2.6 模型比较与能力

在开始严肃的开发工作之前，了解不同 Claude 模型的相对优势至关重要。Anthropic 持续改进 Claude 的推理能力、上下文窗口和工具使用能力，这意味着每一代模型在处理不同工作负载（无论是代码生成、文档解析还是 API 编排）时表现略有不同。清晰的对比有助于你根据项目的性能、成本和精度要求，决定最合适的模型。

概念阐述

每个 Claude 模型都基于其前代构建，在上下文处理、多语言理解和指令遵循方面都有所提升。例如，较新的 Claude 3.5 和 3.5 Sonnet 模型相较于 Claude 2 和 3，在推理和上下文管理方面实现了显著飞跃。开发者在选择部署模型时，通常要在速度、质量和 token 效率之间取得平衡。

举例来说，像 Claude Haiku 这样的小型变体适合快速、低成本的响应场景，例如简单的代码建议或重复性文本处理。而像 Claude Opus 这样的大型模型则擅长理解和生成结构化代码库、跨多个文件进行推理，以及在长 prompt 中保持上下文。

下表总结了截至 2025 年中期主要 Claude Code 模型的关键特征和与开发者相关的能力。

说明表：模型比较与能力

动手实践示例

让我们通过一个选择合适模型的实际例子来说明。假设你正在构建一个持续集成助手，用于审查拉取请求并生成内联代码建议。像 Claude 3.5 Sonnet 这样的轻量级模型能够高效处理文件差异，同时保持推理质量，在频繁提交时为你提供快速的反馈循环。

通过 API 向 Claude 3.5 Sonnet 发送的示例 prompt

prompt = """

你将作为 CI 助手。

审查以下差异（diff）中的潜在逻辑错误和改进建议。

以 JSON 格式返回响应，包含 'issue' 和 'suggested_fix' 字段。

"""

Claude 的结构化响应可以直接被解析到你的 CI 流水线中：

{
"issue": "百分比除法应为 100 而非 10。",
"suggested_fix": "return price - (price * percentage / 100)"
}

通过将此逻辑嵌入到你的 CI/CD 工作流中，Claude 便能有效地充当一个跨团队可扩展的实时审查者，及早发现细微的逻辑问题。

为你的项目选择正确的 Claude 模型本质上是在速度、推理深度和成本之间权衡。对于小型自动化任务，Haiku 的速度无可匹敌；对于复杂的架构分析，Opus 和 3.5 Sonnet 则以精度和记忆保持能力脱颖而出。开发者可以智能地混合使用模型：用轻量级模型进行批量生成，用高端模型处理关键审查或调试任务。

在下一章中，我们将探讨这些模型行为如何直接影响 prompt 工程，以及如何在不超过上下文限制的前提下，设计能够充分发挥 Claude 推理能力的指令。

第 3 章 – 开发者的 Prompt 基础

3.1 为代码生成编写有效的 Prompt

Prompting 是你与 Claude Code "对话"的方式——它将你的想法转化为可运行的、生产就绪的代码的语言。与传统编程中每行代码都需要手动输入不同，prompting 依赖的是意图的清晰性，而非语法的记忆。当你进行有效的 prompting 时，Claude 不仅仅是补全你的语句——它会进行推理、解读，并生成符合你目标的代码。一个精心设计的 prompt 可以决定你得到的是一段普通的代码片段，还是一个精致、可维护的应用程序。在本节中，你将学习如何编写强大的 prompt，以使用 Claude Code 一致地生成准确、可读且可运行的代码。

概念阐述

Claude Code 基于 Anthropic 的 Constitutional AI（宪法式 AI）设计构建，这意味着它不仅仅预测下一个词——它会深思你所提出的问题，在推理与责任之间取得平衡。要充分利用这一点，你必须学会用结构化、有意图的 prompt 来引导其推理。

一个优秀的 prompt 总是能回答 Claude 在生成代码前默默提出的三个未明说的问题：

1. 你想构建什么？Claude 需要清晰的目标陈述。像"做一个登录系统"这样模糊的表述会产生不一致的结果。相反，应该描述功能、框架和语言的具体要求。
2. 它应该如何运行？这定义了逻辑、输入和约束条件。包括关于预期行为、性能或标准的细节（例如符合 PEP8、异步 I/O、错误处理）可以确保输出质量的一致性。
3. 结果应该采用什么格式？明确说明你是想要一个函数、一个模块、一个类，还是一个完整的 API 端点。这有助于 Claude 将其推理打包成可用的形式。

本质上，为 Claude 编写提示就像为新团队成员撰写一份简短、清晰的项目简报。你的意图越明确，输出效果就越好。

动手实践示例

让我们通过一个真实场景来演示——构建一个带有输入验证和密码哈希的简单 FastAPI 用户注册端点。这个例子展示了提示质量如何直接影响 Claude 的推理和代码准确性。

提示

"Claude，请编写一个 FastAPI 端点 /register，它接受包含 username、email 和 password 的 JSON 负载。验证这些字段，使用 bcrypt 对密码进行哈希处理，并将用户存储在一个内存列表中。包含注释并优雅地处理常见错误。"

Claude 会将此解读为一个完整规范。下面是在提示结构良好时你可以期待的输出类型。

Claude 的响应

from fastapi import FastAPI, HTTPException, Request

from pydantic import BaseModel, EmailStr

from typing import List

import bcrypt

app = FastAPI()