Claude 是什么

Claude 是什么：Anthropic 的模型家族简介

2026-07-26

写在前面：本文是我在写作时对 Claude 的个人理解，属于科普性质的笔记，不是官方文档，也不是评测。大模型领域变化极快，文中凡是涉及具体版本、价格、额度的地方我都刻意没有写死数字，请以 Anthropic 官方文档为准。

Claude 是美国公司 Anthropic 开发的大语言模型家族。Anthropic 由前 OpenAI 成员创立，公司一直把“安全、可控、可解释”放在很突出的位置，提出过“Constitutional AI（宪法式 AI）”的训练思路，用一套明确的原则来约束和引导模型行为，而不是完全依赖人工逐条标注“好回答”和“坏回答”。

对普通用户来说，Claude 就是一个可以对话、写作、读文档、写代码的助手；对开发者来说，它是一组可以通过 API 调用的模型。两者背后是同一个模型家族，只是入口不同。

模型分级

Claude 通常按能力和成本分成几个档位：

Opus：最强档，适合复杂推理、长链路任务，比如大型代码库的跨文件重构、需要多步规划的分析工作。
Sonnet：均衡档，能力和速度、价格比较平衡，是日常开发的常用选择。
Haiku：轻量档，响应快、成本低，适合分类、抽取、高并发场景。

具体版本号和价格更新很快，请以 Anthropic 官方文档为准。我自己的习惯是：先用中间档把流程跑通，再看效果不够的环节是否需要升级到最强档，同时看哪些简单环节可以降到轻量档。这样既不会一开始就把预算烧在不必要的地方，也能用数据说明“贵的模型到底值不值”。

常见特点

长上下文：能一次处理很长的文档或代码库。
代码能力强：在编程、代码审查、重构等任务上口碑较好。
工具调用：支持 Function / Tool Use，可以接入外部系统，也支持 MCP（Model Context Protocol）这类工具接入协议。
写作风格偏克制、啰嗦较少，对指令的遵循度较高。

需要强调的是，“口碑较好”是社区和我个人使用中的整体印象，并不代表在所有任务上都最强。不同模型在不同类型的任务上各有胜负，这一点在后面的对比文章里我会再展开。

怎么用

Claude.ai 网页和手机 App：直接对话。
Claude Code：命令行里的编程助手，可以读写项目文件、执行命令。
API：通过 Anthropic API 或各大云厂商（如 AWS Bedrock、Google Vertex AI）调用。

三种方式面向的人群不太一样。网页和 App 适合日常问答、整理资料、润色文字；Claude Code 适合已经有项目的开发者；API 则适合要把模型嵌进自己产品的团队。通过云厂商调用的好处是计费、权限、网络可以并入已有的云账号体系，企业内部合规流程也更容易走通。

提示：该服务在中国大陆不直接提供，请遵守所在地区的相关法律法规与服务条款。

长上下文怎么用才不浪费

长上下文是 Claude 常被提到的特点，但“能塞很多”不等于“应该全塞进去”。我踩过的坑主要有三个：

把整个仓库一股脑贴进去，结果模型的注意力被大量无关文件稀释，回答反而不精准。
上下文越长，每次调用的成本和延迟越高，多轮对话里还会反复计费。
对话拉得太长以后，早期的约定容易被淡忘，需要重新强调关键约束。

比较稳妥的做法是：只提供与任务相关的文件和片段；把稳定不变的背景（项目说明、编码规范）放在固定位置；对话变长以后，主动让模型总结一次当前进展，再开一个新会话继续。很多平台支持提示缓存之类的机制，能降低重复前缀的成本，具体规则请看官方文档。

写好提示词的几个经验

和任何大模型一样，Claude 的输出质量很大程度取决于你怎么提需求。我总结的几条朴素经验：

说清楚目标和受众，而不是只给一个动作词。“帮我优化这段代码”不如“这段代码在数据量大时很慢，请在不改变接口的前提下降低时间复杂度，并说明改动理由”。
给出约束和格式要求，比如“只输出 diff”“用表格列出”“不要引入新依赖”。
提供一两个示例，比任何长篇描述都有效，尤其是做分类、抽取、改写时。
复杂任务拆成步骤，让模型先给方案、你确认后再动手，能避免方向性错误。
用标签或分隔符把“指令”和“待处理材料”分开，避免模型把材料里的话当成指令。

调用 API 的简单示意

下面是一个概念性的示意，用来说明请求通常由哪几部分构成。字段名、模型名称和参数请以官方文档为准，这里的模型名只是占位。

POST /v1/messages
{
  "model": "（模型名，见官方文档）",
  "max_tokens": 1024,
  "system": "你是一名严谨的代码审查员。",
  "messages": [
    {"role": "user", "content": "请检查下面这段函数的边界条件……"}
  ]
}

其中 system 用来放长期有效的角色和规则，messages 放对话历史，max_tokens 限制单次输出的上限。如果要用工具调用，还需要额外声明工具的名称、描述和参数结构，模型会在需要时返回“我想调用某个工具”的结构化请求，由你的程序真正执行后再把结果回传。

工具调用与 MCP

工具调用的本质是让模型不再只“说话”，而是能“动手”：查询数据库、调用内部接口、读取文件。MCP 则是一种统一的接入约定，目的是让工具提供方写一次，就能被多个支持该协议的客户端使用，而不是为每个应用重复适配。

在实际使用中，有几点需要特别注意：

给工具的权限要最小化。只读能满足的需求，就不要开放写权限。
对删除、转账、发送消息之类不可逆操作，保留人工确认环节。
工具返回的内容也可能包含恶意文本（例如网页里藏着“忽略之前的指令”），要把它当作数据而不是命令来处理。
记录每次工具调用的日志，出问题时方便回溯。

适合与不适合的场景

在我自己的使用经验里，Claude 比较适合：阅读并总结长文档、解释陌生代码、写单元测试、做代码审查、起草结构化文章、按明确规范改写文本。不太适合或需要额外谨慎的场景包括：

需要最新信息但没有联网检索能力的问题，模型的知识有时间截止，不能当作实时数据源。
精确的数值计算和严格的逻辑证明，最好借助代码执行或专业工具复核。
涉及医疗、法律、金融决策的内容，只能作为参考，不能替代专业人士。

常见坑

幻觉：模型可能一本正经地编造函数名、文献或接口参数。凡是能验证的，都去查文档或跑一遍。
过度自信的重构：让模型一次改很多文件，容易引入隐蔽错误。小步提交、配合测试更稳。
把密钥发给模型：不要把 API Key、数据库密码、个人隐私信息粘贴进对话或提示词，也不要写进会被送给模型的代码里。
忽视速率限制与重试：生产环境要处理限流、超时和临时错误，做指数退避重试。
只看单次效果：一次回答不错不代表稳定，上线前用一批真实样本做回归测试。

关于安全与合规

Anthropic 对安全的强调，体现在模型有时会比较保守地拒绝某些请求，或者在敏感话题上给出带提醒的回答。这对一些场景是优点，对另一些场景可能显得束手束脚。遇到误拒绝时，通常补充清晰、正当的业务背景会有帮助，但也不要试图绕过安全机制。

另外再提醒一次：Claude 的官方服务在中国大陆不直接提供。如果你身处大陆，使用任何境外服务前请先确认自己所在地区的法律法规和服务条款允许，企业使用还要考虑数据出境与合规要求。如果需要境内可用的方案，可以看我写的国内大模型一览。

延伸阅读

如果你想把 Claude 和其他模型放在一起比较，可以读OpenAI 的模型与产品和Claude、OpenAI 与国内大模型怎么选。

一个日常工作流的例子

举个我常用的流程：接手一个陌生的小项目时，先让模型阅读目录结构和核心文件，用自己的话讲一遍整体架构；我对照代码核实一遍，纠正它理解错的地方；然后再提具体需求，比如“给这个模块补充单元测试”。先对齐理解再动手，比直接让它改代码靠谱得多。改完以后我会自己运行测试、看 diff，而不是完全信任输出。这个习惯对任何模型都适用，并不只限于 Claude。

另一个小技巧是让模型在回答前先列出它的假设和不确定的地方。这样你能很快发现它是否误解了需求，也能更有针对性地补充信息。

学习资源建议

想系统了解 Claude，最可靠的来源是 Anthropic 的官方文档和公开的技术说明。社区里的教程可以作为补充，但要留意发布时间，过时的参数和名称很常见。动手时建议从最小的例子开始：先用网页版熟悉对话方式，再用 API 写一个十几行的脚本，最后再尝试工具调用和命令行助手。

小结

Claude 是 Anthropic 推出的模型家族，分为强、中、轻几个档位，长上下文、代码能力和工具调用是常被提到的优点。用好它的关键不在于背参数，而在于：按任务选择合适档位、控制上下文、写清楚需求、给工具最小权限，并对输出保持验证的习惯。再次提醒，以上只是我写作时的个人理解，版本、价格和功能请以官方文档为准。