前言
Claude是Anthropic开发的大语言模型，以其长文本处理能力和工具调用功能著称。本文深入探索Claude API的高级用法，包括System Prompt优化、工具调用、多轮对话管理，以及如何用Claude构建企业级自动化工作流。
一、Claude API基础
1.1 安装和配置
pip install anthropic
import anthropic
client = anthropic.Anthropic(
api_key="your-api-key"
)
# 基础对话
message = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=1024,
system="你是一个专业的助手。",
messages=[
{"role": "user", "content": "你好，请介绍一下你自己。"}
]
)
print(message.content[0].text)1.2 流式输出
with client.messages.stream(
model="claude-sonnet-4-20250514",
max_tokens=1024,
system="你是一个专业的助手。",
messages=[{"role": "user", "content": "写一首关于编程的诗"}]
) as stream:
for text in stream.text_stream:
print(text, end="", flush=True)二、System Prompt优化
2.1 角色设定
SYSTEM_PROMPT = """
你是一个企业级AI助手，具备以下能力：
## 核心能力
1. 文档分析和总结
2. 代码审查和优化建议
3. 数据分析和可视化建议
4. 项目管理和任务分解
## 工作规范
- 使用中文回答
- 回答要结构化，使用标题和列表
- 代码示例要完整可运行
- 不确定的信息要标注
- 涉及敏感操作要提醒用户确认
## 工具使用
当你需要执行具体操作时，使用提供的工具：
- search_knowledge_base: 搜索知识库
- create_task: 创建任务
- send_notification: 发送通知
## 输出格式
- 正式回答使用Markdown格式
- 代码块使用```language标注
- 关键信息使用**加粗**
"""2.2 Few-shot示例
messages = [
{"role": "user", "content": "帮我分析这个代码的问题：\ndef add(a, b):\n return a - b"},
{"role": "assistant", "content": "## 代码分析\n\n**问题发现：**\n函数名是`add`（加法），但实际执行的是减法操作（`a - b`）。\n\n**修复建议：**\n```python\ndef add(a, b):\n return a + b\n```\n\n**修改说明：**\n将减号`-`改为加号`+`，使函数名和功能一致。"},
{"role": "user", "content": "帮我分析这个代码的问题：\ndef multiply(x, y):\n return x + y"},
{"role": "assistant", "content": "## 代码分析\n\n**问题发现：**\n函数名是`multiply`（乘法），但实际执行的是加法操作（`x + y`）。\n\n**修复建议：**\n```python\ndef multiply(x, y):\n return x * y\n```\n\n**修改说明：**\n将加号`+`改为乘号`*`，使函数名和功能一致。"}
]三、工具调用（Tool Use）
3.1 定义工具
import json
tools = [
{
"name": "search_knowledge_base",
"description": "搜索企业知识库，查找相关文档和信息",
"input_schema": {
"type": "object",
"properties": {
"query": {
"type": "string",
"description": "搜索关键词"
},
"max_results": {
"type": "integer",
"description": "最大返回结果数",
"default": 5
}
},
"required": ["query"]
}
},
{
"name": "create_task",
"description": "在项目管理工具中创建新任务",
"input_schema": {
"type": "object",
"properties": {
"title": {
"type": "string",
"description": "任务标题"
},
"description": {
"type": "string",
"description": "任务描述"
},
"priority": {
"type": "string",
"enum": ["low", "medium", "high"],
"description": "优先级"
},
"assignee": {
"type": "string",
"description": "负责人"
}
},
"required": ["title"]
}
},
{
"name": "send_notification",
"description": "发送通知给指定用户或团队",
"input_schema": {
"type": "object",
"properties": {
"recipient": {
"type": "string",
"description": "接收者"
},
"message": {
"type": "string",
"description": "通知内容"
},
"channel": {
"type": "string",
"enum": ["email", "slack", "dingtalk"],
"description": "通知渠道"
}
},
"required": ["recipient", "message"]
}
}
]3.2 执行工具调用
def execute_tool(tool_name: str, tool_input: dict) -> str:
"""执行工具调用"""
if tool_name == "search_knowledge_base":
# 实现知识库搜索逻辑
results = search_kb(tool_input["query"], tool_input.get("max_results", 5))
return json.dumps(results, ensure_ascii=False)
elif tool_name == "create_task":
# 实现创建任务逻辑
task = create_task_in_jira(tool_input)
return json.dumps({"task_id": task["id"], "status": "created"})
elif tool_name == "send_notification":
# 实现发送通知逻辑
send_msg(tool_input["recipient"], tool_input["message"], tool_input["channel"])
return json.dumps({"status": "sent"})
return json.dumps({"error": "Unknown tool"})
def chat_with_tools(user_message: str, conversation_history: list) -> str:
"""带工具调用的对话"""
conversation_history.append({"role": "user", "content": user_message})
response = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=4096,
system=SYSTEM_PROMPT,
tools=tools,
messages=conversation_history
)
# 处理工具调用
if response.stop_reason == "tool_use":
tool_results = []
for block in response.content:
if block.type == "tool_use":
result = execute_tool(block.name, block.input)
tool_results.append({
"type": "tool_result",
"tool_use_id": block.id,
"content": result
})
conversation_history.append({"role": "assistant", "content": response.content})
conversation_history.append({"role": "user", "content": tool_results})
# 获取最终回复
final_response = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=4096,
system=SYSTEM_PROMPT,
tools=tools,
messages=conversation_history
)
return final_response.content[0].text
return response.content[0].text四、长文本处理
4.1 文档摘要
def summarize_document(document: str, max_length: int = 500) -> str:
"""使用Claude生成文档摘要"""
response = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=1024,
system="你是一个专业的文档分析助手，擅长生成简洁准确的摘要。",
messages=[{
"role": "user",
"content": f"请为以下文档生成一个{max_length}字以内的摘要：\n\n{document}"
}]
)
return response.content[0].text
def extract_key_info(document: str, questions: list) -> dict:
"""从文档中提取关键信息"""
questions_text = "\n".join([f"- {q}" for q in questions])
response = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=2048,
system="你是一个信息提取专家，从文档中准确提取指定信息。",
messages=[{
"role": "user",
"content": f"从以下文档中提取关键信息：\n\n文档：{document}\n\n需要提取的信息：\n{questions_text}\n\n请以JSON格式返回结果。"
}]
)
return json.loads(response.content[0].text)五、企业级工作流
5.1 自动化审批流程
class ApprovalWorkflow:
"""基于Claude的自动化审批工作流"""
def __init__(self):
self.client = anthropic.Anthropic()
def analyze_request(self, request: dict) -> dict:
"""分析审批请求，给出建议"""
response = self.client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=1024,
system="""你是一个审批分析助手。根据请求内容，分析风险并给出审批建议。
输出格式：
{
"risk_level": "low|medium|high",
"suggestion": "approve|reject|need_more_info",
"reason": "分析原因",
"suggested_actions": ["建议操作1", "建议操作2"]
}""",
messages=[{
"role": "user",
"content": f"分析以下审批请求：\n{json.dumps(request, ensure_ascii=False)}"
}]
)
return json.loads(response.content[0].text)
def generate_approval_email(self, request: dict, decision: str) -> str:
"""生成审批结果邮件"""
response = self.client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=1024,
system="你是一个邮件撰写助手，生成专业、清晰的审批结果通知邮件。",
messages=[{
"role": "user",
"content": f"为以下审批结果生成邮件：\n请求：{json.dumps(request, ensure_ascii=False)}\n结果：{decision}"
}]
)
return response.content[0].text5.2 智能客服工作流
class SmartCustomerService:
"""基于Claude的智能客服"""
def __init__(self):
self.client = anthropic.Anthropic()
self.conversations = {}
def handle_message(self, session_id: str, user_message: str) -> str:
"""处理用户消息"""
if session_id not in self.conversations:
self.conversations[session_id] = []
history = self.conversations[session_id]
history.append({"role": "user", "content": user_message})
response = self.client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=1024,
system=SYSTEM_PROMPT,
tools=tools,
messages=history
)
# 处理响应和工具调用
assistant_message = response.content[0].text if response.stop_reason != "tool_use" else self._handle_tools(response, history)
history.append({"role": "assistant", "content": assistant_message})
# 保持对话历史在合理范围
if len(history) > 20:
history[:] = history[-20:]
return assistant_message六、性能优化
优化建议：
- Prompt缓存：Claude支持Prompt缓存，重复使用相同的System Prompt可以降低成本和延迟
- 批量处理：使用Batch API处理大量请求，成本降低50%
- 流式输出：使用流式输出提升用户体验
- 错误重试：实现指数退避重试机制
- 成本控制：监控API使用量，设置预算告警
总结
Claude API提供了强大的AI能力，通过工具调用、长文本处理、自动化工作流等功能，可以构建企业级的AI应用。掌握这些高级用法，可以让AI真正赋能业务。如果需要Claude API集成服务，欢迎联系17老师。
关于17老师：AI应用·数字化管理·全栈开发·网络安全全栈专家。联系邮箱：j.d88888888@qq.com，微信：AFIST17