共计 2941 个字符，预计需要花费 8 分钟才能阅读完成。

ChatGPT 与 Claude 新手入门指南

作为当前最受欢迎的两大 AI 对话模型，ChatGPT（OpenAI）和 Claude（Anthropic）各有特点。本文将带您从零开始了解这两个模型，并通过实际代码示例展示如何快速上手。

1. 模型概览与适用场景

ChatGPT 和 Claude 都是基于 Transformer 架构的大型语言模型，但在设计理念和应用场景上存在一些差异：

• ChatGPT：
• 由 OpenAI 开发，以对话流畅性和创造性见长
• 适合内容生成、创意写作、代码辅助等场景

• 提供多个版本（如 gpt-3.5-turbo、gpt-4）

• Claude：

• 由 Anthropic 开发，强调安全性和可控性
• 适合需要精确控制输出的场景，如客服、合规内容生成
• 提供 Claude Instant 和 Claude 2 等版本

2. API 设计对比

请求格式差异

• ChatGPT API：

  {
    "model": "gpt-3.5-turbo",
    "messages": [{"role": "user", "content": "Hello!"}]
  }

• Claude API：

  {
    "model": "claude-2",
    "prompt": "\n\nHuman: Hello!\n\nAssistant:",
    "max_tokens_to_sample": 300
  }

响应结构

• ChatGPT 返回完整的对话历史
• Claude 返回单次补全结果

速率限制

• ChatGPT：免费用户 3 次 / 分钟，付费用户更高
• Claude：通常 5 -15 次 / 分钟，具体取决于账户类型

3. Python 实战代码

基础 API 调用（requests 方式）

import requests
import json

# ChatGPT 调用
def chatgpt_query(api_key, message):
    headers = {"Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }
    data = {
        "model": "gpt-3.5-turbo",
        "messages": [{"role": "user", "content": message}]
    }
    response = requests.post(
        "https://api.openai.com/v1/chat/completions",
        headers=headers,
        json=data
    )
    return response.json()["choices"][0]["message"]["content"]

# Claude 调用
def claude_query(api_key, prompt):
    headers = {
        "x-api-key": api_key,
        "Content-Type": "application/json"
    }
    data = {
        "model": "claude-2",
        "prompt": f"\n\nHuman: {prompt}\n\nAssistant:",
        "max_tokens_to_sample": 300
    }
    response = requests.post(
        "https://api.anthropic.com/v1/complete",
        headers=headers,
        json=data
    )
    return response.json()["completion"]

使用官方 SDK（更推荐）

# OpenAI SDK
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

def chatgpt_sdk(message):
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": message}]
    )
    return response.choices[0].message.content

# Claude SDK（需安装 anthropic）import anthropic

client = anthropic.Anthropic(api_key="your-api-key")

def claude_sdk(prompt):
    response = client.completions.create(
        model="claude-2",
        prompt=f"\n\nHuman: {prompt}\n\nAssistant:",
        max_tokens_to_sample=300
    )
    return response.completion

流式响应实现

# ChatGPT 流式响应
def chatgpt_stream(message):
    stream = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": message}],
        stream=True
    )
    for chunk in stream:
        content = chunk.choices[0].delta.content
        if content:
            print(content, end="", flush=True)

# Claude 流式响应
def claude_stream(prompt):
    with client.completions.stream(
        model="claude-2",
        prompt=f"\n\nHuman: {prompt}\n\nAssistant:",
        max_tokens_to_sample=300
    ) as stream:
        for text in stream:
            print(text.completion, end="", flush=True)

4. 生产环境避坑指南

1. 超时处理：
2. 问题：API 调用可能因网络问题超时

3. 解决：设置合理的超时参数并实现重试机制

4. Token 计算：

5. 问题：超出模型 token 限制会导致请求失败

6. 解决：使用 tiktoken(OpenAI) 或anthropic.count_tokens预计算

7. 速率限制：

8. 问题：频繁请求会触发速率限制

9. 解决：实现请求队列和速率控制

10. 成本控制：

11. 问题：意外的大量请求可能导致高额费用

12. 解决：设置使用量告警，监控 token 消耗

13. 内容过滤：

14. 问题：可能生成不合适内容
15. 解决：实现后处理过滤，或使用模型的 content moderation 功能

5. 实践任务：智能路由系统

尝试构建一个能自动选择合适模型的系统，基于以下规则：

1. 当用户请求需要创造性响应时（如写诗、故事），优先使用 ChatGPT
2. 当请求需要精确、安全的响应时（如客服咨询），优先使用 Claude
3. 根据当前 API 的响应时间动态调整路由策略
4. 实现 fallback 机制，当首选模型不可用时自动切换

def smart_router(query):
    # 实现你的路由逻辑
    if needs_creativity(query):
        return chatgpt_sdk(query)
    else:
        return claude_sdk(query)

结语

通过本文，您应该已经掌握了 ChatGPT 和 Claude 的基础使用方法。两个模型各有优势，在实际项目中可以根据需求灵活选择。建议从简单对话功能开始，逐步尝试更复杂的应用场景。