1.4 如何选择合适的模型
在实际的工程落地中，“用哪个模型” 往往是开发者面临的第一个难题。 选大了，钱包受不了；选小了，用户体验受不了。
本章将提供一套系统的决策框架，帮助在 智能 (Intelligence)、延迟 (Latency) 和 成本 (Cost) 这个“不可能三角”中找到最优解。
1.4.1 核心决策树
在做决定之前，请先回答以下三个问题：
任务有多难？ (需要复杂推理吗？)
用户能等多久？ (是实时对话还是后台批处理？)
预算有多少？ (是一次性的 demo 还是千万级日活的产品？)
基于这三个维度，可以画出一棵决策树：
1.4.2 详细选型指南
默认首选：Claude 4.5 Sonnet
若不知如何选择，首选它。
理由：它是目前的“版本答案”。在编码能力、逻辑推理和视觉理解上，它甚至超越了上一代旗舰 Opus，但价格便宜得多，速度也快得多。
最佳场景：
代码助手：IDE 插件、代码补全、重构。
复杂的 RAG 系统：阅读这一大段检索到的文档并回答问题。
多步 Agent：规划任务、调用工具。
数据分析：处理 Excel 表格、分析图表。
成本杀手：Claude 3 Haiku
不可小觑。Haiku 是目前市场上性价比最高的模型之一。
理由：它极其便宜，且速度极快。它的智能程度完全足以应付 80% 的“脏活累活”。
最佳场景：
内容审核：判断用户输入是否违规。
意图识别 (Router)：作为网关，判断用户是想“查天气”还是“写诗”，然后分发给不同的模型。
海量文档处理：比如你要从 10 万份 PDF 中提取“发票金额”，用 Opus 可能会破产，用 Haiku 则毫无压力。
实时翻译：即时通讯软件中的即时翻译。
艺术与深思：Claude 3 Opus
虽然 3.5 Sonnet 在很多理科任务上超越了它，但在某些“文科”领域，Opus 依然是王者。
理由：Opus 的输出往往更详尽、更富有哲理、修辞更优美。它的“幻觉”率也是最低的。
最佳场景：
创意写作：小说、剧本、营销软文。
极度复杂的逻辑：如果 Sonnet 在某个数学证明或逻辑推理上反复出错，请尝试 Opus。
可以慢慢等的任务：不需要实时反馈的离线报告生成。
1.4.3 成本经济学 (Token Economics)
以下算一笔账。假设应用每天有 1,000 个用户，每个用户进行 10 轮对话，每轮消耗 1,000 Tokens (输入+输出)。 日总量 = 1kw Tokens。
Haiku
~$0.5
极快，不够聪明
Opus
~$30.0
极慢，极聪明
Sonnet
~$5.0
又快又聪明
注：以上仅为粗略估算，未考虑 Input/Output 价格差异。
结论：哪怕 Sonnet 比 Haiku 贵 10 倍，如果它能将用户留存率提高 5%，这 $4.5 的差价也是值得的。但如果业务规模扩大到 100 万用户，Haiku 的成本优势就变成了巨大的利润空间。
1.4.4 高级架构：混合路由 (LLM Routing)
成熟的 AI 应用不会只吊死在一棵树上。最佳实践是构建一个 Model Router。
架构图
路由策略示例
难度分级：如果 Prompt包含关键词 "复杂"、"架构"、"分析"，路由到 Sonnet/Opus；如果包含 "总结"、"提取"、"分类"，路由到 Haiku。
降级策略 (Fallback)：优先尝试 Sonnet，如果 API 超时或报错，自动降级到 Haiku 以保证服务可用性。
VIP 策略：免费用户使用 Haiku，付费会员使用 Sonnet/Opus。
1.4.5 迁移指南
随着 Anthropic 快速迭代，每隔几个月就会有新模型 (如 3.5, 4.0)。
不要硬编码模型名称：在代码中定义常量
CURRENT_MODEL = "claude-4-5-sonnet-20250929"，方便一键升级。建立评估集 (Evals)：在切换模型前，务必跑一遍你的核心业务测试用例。新模型虽然通常更强，但可能会改变输出格式（比如 JSON 的空格处理），导致代码崩溃。
恭喜！已完成了第一章的学习，对 Claude 的身世、能力和选型有了全方位的认知。 现在，进入实战的核心——如何跟这位高智商的 AI 说话？
➡️ 第二章：提示工程核心技术
最后更新于