Claude With The Anthropic Api

一、 核心概念

一、 安全与架构原则

安装依赖：** 在 Jupyter Notebook 中安装 Anthropic Python SDK 和 `python.env` 包。

API 不存储历史 (API Does Not Store History):

主题：** 基于 Jupyter Notebook 构建简单循环聊天机器人

核心概念：

系统提示工程 (System Prompt Engineering) 学习笔记

输入 (Input):** 将文本输入模型。

一、 核心问题 (The Problem)

主题：利用停止序列和助手消息预填充生成纯结构化数据

核心概念

一、核心概念定义

一、工作流基础认知

提示词评估工作流 (Prompt Evaluation Workflow) 核心概念

核心概念：

一、 评分器的核心概念 (Core Concept of a Grader)

一、代码评分器目标 (Code Grader Goal)

学习笔记：提升模型评分器（Model Grader）的上下文

一、 提示工程定义与流程

提示工程学习笔记：清晰与直接 (Clarity and Directness)

提示工程学习笔记：提示中的具体化 (Being Specific)

核心概念：** 使用 XML 标签（XML tags）来为提示词（Prompt）提供结构，帮助 AI 更清晰地理解输入内容。

核心概念：** 在提示（Prompt）中提供示例，以指导大型语言模型（LLM）的行为和输出格式。

提示工程关键概念学习笔记

学习笔记：使用工具实现 Claude 的未来提醒功能

一、 工具函数定义

一、核心概念：JSON Schema

工具定义 (Tool Definition):

一、工具执行阶段 (Tool Execution Phase)

核心概念：多工具调用 (Multiple Tool Calling)

目标**：持续调用 Claude，直到其生成最终回复（即不再需要工具）。

工具准备 (Tool Preparation):

流式传输 (Streaming):** API 在初始响应后，持续向用户发送一系列事件，实现内容实时展示。

文本编辑器工具 (Text Editor Tool)：** 这是 Claude 内置的工具，赋予其执行标准文本编辑器所有操作的能力。

一、 核心概念

RAG (Retrieval Augmented Generation)：** 检索增强生成，是一种用于解决大型文档问答问题的技术。

RAG 流程关键点：** 原始文档 → 切块 (Chunking) → 检索相关文本 → 放入提示词 (Prompt) → 生成答案。

一、 核心概念与目标

RAG 流程定义:** 结合文本嵌入 (Text Embedding)、文本分块 (Text Chunking) 和检索增强生成 (Retrieval-Augmented Generation) 的完整工作流程。

主题：** 向量数据库 (VectorDB) 中的 RAG 工作流实现

一、 现有 RAG 管道的局限性

目标 (Goal):** 将语义搜索 (Semantic Search) 和词汇搜索 (Lexical Search) 等不同搜索功能整合为一个统一的搜索流程 (Search Pipeline)。

一、 核心概念与作用

视觉输入 (Vision Input):** 用户消息中可以可选地包含图像。

核心能力：** Claude 不仅能读取图像，还能直接读取 PDF 文件中的内容。

学习笔记：Claude 的引用（Citations）功能

一、 核心概念 (Key Concepts)

核心概念

目的：** 提高重复请求的效率，避免重复发送和处理相同的输入内容。

功能定义**：允许用户提前上传各种数据（如 PDF、图像、文本）。

一、 核心概念

客户端作用：** 作为服务器与 MCP 服务器之间的通信媒介，是访问服务器所有工具的入口。

MCP 学习笔记：CLI 聊天机器人项目

MCP 服务器与工具实现要点

MCP 服务器调试与测试要点 (MCP Server Debugging and Testing Key Points)

项目架构概述

资源 (Resources) 定义:** 资源是 MCP 服务器暴露给客户端的数据接口。

核心概念：

定义与目的

列出提示词 (List Prompts):

本课程介绍了三个核心原语：工具 (Tools)、资源 (Resources) 和提示 (Prompts)，它们在应用中的职责和控制方式各不相同。

Anthropic 开发的应用：** 本模块将介绍 Anthropic 开发并部署的两个应用。

Cloud Code 学习笔记

角色定位：** Cloud Code 不仅仅是一个代码生成工具，它应被视为一个与你并肩工作的“工程师”。

Cloud Code 与 MCP 集成学习笔记

一、核心概念定义

核心概念：

核心概念：

学习笔记：路由工作流 (Routing Workflow)

一、工作流 (Workflows) 与智能体 (Agents) 的区别

核心概念：

工作流 (Workflows):** 预先定义好的、固定的调用序列。

模型类型：