MSO基础

屏幕1：学习目标

模块1 基础导览 · 2分钟 学习目标

在编写Claude相关代码前，理解专业术语至关重要。

本模块将介绍模型基础原理和技术框架，这些知识是后续开发者课程的前提。

完成本模块后，您将能够： 1 解释token的概念、上下文窗口如何作为固定预算工作、采样机制导致输出差异的原因，以及非确定性对测试和评估的影响 2 描述Claude模型家族及其能力层级，区分模型选择与启用扩展推理等思维模式 3 在零样本、单样本和多样本提示策略间做出选择，权衡添加示例带来的成本与质量平衡 4 说明开发者访问Claude的方式：SDK对比原生REST接口、同步与流式响应，以及高并发场景的异步模式

免责声明 / 教育内容声明 本开发者课程模块1：MSO基础旨在帮助您实际运用Claude开展工作。请将其视为教育资料，不构成法律、财务等专业建议，请根据自身情况调整应用。我们的产品服务快速迭代，部分内容可能存在误差或过时，请以Anthropic官网文档为准。课程案例均为说明性质且多为虚构，提及的企业产品不代表Anthropic的认可或关联关系。请注意您对Anthropic产品的使用受条款政策约束，若与课程内容冲突，以官方条款为准。

屏幕2：LLM行为原理：token、上下文、采样与非确定性

教学LLM行为原理·12分钟 LLM行为原理：token、上下文、采样与非确定性

token 上下文窗口 采样 非确定性

token：输入、输出与成本的单位 Claude不直接读取字符或单词，而是处理token。字符与token的转换比例因模型代际差异而不同，任何经验值都应视为模型相关并在构建时确认当前分词器行为。模型处理的所有内容（提示词、对话历史、工具定义、工具结果及生成响应）均按token计数。token既是计费单位也是预算单位，因此在评估功能成本或输入容量时，您计算的是token而非单词。养成以token为单位思考的习惯至关重要，因为这是API计费和上下文窗口测量的基准单位。

上下文窗口：固定预算 上下文窗口是单次请求中模型能处理的token总量上限。它同时容纳：系统提示、完整对话历史、注入文档、所有工具结果及模型输出。这个固定预算有两种边界行为：输入超过窗口的请求会在生成前被验证错误拒绝；而初始合规的请求若在生成过程中触及上限，则会停止并返回已生成内容（附带model_context_window_exceeded停止原因），而非报错。无论哪种情况，维持长会话都需要应用在每次调用前修剪或总结历史记录。开发阶段因测试输入较短很少触及窗口限制，但生产环境中长输入和多轮对话会快速耗尽预算。模块2将详细探讨这种故障场景。

采样：相同提示产生不同答案的原因 语言模型并非固定选择下一个token。每一步它都会生成可能token的概率分布并进行采样。温度等参数调节该分布：低温使概率集中于最可能token，输出更可重复；高温则分散概率，输出更多样。由于采用采样机制而非固定选择，同一提示运行两次可能返回不同措辞（即使答案都正确）。这是模型生成的固有特性。请注意采样控制具有模型依赖性：最新Claude模型不接受非默认采样参数，设置temperature/top_p/top_k将返回400错误，这些模型通过提示词而非参数调控。即使支持temperature，设为0也只能提高输出重复性，无法保证跨调用完全一致。构建时请查阅API参考确认当前参数支持。

非确定性：对测试与评估的影响 采样机制导致的主要结果是非确定性：相同输入不保证相同输出。这改变了Claude功能的测试方式。断言响应精确文本的测试会不稳定，因为模型可用多种方式表达相同正确答案。应改为断言必须满足的属性：必需字段存在、数值在范围内、结构可解析等。当需要判断语义而非结构时，使用模型评分评估。这就是本课程将评估作为功能正确性标准的原因，也是模块3重点培养的能力。

屏幕3：模型选项与推理模式

教学模型与推理·10分钟 模型选项与推理模式

模型家族 推理模式 协同工作机制

Claude模型家族 Claude目前包含四个层级：Fable、Opus、Sonnet和Haiku。每个模型代表成本、延迟与能力的不同平衡。Sonnet是多数生产负载的默认选择，Haiku针对适合其能力范围的任务优化速度与成本，Opus处理超出Sonnet能力的高要求工作，Fable作为最高层级专为最复杂的推理、编码和代理任务设计。实用建议是：从Sonnet开始，仅当评估显示当前层级不达标时升级，仅当评估确认质量降级可接受时降级至Haiku。构建时请通过platform. claude. com/docs确认当前模型阵容，该家族持续演进中。

推理模式独立于模型选择 选择运行模型是一个决策，而是否启用推理是每个调用独立的另一个决策。当前模型采用自适应思考模式：模型自主决定思考深度，您通过effort参数而非固定token预算调节（旧版budget_tokens已弃用，最新模型会返回400错误）。最新模型默认隐藏思考内容，需要时可请求摘要显示。推理成本在复杂多步问题中物有所值，但在查找和分类任务中则是浪费。本模块的关键在于这两个控制杠杆可组合使用：模型选择决定家族成员，推理模式按请求配置。不同模型默认不同（部分最新模型默认或强制启用自适应思考），构建时请确认当前模型的思考默认值。

二者的协同作用 由于模型选择与推理模式相互独立，二者可分别设置。关闭推理的高能力模型快速直接，而启用推理的小模型会消耗更多token思考。最苛刻的任务需要高能力模型配合高effort设置。模块2将教授启用推理和处理返回思考块的技术细节。权衡成本、延迟和质量选择模型的策略将在模块4展开。

屏幕4：提示模式：零样本、单样本、多样本

教学提示模式·8分钟 提示模式：零样本、单样本、多样本

三种模式 成本与质量权衡 模式与模型选择的关联

三种模式 区别于提示措辞的是其中包含的示例数量。零样本仅提供指令无示例：描述任务并请求结果。单样本添加一组输入-输出示例。多样本（也称少样本）包含多个示例。这些示例并非训练数据，它们存在于提示词中向模型展示您期望的答案精确形态——仅靠描述往往难以锁定。

成本与质量权衡 每个添加的示例都会消耗token并占用上下文预算，因此需要在质量与成本间权衡。当任务简单且输出形态明确时采用零样本；当输出需要特定结构、大小写或边缘案例处理（而描述始终无法准确传达）时切换到单样本或多样本。通常1-2个正确示例比冗长说明更能快速解决问题。模块2将强化的核心原则是：添加能产生可靠结果的最小提示量。

模式选择与模型选择的互动 提示模式与模型选择相互关联。高能力模型常能零样本完成需要小模型借助示例才能匹配结构的任务，因此添加示例可能让低成本模型胜任工作。建议同步决策：先用最简单模型和最少示例通过评估，仅当评估显示不足时才增加能力或示例。

屏幕5：技术基础：SDK、REST、流式与异步

教学技术基础·12分钟 技术基础：SDK、REST、流式与异步

SDK对比REST 同步、流式与实时 高并发的异步模式

开发者访问Claude的方式：SDK对比原生REST Claude核心通过HTTP REST API访问：代码向端点发送含API密钥和JSON体的请求，接收JSON响应。您可用任意HTTP客户端直接调用。更常见的是使用官方SDK（支持Python/TypeScript等），它作为REST API的轻量封装层处理认证、请求构造、重试和响应解析，减少样板代码。SDK与原生REST访问相同API和模型，SDK的优势在于免去手动组装请求。模块2基于SDK和Messages API构建，后者也建立在此基础之上。

同步、流式与实时响应 同步请求是最简单模式：发送请求后等待完整响应返回再处理，适用于短响应或无实时要求的后台作业。当响应较长或用户等待时，流式传输将响应分块发送，实现即时输出而非空白等待，代码需重组最终消息。Claude通过服务器推送事件在相同HTTP连接上实现流式。模块2将教授安全消费流数据及中断恢复的方法。

高并发工作的异步模式 两种模式解决不同高并发需求： Python SDK提供AsyncAnthropic异步客户端，使用非阻塞async/await进行API调用而不占用应用线程。TypeScript SDK标准客户端基于Promise，可直接await调用，无需独立异步客户端类。两种情况下请求仍实时返回，但等待期间应用可处理其他工作。这是需要并发非阻塞时的理想模式。 Message Batches API是面向批量离线作业的独立模式：单次调用提交大量请求，获取标识符后轮询结果。批处理可能需24小时完成，以延迟换取更低单token成本。适用于离线管道、评估运行等无实时要求的场景，此时成本优先于周转时间。

屏幕6：模块测验

测验模块1·5分钟 模块测验 立即尝试。以下选择题测试您对当前课程的理解程度。 问题1：队友认为相同提示必返回相同文本，最准确的反驳是？ A正确，模型是确定性的 B不一定，模型通过概率分布采样每个token，正确回答也可能措辞不同 C仅当关闭流式时成立 D仅限最大模型成立 问题2：哪个陈述正确区分模型选择与推理模式？ A二者是相同设置 B扩展思维是不同模型 C模型选择决定家族成员，扩展思维是支持模型均可开关的调用级设置 D推理模式按账号固定 问题3：零样本提示已能正确完成简短分类任务，添加三个示例最可能？ A显著提升准确率 B每次调用增加token成本但收益甚微 C改变所用模型 D禁用采样 问题4：需低成本离线处理数万文档，哪种方案合适？ A循环同步调用 B流式传输 C批量提交轮询结果 D扩大上下文窗口

提交测验 暂时跳过

屏幕7：练习：预测行为

练习预测行为·6分钟 练习：预测行为 立即尝试。每个场景基于本模块四大基础之一（采样、提示模式、请求形态、上下文预算），选择正确行为预测并说明原因。答对3/4可得部分学分。 场景1：分类任务在temperature=0与高温下的输出差异？ A低温使概率集中，重复运行返回标签高度一致（即使temperature=0也不绝对确定）。高温分散分布，措辞甚至标签都可能变化。分类任务需要低温可重复行为 B两种配置每次输出相同，temperature仅影响响应长度 C高温运行更准确，因广分布使模型考虑更多正确答案 Dtemperature不影响分类，分类总是返回固定标签 场景2：零样本提示持续返回错误结构，转多样本会？ A多样本永久重训模型结构，后续所有调用生效 B添加2-3个正确示例展示需匹配结构，通常比冗长说明更有效。代价是每次调用额外token成本，故添加最少有效示例 C多样本不解决结构问题，只有提高temperature有效 D多样本降低单次调用token成本，因示例使响应更短 场景3：需夜间处理5万文档且无用户等待，适合？ A同步循环最简单，避免批量提交开销 B流式使管道更快开始处理 C批量模式适合：提交后轮询结果，用延迟换取低成本。同步循环会触发限速且阻塞应用，流式对无用户场景无益 D扩大上下文窗口最合适，单次请求容纳所有文档 场景4：长多轮代理会话持续填满上下文窗口的症状？ A模型静默丢弃最早轮次继续运行 B上下文窗口是固定token预算，历史记录和工具结果累积会填满。超限输入在生成前报错，生成中触顶则返回截断输出和model_context_window_exceeded停止原因。测试正常但输入增长后失败，故应用需修剪历史 C症状是采样变慢，问题在于需降低temperature D无固定预算，窗口自动扩展适应历史

提交 暂时跳过

屏幕8：总结：五大要点

总结五大要点·2分钟 总结：五大要点

1 token是输入、输出与成本的单位。以token而非单词为单位思考，因为这是API计量和上下文窗口测量的基准。

2 上下文窗口是容纳整个请求的固定token预算。超限输入在生成前报错，生成中触顶返回截断输出，因此历史管理是应用的职责。

3 采样导致生成非确定性。相同提示每次运行可能返回不同措辞，因此基于精确文本的测试不可靠，这正是评估机制的价值。

4 模型选择与推理模式是独立可组合的控制杠杆。先用最小模型、最简单推理和提示通过评估，仅当评估不足时才增加能力。

5 开发者通过REST API访问Claude，通常借助SDK。根据用户等待需求和负载特性选择同步、流式、异步或批量模式。

下一步：模块2将这些基础应用于提示工程、工具模式、流式处理、上下文工程和代理构建。

数据来源 Claude 101 (Skilljar)、Building with the Claude API (Skilljar)、AI Fluency: Framework & Foundations (Skilljar)、platform. claude. com/docs。发布时请核实产品细节。

您现在掌握了开发者课程的共同语言。 token、上下文、采样、模型层级、提示模式及API传输机制现已具名，后续课程可直接在此基础上构建。

屏幕9：恭喜完成本模块！

模块完成开发者路径·2分钟 恭喜！您已成功完成本模块。 您现在能解释token、上下文窗口、采样与非确定性，区分模型选择与推理模式，为任务选择合适的提示模式，并描述开发者通过SDK/REST/流式/异步访问Claude的方式。这些基础是后续开发者课程的共同语言。

0/? 检查点通过

M1 MSO基础 token、上下文、采样、模型层级、提示模式与技术基础 当前位置

M2 生产级提示工程、代理与工具使用 提示工程、扩展思维、工具模式、流式处理、上下文工程与代理构建 下一站

M3 Claude代码、MCP与集成 权限模式、持久项目上下文、插件打包及不泄露凭证的MCP集成

M4 生产工程、评估与安全 评估、追踪、故障处理、成本与编排预算、生产级安全边界

M5 加速器与IP贡献 打包加速器、准备可验证贡献、选择部署平台及标记信任边界

复习模块 重新开始 进入模块2 → 返回课程主页

模块1完成。