Ваш конспект

Практическое руководство по работе с Claude API

Ключевые тезисы:

• Практическое погружение в работу с Claude API, начиная с нуля.
• Цель: создать терминальный чат и простую версию RAG (Retrieval-Augmented Generation).
• Важно понимать код, который генерирует ИИ, чтобы контролировать процесс и создавать качественные решения.
• Работа ведется в изолированном окружении с использованием менеджера uv.

Подготовка рабочего окружения

Терминал:

• Mac: Command + Пробел (Spotlight) → ввести "Терминал".
• Windows: Win + R → ввести PowerShell или найти "Терминал" в меню Пуск.

Проверка и установка необходимого ПО:

1. Python: Проверить наличие командой python3 --version. Если не установлен — скачать с python.org.
2. Менеджер uv: Проверить командой uv --version. Это инструмент для создания изолированных окружений и управления зависимостями.
3. Создание проекта:
   • mkdir мой_помощник — создать папку для проекта.
   • cd мой_помощник — перейти в неё.
   • uv init — инициализировать проект (создаются служебные файлы).
   • uv venv — создать виртуальное окружение.
   • source .venv/bin/activate — активировать его (в начале строки появится (мой_помощник)).
   • uv add anthropic — установить главную библиотеку для работы с Claude.

Получение и безопасное хранение API-ключа

1. Регистрация: Идем на platform.claude.com, регистрируемся и пополняем баланс (кредиты).
2. Создание ключа: В разделе API Keys создаем новый ключ. Ключ показывается только один раз!
3. Хранение: Ключ нельзя хранить прямо в коде. Правильный способ — файл .env.
   • Создать файл: touch .env
   • Открыть и добавить строку: ANTHROPIC_API_KEY="ваш_ключ_здесь"
4. .gitignore: Добавить .env в файл .gitignore, чтобы случайно не выложить ключ в публичный репозиторий.

Написание первой программы

Структура программы на Python:

1. Импорт библиотек: Загружаем необходимые инструменты.
2. Загрузка переменных окружения: Читаем API-ключ из файла .env.
3. Создание клиента: Инициализируем объект для взаимодействия с API.
4. Вызов модели: Формируем и отправляем запрос.
5. Обработка ответа: Работаем с данными, которые вернула модель.

Пример кода (proba.py):

# 1. Импорт
from anthropic import Anthropic
from dotenv import load_dotenv

# 2. Загрузка ключа из .env
load_dotenv()
import os
api_key = os.getenv("ANTHROPIC_API_KEY")

# 3. Создание клиента
client = Anthropic(api_key=api_key)

# 4. Вызов модели
response = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    messages=[{"role": "user", "content": "Что такое API?"}]
)

# 5. Обработка ответа
print(response.content[0].text)

Запуск программы: В активированном окружении выполнить python proba.py.

Системный промт — ключевой инструмент управления

Системный промт — это специальная инструкция для модели, которая задает ее роль и стиль ответов, работая поверх пользовательских сообщений.

Как использовать:
Добавить параметр system в вызов модели:

system_prompt = "Ты пират, отвечаешь на пиратском жаргоне."

response = client.messages.create(
    model="...",
    max_tokens=1024,
    system=system_prompt, # Передаем инструкцию
    messages=[{"role": "user", "content": "Что такое API?"}]
)

Важно: Одна строка системного промта может кардинально изменить поведение модели, не меняя логику скрипта. Это основа для создания сложных приложений, где интерфейс собирает контекст и передает его модели.

Дальнейшие шаги и перспективы

От терминала к реальным приложениям:
Поделиться скриптом неудобно. Следующий шаг — создание интерфейса.

FastAPI — популярное решение:

• Фреймворк для создания веб-серверов на Python.
• Позволяет создать веб-интерфейс (чата) или API-сервис, к которому могут обращаться другие программы.
• Знание FastAPI сейчас требуется во многих вакансиях для Python-разработчиков.

Выводы:

• Работа с Claude API начинается с настройки изолированного окружения (uv) и безопасного хранения ключа.
• Базовая программа состоит из пяти логических блоков, где основная работа ведется в этапах вызова модели и обработки ответа.
• Системный промт — мощнейший инструмент для контроля поведения модели, основа для профессиональных AI-приложений.
• Понимание архитектуры кода, даже сгенерированного ИИ, — это то, что отличает контролируемую разработку от простого «вайб-кодинга» и позволяет создавать качественные продукты.