Building with the Claude API
About this course
这个课程主要集中在如何使用Anthropic API将Claude AI集成到应用程序中。课程内容涵盖基础API操作、高级提示技术、工具集成以及构建AI驱动系统的架构模式。通过实践练习和实际案例，参与者将学习如何实现对话式AI、检索增强生成、自动化工作流，并利用Claude的多模态功能处理文本、图像和文档。
Accessing Claude with the API
Accessing the API
在使用Claude构建应用程序时，我们有必要理解完整的request lifecycle，从而帮助我们更好地做出架构决策与高效地调试问题。我们将会逐步了解从聊天界面点击“发送”到Claude响应消息的屏幕上的完整的过程。
The Five-Step Request Flow
与Claude的每次交互都遵循一个固定的模式，可以分为五个不同的阶段：
请求服务器 -> 请求Anthropic API -> 模型处理 -> 回应到服务器 -> 回应到客户端
Why You Need a Server
为什么不能直接请求到Anthropic API，而是需要经由服务器呢？原因如下：
- API请求需要一个API key作为验证手段
- 将API key暴露在客户端代码中存在严重的安全隐患
- 拿到API key的任何人都可以直接发送未经你授权的请求
所以，通过客户端将请求发送到自己的服务器，该服务器然后使用安全存储的密钥与Anthropic API进行通信是更合理的方案。
Making API Requests
当你的服务器与Anthropic API交互时，有两种选项，一是官方的SDK，或者直接发送普通的HTTP请求。Anthropic为以下语言提供了SDK：Python，Typescript，JavaScript，Go，Ruby。
每次请求需要包含以下这些核心信息：
- API Key - Anthropic需要通过API来识别你的请求
- Model - 所使用的模型的名称，比如说claude-3-sonnet
- Messages - 一个包含用户输入文本的列表
- Max Tokens - Claude所生成的token的数量限制
Inside Claude’s Processing
一旦Anthropic接收到了你的请求，Claude对于请求的处理会经历四个主要阶段：
tokenization、embedding、contextualization、generation
Tokenization
Claude首先会将你的输入打碎为更小的组成部分，我们将其成为token（词元）。Token可以是整个单子，单词的一部分，空格，或标点。为了简化，我们可以将每个单词作为一个token。
Embedding
每个token会被转换为一个embedding（嵌入） —— 一长串数字，用来表示这个token所对应的单词的所有可能的含义。我们可以将embedding理解为一个数值化的定义，它能够捕捉词语之间的语义关系。
单词通常具有多种含义。如上图所示。
Contextualization
Claude 会根据周围的词语对每个嵌入（embedding）进行调整，以确定在当前语境中最可能的含义。这个过程会对数值表示进行修正，从而突出最合适的词义。
Generation
这些上下文化的嵌入（contextualized embeddings）会通过一个输出层（output layer），该层会为每一个可能的下一个词计算概率。Claude 并不总是选择概率最高的词——它会结合概率与受控的随机性，从而生成自然且多样化的回答。
在选择出每一个词之后，Claude 会将其加入到序列中，然后为下一个词重复整个过程。
When Claude Stops Generating
在生成每个 token 之后，Claude 会检查若干条件，以决定是否继续生成：
- Max tokens reached - 是否达到了我们所指定的token数量限制
- Natural ending - 是否生成了一个 序列结束标记（end-of-sequence token）？
- Stop sequence - 是否遇到了预先定义的停止短语（stop sequence）？
The API Response
当模型生成的部分结束后，API会将结构化的响应，包含如下信息：
- Message - 生成的文本
- Usage - 输入与输出的token数量
- Stop Reason - 生成过程结束的原因
你的服务器会接收这个响应，并将生成的文本转发回你的客户端应用程序，随后它会显示在用户界面中
Key Takeaways
理解这一流程可以帮助你：
- 设计安全的架构，以保护你的 API 密钥
- 为你的使用场景设置合适的 token 限制
- 在应用逻辑中处理不同的停止原因（stop reasons）
- 通过理解问题可能出现在流程管道中的位置来调试问题
不必担心需要记住每一个细节——目标是让你熟悉相关术语以及在使用 Claude API 时会遇到的整体流程。
Getting an API key
这部分是官方给出教程，国内可能需要用中转站了。
Making a request
一旦你理解了基本设置和结构，向Anthropic API发起第一个请求就很简单了。本小节将带你了解使用Python让Claude响应你的提示的必要步骤。
Setting Up Your Environment
在创建任何的API调用前，我们首先需要安装必要的包：
%pip install anthropic python-dotenv
然后创建一个.env文件，并将API Key存储起来：
1
ANTHROPIC_API_KEY="your-api-key-here"
接下来就可以载入环境变量，并创建一个API client：
1
2
3
4
5
6
7
8
9
10
11
12
from dotenv import load_dotenv
load_dotenv()
from anthropic import Anthropic
api_key = os.getenv("ANTHROPIC_API_KEY")
if not api_key:
print("Missing ANTHROPIC_API_KEY environment variable. Set it in .env or system env.")
sys.exit(1)
client = Anthropic(api_key=api_key, base_url="https://api.gemai.cc")
model = "claude-haiku-4-5-20251001"
The Creat Function
发送API请求的核心是client.messages.create()函数，这个函数需要三个关键参数：
- model - 你想要使用的Claude模型的名称
- max_tokens - 响应长度的安全限制（并非响应的目标长度）
- messages - 需要发送给Claude的对话历史
max_tokens实际上是一个安全机制。如果你将其设置为1000，那么Claude将会在达到1000tokens后停止生成，即使Claude还没生成完整的响应。无论max_tokens的数值是多少，Claude都只会按照它所认为合适的方式响应。
Understading Messages
messages参数表示的是你跟Claude之间的对话，类似AI聊天应用，下图是一个messages的例子：
每个messages是一个dictionary，包含role（要么是user要么是assistant）和content（实际的文本）。
Making Your First Request
下面是一个完整的向Claude发送请求的例子：
1
2
3
4
5
6
7
8
9
10
message = client.messages.create(
model=model,
max_tokens=1000,
messages=[
{
"role": "user",
"content": "What is quantum computing? Answer in one sentence"
}
]
)
当运行这段代码时，Claude会处理你的请求，并返回一个response对象，包含生成的文本，以及请求相关的元数据。
Extracting the Response
返回的response对象包含了很多信息，而我们通常只需要生成的文本。我们可以通过这样的方式访问：
1
message.content[0].text
Full Code
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
from dotenv import load_dotenv
import os
import sys
load_dotenv()
from anthropic import Anthropic
api_key = os.getenv("ANTHROPIC_API_KEY")
if not api_key:
print("Missing ANTHROPIC_API_KEY environment variable. Set it in .env or system env.")
sys.exit(1)
client = Anthropic(api_key=api_key, base_url="https://api.gemai.cc")
model = "claude-haiku-4-5-20251001"
try:
message = client.messages.create(
model=model,
max_tokens=1000,
messages=[
{
"role": "user",
"content": "What is quantum computing? Answer in one sentence"
}
]
)
print("Response:", message.content[0].text)
except Exception as e:
print("Request failed:", e)