefit Corporation (PBC)，即“公益公司”。这意味着在法律层面，公司的董事会有义务平衡股东利益与公共利益。这种架构确保了即使在巨大的商业诱惑面前，Anthropic 仍能坚守“AI 安全第一”的底线。

1.1.2 核心理念：宪法式 AI

如果说 ChatGPT 的核心技术是 RLHF（人类反馈强化学习），那么 Claude 的核心差异化技术就是 Constitutional AI (CAI)。

RLHF 的局限性

传统的 RLHF 依赖大量人类标注员来给 AI 的回复打分，存在难以扩展和价值观黑盒等问题。

用 AI 来监督 AI

Constitutional AI 提出了一种革命性的方法：Anthropic 制定了一套明确的原则（即“宪法”），涵盖联合国人权宣言、隐私规范、Sparrow 原则以及非西方视角的多元文化价值观。模型根据这套“宪法”进行 自我批评 和 自我修正，再通过 RLAIF（AI 反馈强化学习）进行优化。这种方法使 Claude 的行为更加稳定、透明且符合预期。

1.1.3 为什么叫“Claude”？

这个名字是对信息论之父 Claude Shannon (克劳德·香农) 的致敬。

香农在 1948 年发表的《通信的数学理论》奠定了现代数字世界的基石。他提出的“比特（Bit）”概念，得以量化信息。Anthropic 选择这个名字，寓意着希望这款 AI 能像香农的理论一样，成为人类与信息交互的 基础性工具——精确、高效且充满智慧。

这也解释了为什么 Claude 在处理长文本、逻辑推理和代码任务时表现出一种冷静、客观（甚至略显严谨）的“工程师气质”。

1.1.4 为什么选择 Claude？

在 2026 年的 AI 战场上，Claude 凭借独特的优势占据了半壁江山。

技术层面的护城河

超长上下文 (Context Window)：Claude 是最早突破 100K 和 200K Token 窗口的模型。这使得它能够一次性读完整本技术书籍、分析庞大的代码库或处理复杂的法律合同。这不仅仅是“记忆力”好，更是“全局理解力”的质变。Artifacts (工件)：2024 年推出的 Artifacts 改变了人机交互的形态。代码、SVG 图表、React 组件不再是单纯的文本流，而是变成了可独立预览、编辑的“实体”。这让 Claude 从“对话者”变成了“协作者”。无与伦比的代码能力：在 SWE-bench 等权威基准测试中，Claude 持续霸榜。其生成的代码逻辑严密，且更擅长遵循复杂的工程规范。

企业级安全

得益于 Constitutional AI，Claude 对于企业客户来说是 最安全 的选择。它极少出现“越狱”行为，不会随意泄露敏感信息，这让金融、医疗和法律等高合规要求的行业对其青睐有加。

生态系统

随着 Model Context Protocol (MCP) 的推出，Claude 正在成为连接万物的枢纽。它不再局限于浏览器，而是能通过 MCP 深入到文件系统、数据库和 Slack 工作区中。

1.1.5 里程碑时刻

2021: Anthropic 成立。
2023.03: Claude 1 发布，初露锋芒。
2023.07: Claude 2 发布，首创 100K 上下文。
2024.03: Claude 3 (Opus/Sonnet/Haiku) 发布，全面超越 GPT-4。
2024.06: Claude 3.5 Sonnet 发布，重新定义了“模型智商”与“速度”的平衡。2024.10: Computer Use (计算机操控) 公测，AI 开始拥有“手”和“眼”。
2024.11: MCP (模型上下文协议) 正式发布，成为连接 AI 与外部世界的标准。2025.02.24: Claude 3.7 Sonnet 发布，首次引入 Extended Thinking 混合推理模式；Claude Code CLI 发布 (Preview)，开发者首次获得 Agentic 编程终端工具。2025.05: Claude Opus 4 与 Sonnet 4 发布；Claude Code 正式 GA。Opus 4 被评为 Level 3 模型。
2025.08: Claude Opus 4.1 增量升级，SWE-bench 提升 7 个百分点。
2025.09: Claude Sonnet 4.5 发布，匹配 Opus 4.1 能力，价格更低。
2025.10: Claude Haiku 4.5 发布，达到 Sonnet 4.5 约 90% 的编码能力，速度快 4-5 倍。
2025.11: Claude Opus 4.5 发布，引入“Infinite Chats”（Early Access）缓解上下文窗口限制。
2026.01: Anthropic 正式公开发布 Claude 宪法，确立四大原则：有益、安全、伦理、透明。
2026.02: Claude Opus 4.6 与 Sonnet 4.6 发布，均支持 1M Token 上下文窗口。2026.04: Claude Opus 4.7 发布，在软件工程（SWE-bench Verified 87.6%）、视觉分辨率和复杂多步任务一致性上显著提升；定价与 4.6 持平（ $5/$ 25），1M 上下文无溢价。同月，Anthropic 发布 Claude Mythos Preview（研究预览）并启动 Project Glasswing 防御性网络安全计划，联合 AWS、Apple、Google、Microsoft 等 12 家首批合作伙伴，利用 Mythos Preview 的前沿漏洞发现能力保护全球关键软件基础设施。

1.2 Claude 模型家族全景

1.2.1 三种尺寸，一种智慧

Anthropic 没有采取“一个模型通吃”的策略，而是推出了三个不同定位的模型系列。这种分层策略深受用户欢迎，因为它允许开发者在 智能水平 (Intelligence)、响应速度 (Speed) 和 使用成本 (Cost) 之间找到最佳平衡点。

这三个系列分别是：Opus (史诗/巨作)、Sonnet (十四行诗) 和 Haiku (俳句)。

Claude Opus：史诗

定位：旗舰级，最强智能。
特点：拥有近乎人类专家的推理能力。它擅长处理高度复杂的任务，如创意写作、战略分析、复杂数学证明和大型系统架构设计。
适用场景：当需要“最好的结果”且不在乎多等几秒钟或多付一点钱时。包括科研论文润色、法律合同审查、复杂算法编写。

Claude Sonnet：十四行诗

定位：平衡级，企业首选。
特点：这是 Claude 家族的
中流砥柱。它在大多数任务上的表现与 Opus 差距极小（甚至在编程任务上经常超越老版本的 Opus），但速度更快，成本显著低于 Opus。
适用场景：绝大多数日常任务的最佳默认选择。代码生成与调试 (VS Code 插件默认首选)、RAG (检索增强生成)、数据提取与清洗、构建 Agent 工作流。

Claude Haiku：俳句

定位：轻量级，极致速度。
特点：虽然体积小，但绝不“傻”。Claude Haiku 4.5 以 Sonnet 约 90% 的编码能力和 4-5 倍的速度，专为高并发、低延迟场景设计。
适用场景：即时聊天机器人 (Chatbots)、内容审核 (Content Moderation)、海量文档的快速摘、要作为复杂 Agent 系统中的“路由器”或“分类器”

1.2.2 模型演进史

Claude 的迭代速度令人惊叹。每一次大版本更新都标志着 AI 能力的阶跃。

早期探索：Claude 1 与 2

Claude 1 (2023.03): Anthropic 的首次亮相。相比当时的 GPT-3.5，它更“守规矩”，更不容易被套话。Claude 2 (2023.07): 一个极其重要的里程碑。它是世界上第一个向公众开放 100K Token (约 7.5 万单词) 上下文窗口的模型。这直接引爆了 PDF 阅读和长文档分析的市场需求。

家族化时代

2024 年 3 月，Anthropic 发布了 Claude 3 系列，正式确立了 Opus/Sonnet/Haiku 的产品矩阵。

Claude 3 Opus: 在当时一举超越 GPT-4，成为新的 SOTA (State of the Art) 模型。多模态能力: 全系支持视觉输入（Vision），能看懂图表和照片。

速度与智能的统一：Claude 3.5

Claude 3.5 Sonnet (2024.06): 这一版本被誉为“神作”。它以中等模型的成本和速度，实现了超越上一代旗舰 (Opus) 的智能。它引入了 Artifacts，改变了编程和 UI 设计的交互方式。Claude 3.5 Sonnet (New) (2024.10): 进一步增强了代码能力，并首次引入 Computer Use (计算机操控)。

混合推理时代：Claude 3.7

Claude 3.7 Sonnet (2025.02.24): 一个划时代的版本。它是 Anthropic 首个支持 Extended Thinking（扩展思考）的模型，开创了混合推理模式——模型可以在输出答案前进行深度的内部推理与自我校验。这一能力使 Claude 在复杂数学、逻辑推理和代码分析任务上的表现显著提升，也为后续 Claude 4 系列的推理架构奠定了基础。

第四代飞跃

Claude Opus 4 / Sonnet 4 (2025.05): Claude 4 代标志着推理能力的重大跃迁。Opus 4 因其强大的自主行动能力被 Anthropic 归类为 Level 3 模型，同时激活了 ASL-3 安全协议。
Claude Opus 4.1 (2025.08): 专注于 Agentic 任务和编程能力的增量升级，SWE-bench 成绩提升 7 个百分点。（注：Claude Opus 4 已于 2026-04-14 在 API 中 deprecated，计划 2026-06-15 retired；Claude Opus 4.1 当前仍为 active，最早退休日期不早于 2026-08-05。）
Claude Sonnet 4.5 (2025.09): 平衡之王。在能力上匹配 Opus 4.1，但以更低的价格提供服务，迅速成为最广泛部署的模型。
Claude Haiku 4.5 (2025.10): 以 Sonnet 4.5 约 90% 的编码能力、4-5 倍的速度，为中小企业提供了极致性价比的选择。（注：Claude 3 Haiku 已于 2026-02-19 deprecated，并于 2026-04-19 retired；新项目应直接使用 Haiku 4.5。）
Claude Opus 4.5 (2025.11): 被称为“世界上最好的编码、Agent 和 Computer Use 模型”。引入 Infinite Chats 功能（Early Access），通过自动摘要旧上下文大幅缓解窗口限制。同时 Opus 系列价格大幅下调。

百万上下文时代：Claude 4.6

Claude Opus 4.6 / Sonnet 4.6 (2026.02): 均支持 1M Token 上下文窗口。Opus 4.6 在 Agentic 编码和复杂多学科推理中刷新 SOTA。Sonnet 4.6 在保持 $3/$ 15 定价的同时实现全面升级。

工程能力再突破：Claude Opus 4.7

Claude Opus 4.7 (2026.04): 在高难度软件工程、视觉分辨率和复杂多步任务一致性上相比 4.6 有显著提升。SWE-bench Verified 达 87.6%（4.6 为 80.8%），Terminal-Bench 2.0 达 69.4%（4.6 为 65.4%），GPQA Diamond 达 94.2%（4.6 为 91.3%），Finance Agent 达 64.4%（4.6 为 60.7%）。定价沿用 $5/$ 25，上下文窗口 1M token 无溢价。注意：4.7 使用新 tokenizer，同一文本可能消耗 1.00–1.35 倍 token，迁移时建议监控实际成本。

研究预览：Claude Mythos Preview

Claude Mythos Preview (2026.04): 一款面向防御性网络安全的前沿研究预览模型，在软件漏洞发现能力上接近甚至超越顶尖人类安全研究员。它在所有主流操作系统和浏览器中发现了数千个零日漏洞，包括 OpenBSD 中一个存在 27 年的漏洞。Anthropic 以此为基础启动了 Project Glasswing 防御性安全计划，联合 AWS、Apple、Google、Microsoft、NVIDIA 等 12 家首批合作伙伴。Mythos Preview 仅通过邀请制提供（定价 $25/$ 125 per M tokens），不对外公开发售。

Claude Sonnet 4.5 vs 4.6 对比

Claude Sonnet 4.6 相比 4.5 的关键升级

维度	Sonnet 4.5	Sonnet 4.6	提升
编码能力 (HumanEval)	88.6%	92.3%	+3.7%
长上下文理解	200K tokens	1M tokens	5 倍提升
Computer Use	✓ 支持	✓ 增强	更精准的交互
Agent 规划	✓ 支持	✓ 改进	更好的多步推理
JSON 输出准确率	94%	98%	+4%
价格	$3/$ 15	$3/$ 15	无变化

编码提升 (+3.7% HumanEval): 在算法题、系统设计、代码重构上表现更稳定
长上下文推理: 能更好地利用 1M token 窗口处理整个代码库
Computer Use 增强: 对屏幕上的 UI 元素识别更准确，操作更精细
Agent 决策改进: 在复杂多步骤任务中的自纠正能力更强

何时升级到 4.6

现有 Sonnet 4.5 用户无需立即升级新项目或需要长上下文的应用建议使用 4.6企业应用可逐步迁移，两个版本 API 兼容

1.2.3 性能与成本对比图解

为了更直观地理解三者的区别，可以通过能力对比表来分析。

模型能力倾向对比

能力维度	Opus	Sonnet	Haiku
逻辑推理	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐
代码能力	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐
响应速度	⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐⭐
视觉理解	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐
成本经济性	⭐	⭐⭐⭐	⭐⭐⭐⭐⭐

1.2.4 新兴能力维度：Extended Thinking 与 Adaptive Thinking

除了传统的“智能-速度-成本”三角，Claude 正在引入新的维度：思考时间 (Thinking Budget)。即允许模型在输出结果前，进行一段“静默思考”或“草稿纸推演”。这在处理需要深度逻辑（如复杂数学题、代码重构方案权衡）时，能显著提升准确率，但会消耗更多的推理时间与 Token。

Extended Thinking 与 Adaptive Thinking 的区分：

Claude Opus 4.7: 仅支持 Adaptive Thinking（thinking={type: "adaptive"}），模型根据任务复杂度自动决定思考深度。不支持 Extended Thinking。
Claude Sonnet 4.6: 同时支持 Extended Thinking 和 Adaptive Thinking（推荐使用 Adaptive）。
Claude Opus 4.6: 支持 Extended Thinking（thinking={type: "enabled"}），不支持 Adaptive Thinking。
Claude Haiku 4.5: 支持 Extended Thinking（thinking={type: "enabled"}），但不支持 Adaptive Thinking。

1.2.5 如何选择？

在接下来的“模型选择”章节我们会详细讨论，但这里有一个简单的法则：

“Default to Sonnet, optimize with Haiku, escalate to Opus.” “默认用 Sonnet，用 Haiku 优化成本，遇难事找 Opus。” 开发阶段：直接使用 Sonnet。它的反馈够快，智能足够高，能让开发者专注于业务逻辑而非 Prompt 调优。

上线前优化：

检查 Prompt 历史。如果发现大量任务只是简单的“提取 JSON”或“分类”，尝试切换到 Haiku 并微调 Prompt。这能瞬间节省 90% 的成本。
如果发现某些复杂的长逻辑链推理（Chain of Thought）经常出错，将该特定步骤的模型切换为 Opus。

混合编排：成熟的 Agent 系统往往是混合使用的。例如，用 Haiku 快速判断用户意图，然后根据意图分发给 Sonnet 或 Opus 处理。

1.3 Claude 能做什么：六大核心能力

很多人初次接触 AI 时，往往只把它们当作聊天机器人。这就像是买了一台超级计算机却只用它来玩扫雷。Claude 不仅仅是一个会说话的程序，它是一个 多模态的智能代理系统 (Multimodal Intelligent Agent)。

在 2026 年的视⻆下，Claude 的能力版图可以概括为六大核心支柱。

1.3.1 文本理解与生成

这是 Claude 的基本功，但它不仅限于“写文章”。

长文档分析 (Long-context Understanding)：当前 Claude Opus 4.7、Claude Opus 4.6 和 Claude Sonnet 4.6 支持 1M Token（百万 Token）上下文窗口；其他模型（包括 Sonnet 4.5、Haiku 4.5）通常为 200K。长上下文模型可以处理大代码库、数百份财报、法律文书或技术白皮书，但仍需要配套检索、分块和摘要策略。

示例：上传 10 份竞品的年报，让 Claude 生成一份横向对比的财务分析表格。

细微语境捕捉 (Nuance)： Claude 以“文笔细腻”著称。它能精准捕捉文字背后的情感色彩、讽刺意味或文化隐喻。这使得它在文学创作、公关稿撰写和情感陪伴场景下表现优异。
多语言翻译：它不是简单的词对词翻译，而是基于语义的“本地化”。它能处理日语的敬语、中文的成语以及编程领域的专业术语。

1.3.2 代码生成与工程

对于开发者来说，Claude 4.5/4.6 系列已经是公认的 最强编程模型。

全栈开发：从 React 前端组件到 Python 后端 API，再到 Dockerfile 和 Kubernetes 配置，Claude 能编写可运行的完整代码片段。
遗留代码重构：扔给它一段没有注释、变量名混乱的 10 年前的 Java 代码，它可以分析逻辑、添加注释，并将其重构为现代的 Kotlin 语法。
Artifacts 实时预览：这是 Claude 最具杀伤力的特性。当要求“写一个贪吃蛇游戏”或“画一个销售漏斗图”时，它生成的 HTML/JS 代码会直接在侧边栏渲染成可交互的应用。无需复制粘贴代码到本地运行，所见即所得。
Claude Design（2026-04-17，研究预览）： Anthropic Labs 推出的视觉设计协作工具，基于 Opus 4.7 驱动。用户通过自然语言描述需求，Claude 即可生成海报、原型图、幻灯片等视觉设计稿，并支持对话式迭代修改。成品可导出为 PDF、PPTX、HTML 或分享给团队。

1.3.3 视觉与多模态

Claude 拥有极强的“眼睛”。

图表转数据：上传一张复杂的柱状图或销售仪表盘截图，Claude 可以直接将其转化为 JSON 数据或 Markdown 表格。

UI/UX 设计辅助：给它看一张手绘的网页草图，它可以直接生成对应的 HTML/Tailwind CSS 代码。

视觉问答：拍一张冰箱里食材的照片，问它“今晚能做什么菜？”，或者拍一张报错的电脑屏幕，问它“这是什么错误？”。

1.3.4 工具使用

这是 Claude 走出“聊天框”，连接现实世界的桥梁。通过 Tool Use，Claude 可以：

实时联网：调用 Google Search API 获取今日新闻。

操作业务系统：连接 CRM 查询客户资料，连接 Jira 创建工单。

精准计算：遇到复杂数学题，自动调用 Python 代码进行计算，而不是瞎猜。

1.3.5 计算机操控

这被认为是 Agentic AI (代理式 AI) 的终极形态之一。在 2024 年底，Anthropic 赋予了 Claude 直接控制鼠标和键盘的能力。

工作原理：Claude 像人类一样“看”屏幕截图，计算出“应该点击坐标 (x, y)”，并发送指令给虚拟桌面。

应用场景：

在旧软件上工作：很多企业内部系统没有 API，只有古老的 Windows 界面。Claude 可以像人一样点击菜单、输入数据、导出报表。
跨应用工作流：从 Excel 复制数据 -> 打开浏览器 -> 登录后台 -> 填表提交。这种跨越多个 GUI 软件的流程，以前很难自动化，现在 Claude 可以轻松搞定。

1.3.6 技能系统

Skills 是 Claude 生态的最新拼图。它解决的是“复用性”问题。

如果你教会了 Claude “如何撰写符合公司规范的周报”，由于 Context 会重置，下次还得重教一遍。 Skills 允许你将这套指令（Prompt + 相关资料 + 示例）打包成一个“技能包”。

当在 Claude.ai 或企业版中使用时，系统会根据请求自动挂载相关的 Skill。
这相当于给 Claude 安装了“插件”，让它瞬间变成“资深法务”、“专业会计”或“Python 专家”。

1.3.7 边界：Claude 做不到什么？

诚实是 Claude 的核心价值观之一。了解它的局限同样重要：

它没有长期记忆：除非使用专门的 Memory 功能或外挂数据库，否则它记不住历史对话内容。
它不会主动行动：Claude 本质上是被动的。若不发消息，它永远不会主动发送早安（除非写了一个定时脚本去触发它）。
它是概率模型：在极少数情况下，它仍可能产生幻觉（Hallucination）——输出看似流畅但事实内容错误。幻觉往往出现在模型“不熟悉”的领域（训练数据稀疏的方向）。对于医疗、法律建议，务必进行人工核实。

1.4 如何选择合适的模型

1.4.1 核心决策树

在做决定之前，请先回答以下三个问题：

任务有多难？ (需要复杂推理吗？)用户能等多久？ (是实时对话还是后台批处理？)预算有多少？ (是一次性的 demo 还是百万级日活的产品？)

基于这三个维度，可以画出一棵决策树：

1.4.2 详细选型指南

默认首选：Claude Sonnet 4.6

若不知如何选择，首选它。

理由：它是 2026 年的“版本答案”。在编码能力、逻辑推理和视觉理解上均达到了 SOTA 水平，具有极高的性价比和出色的响应速度。

最佳场景：

代码助手：IDE 插件、代码补全、重构。
复杂的 RAG 系统：阅读这一大段检索到的文档并回答问题。
多步 Agent：规划任务、调用工具。数据分析：处理 Excel 表格、分析图表。

成本杀手：Claude Haiku 4.5

不可小觑。Haiku 是目前市场上性价比最高的模型之一。

理由：它极其便宜，且速度极快。它的智能程度完全足以应付 80% 的“脏活累活”。最佳场景：

内容审核：判断用户输入是否违规。
意图识别 (Router)：作为网关，判断用户是想“查天气”还是“写诗”，然后分发给不同的模型。
海量文档处理：比如你要从 10 万份 PDF 中提取“发票金额”，用 Opus 可能会破产，用 Haiku 则毫无压力。
实时翻译：即时通讯软件中的即时翻译。

艺术与深思：Claude Opus 4.7

作为 Anthropic 最强大的模型，Opus 在极度复杂的任务上无可替代。

理由：Opus 4.7 在最困难的 Agentic 编码、复杂的数学推导和逻辑推理中表现最好，SWE-bench Verified 达 87.6%，GPQA Diamond 达 94.2%，幻觉率极低。其输出往往详尽且富有洞察力。

最佳场景：

创意写作：小说、剧本、营销软文。
极度复杂的逻辑：如果 Sonnet 在某个数学证明或逻辑推理上反复出错，请尝试 Opus。
可以慢慢等的任务：不需要实时反馈的离线报告生成。

1.4.3 成本经济学

以下算一笔账。假设应用每天有 100 个用户，每个用户进行 10 轮对话，每轮消耗 1,000 Tokens (输入+输出)。日总量 = 100 万 (1M) Tokens。下面先按 80% 输入 / 20% 输出 估算，便于做粗略预算。

极高复杂度的推理/长文写作：选择 Claude Opus 4.7。
Computer Use (计算机视觉操控)：选择 Claude Sonnet 4.6 或 Claude Opus 4.7。
企业级 Agent 路由分发中心：选择 Claude Haiku 4.5。

模型成本与性能对比表

模型	日成本估算 (USD)	性能评价
Claude Haiku 4.5	~$1.8	极快，性价比高
Claude Sonnet 4.6	~$5.4	又快又聪明
Claude Opus 4.7	~$9.0	极度聪明，工程能力最强

注：以上按 Anthropic 当前参考定价的输入/输出分开计费方式折算；如果输出占比更高，成本会继续上升。

结论：哪怕 Sonnet 比 Haiku 贵 3 倍，如果它能将用户留存率提高 5%，这约 $3.6 的差价也是值得的。但如果业务规模扩大到 100 万用户，Haiku 的成本优势就会变成巨大的利润空间。

1.4.4 高级架构：混合路由

成熟的 AI 应用不会只吊死在一棵树上。最佳实践是构建一个 Model Router。

架构图

路由策略示例

难度分级：如果 Prompt包含关键词 “复杂”、“架构”、“分析”，路由到 Sonnet/Opus；如果包含 “总结”、“提取”、“分类”，路由到 Haiku。
降级策略 (Fallback)：优先尝试 Sonnet，如果 API 超时或报错，自动降级到 Haiku 以保证服务可用性。
VIP 策略：免费用户使用 Haiku，付费会员使用 Sonnet/Opus。

1.4.5 迁移指南

随着 Anthropic 快速迭代，每隔几个月就会有新模型 (如 3.5, 4.0)。

不要硬编码模型名称：

# 推荐实践：提取常量
MODEL_CHEAP = "claude-haiku-4-5-20251001" # 便宜型号用于大批量简单任务
MODEL_BALANCED = "claude-sonnet-4-6"  # 最佳性价比的高能力型号
MODEL_SOTA = "claude-opus-4-7"  # 当前最强能力型号

# 调用演示
response = client.messages.create(
    model=MODEL_SOTA,
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "你好，请介绍一下你自己。"}
    ]
)

建立评估集 (Evals)：在切换模型前，务必跑一遍你的核心业务测试用例。新模型虽然通常更强，但可能会改变输出格式（比如 JSON 的空格处理），导致代码崩溃。