Claude 高效应用实战指南

---

---

Claude 高效应用实战指南

版本 ：2026年10月

定位 ：场景驱动型实战手册，覆盖文档、代码、创意、翻译、数据、学习、客服、会议、决策、知识库十大业务场景

核心原则：每个场景给出可落地的提示词模板、代码示例与避坑清单

---

摘要

Claude 的能力边界在 2026 年已大幅扩展：1M token 上下文窗口使整库代码分析、数百页文档审查成为可能；自适应思考模式让复杂推理任务在准确率与成本之间有了可调节的杠杆。但能力不等于效果------同一个模型，用"扔文档然后问总结"的方式使用，与用"分层导航 + Schema 约束"的方式使用，输出质量相差数倍。

本文聚焦实际业务落地 ，而非参数罗列。十个场景覆盖知识工作者的高频任务：复杂文档提炼、多轮代码调试、创意文案批量生产、跨语言商务沟通、结构化数据清洗、个性化学习、客服话术、会议纪要、长上下文决策辅助，以及私有知识库搭建。每个场景包含：业务痛点→提示词设计→代码实现（如适用）→实际效果→常见陷阱。

关键数据点：Claude 在长文本"大海捞针"任务中表现突出；Anthropic 官方实测显示，一个完整 DAW 构建任务在 Opus 4.6 上消耗约 $124 token 成本、近 4 小时，其中生成阶段单轮运行超过 2 小时；Claude 的 DeepL 连接器支持 100+ 语言翻译并自动应用组织术语表。这些数据帮助读者建立成本与时间的现实预期。

---

目录

一、复杂文档提炼与核心观点萃取

1.1 业务痛点与适用场景

1.2 分层摘要法：从"扔文档"到"导航后深潜"

1.3 Schema 约束下的结构化提取

1.4 完整代码实现：文档分析流水线

1.5 效果与陷阱

二、多轮对话式代码生成与调试优化

2.1 从一句话需求到可运行模块

2.2 调试对话的设计模式

2.3 代码审查的提示词模板

2.4 完整代码：带重试的代码生成封装

2.5 效果与陷阱

三、创意文案批量生产与风格迁移

3.1 风格拆解：从"感觉对味"到可复用档案

3.2 批量生产的结构化提示词

3.3 风格迁移的实操流程

3.4 效果与陷阱

四、跨语言商务沟通与精准翻译

4.1 术语一致性：翻译质量的生命线

4.2 语气与正式度控制

4.3 批量翻译的工作流设计

4.4 效果与陷阱

五、结构化数据清洗与格式转换

5.1 从 CSV 到分析就绪数据

5.2 非结构化文本到结构化 JSON

5.3 完整代码：数据清洗 + AI 洞察管道

5.4 效果与陷阱

六、个性化学习路径规划与知识答疑

6.1 诊断式学习：先找误解，再教

6.2 从教材到复习材料的自动化转换

6.3 效果与陷阱

七、客服话术库构建与智能应答

7.1 话术库的结构化设计

7.2 基于知识库的应答生成

7.3 效果与陷阱

八、会议记录整理与行动项自动提取

8.1 转写文本到结构化纪要

8.2 行动项的责任人与截止时间

8.3 效果与陷阱

九、长上下文逻辑推理与决策辅助

9.1 整库/整卷分析的实操

9.2 对抗性模拟与决策压力测试

9.3 效果与陷阱

十、私有知识库搭建与领域专家系统

10.1 知识库文件结构设计

10.2 Claude Code Skill 方式集成

10.3 效果与陷阱

十一、安全合规与敏感信息处理

11.1 脱敏策略

11.2 合规边界

十二、总结与选型建议

附录

A. 场景-模型-档位速查表

B. 提示词模板汇总

C. 成本估算参考

---

一、复杂文档提炼与核心观点萃取

1.1 业务痛点与适用场景

痛点：一份 200 页的 PRD、竞品分析报告或法律合同，人工阅读提炼需要 4~8 小时，且容易遗漏跨章节的关联信息。传统"贴文档 + 问总结"的方式，Claude 会返回看似完整但缺乏精度的概括，关键数值或条款可能被误述。

适用场景：竞品周报生成、合同关键条款审查、研报核心数据提取、用户反馈批量归类。

1.2 分层摘要法：从"扔文档"到"导航后深潜"

Claude 的长上下文能力不等于"一次性消化一切"。Anthropic 社区实践推荐分层摘要：先让模型建立文档的"地图"，再针对关键区域深度阅读。

第一层：导航

请分析以下文档的目录结构，列出：
1. 每个章节的标题
2. 每章的核心关键词（3~5 个）
3. 你认为与"定价策略"最相关的三个章节

<document>
[文档内容]
</document>

第二层：深潜

基于你上一轮的分析，请详细总结第三章"定价策略调整"的内容。
要求：
- 列出所有涉及具体价格或折扣的数字
- 标注每个数字出现的章节位置
- 如果同一信息在不同段落有矛盾，明确指出

效果：相比直接总结，分层方式的数值提取准确率显著提升，且模型会主动标注信息位置，便于人工核对。

1.3 Schema 约束下的结构化提取

当需要将非结构化文本转为可入库数据时，提供 JSON Schema 比"请提取信息"有效得多。

import anthropic
import json

client = anthropic.Anthropic()

def extract_feedback(text: str) -> list:
    """
    从用户反馈文本中提取结构化数据。
    使用 JSON Schema 约束输出格式，减少格式漂移。
    """
    schema = {
        "type": "array",
        "items": {
            "type": "object",
            "properties": {
                "issue_type": {
                    "type": "string",
                    "enum": ["支付失败", "登录异常", "功能缺失", "性能问题", "其他"]
                },
                "sentiment": {"type": "integer", "minimum": 1, "maximum": 5},
                "key_description": {"type": "string", "maxLength": 100}
            },
            "required": ["issue_type", "sentiment", "key_description"]
        }
    }
    
    response = client.messages.create(
        model="claude-sonnet-5-5",
        max_tokens=2048,
        system="你是一位用户反馈分析助手。只提取文本中明确表达的信息，不要推测。",
        messages=[{
            "role": "user",
            "content": f"""从以下反馈中提取结构化信息。严格按 JSON Schema 输出，不要包含额外文本。

Schema: {json.dumps(schema, ensure_ascii=False)}

反馈内容：
{text}"""
        }]
    )
    
    ## 解析输出（假设模型返回纯 JSON）
    try:
        return json.loads(response.content[0].text)
    except json.JSONDecodeError:
        ## 如果模型包裹了 markdown 代码块，做一次清洗
        raw = response.content[0].text
        if "```json" in raw:
            raw = raw.split("```json")[1].split("```")[0]
        return json.loads(raw.strip())

1.4 完整代码实现：文档分析流水线

"""
doc_pipeline.py --- 文档分析流水线
用法：python doc_pipeline.py <文件路径> <分析目标>
"""
import sys
import anthropic

client = anthropic.Anthropic()

def read_doc(path: str) -> str:
    with open(path, "r", encoding="utf-8") as f:
        return f.read()

def navigate(doc: str, target: str) -> str:
    """第一层：导航。找出与目标最相关的章节。"""
    response = client.messages.create(
        model="claude-sonnet-5-5",
        max_tokens=1024,
        system="你是一位文档导航助手。只基于文档内容回答，不要推测。",
        messages=[{
            "role": "user",
            "content": f"""分析以下文档的结构。

<document>
{doc[:200000]}  ## 截断保护，实际使用中按需调整
</document>

任务：找出与"{target}"最相关的三个章节或段落。
输出格式：每行一个，格式为"章节标题 | 关键词1,关键词2 | 在文档中的大致位置（开头/中部/结尾）"
"""
        }]
    )
    return response.content[0].text

def deep_dive(doc: str, section_hint: str) -> str:
    """第二层：深潜。针对特定区域详细分析。"""
    response = client.messages.create(
        model="claude-sonnet-5-5",
        max_tokens=4096,
        system="你是一位精确的文档分析师。每个事实性陈述必须可追溯到原文。",
        messages=[{
            "role": "user",
            "content": f"""在以下文档中，找到与"{section_hint}"相关的内容并详细分析。

<document>
{doc}
</document>

要求：
1. 先原文摘录相关段落（放入 <quotes>）
2. 基于摘录提炼 3~5 条核心观点
3. 如果摘录之间存在矛盾，明确指出
"""
        }]
    )
    return response.content[0].text

if __name__ == "__main__":
    path, target = sys.argv[1], sys.argv[2]
    doc = read_doc(path)
    
    print("=== 导航结果 ===")
    nav = navigate(doc, target)
    print(nav)
    
    ## 取第一个相关章节做深潜
    first_section = nav.split("\n")[0].split("|")[0].strip()
    if first_section:
        print(f"\n=== 深潜：{first_section} ===")
        print(deep_dive(doc, first_section))

1.5 效果与陷阱

效果：分层导航 + 深潜的方式，在 18,000 字学术论文测试中，数值提取准确率从直接总结的"有一处误述"提升到"全部正确且可追溯"。

陷阱：

• 文档超过 50 万字符时，导航步骤本身可能遗漏关键章节。建议先用工具（如 pdfplumber）提取目录，作为导航的输入。
• 模型会"补全"缺失章节：如果文档没有目录，Claude 可能根据内容编造章节名。要求"如果找不到明确章节，列出连续段落"可规避。
• 成本：两次调用（导航 + 深潜）的 token 消耗约为单次总结的 1.5~2 倍，但对决策依赖型任务值得。

---

二、多轮对话式代码生成与调试优化

2.1 从一句话需求到可运行模块

场景：产品经理或非专业开发者需要一个工具函数，但无法写出精确的技术规格。

提示词模式：

你是一位 Python 开发者。请实现以下功能，如果需求存在歧义，先列出你的理解再写代码。

需求：[一句话描述]

约束：
- 只用标准库
- 每个函数有 docstring
- 对边界情况（空输入、类型错误、极端值）做处理
- 附 3 个 assert 测试用例

输出格式：
1. 你对需求的理解（1~2 句）
2. 代码
3. 测试用例

实际效果：对于"把混杂格式的日期统一为 YYYY-MM-DD"这类需求，Claude 会先确认"是否包括中文日期格式（如'2026年1月15日'）"，然后给出包含多种格式尝试列表的实现。第一轮通常遗漏 1~2 种格式，第二轮补充后即可用。

2.2 调试对话的设计模式

不要："这段代码报错了，帮我看看。"

应该：

以下代码在运行时抛出 [具体异常名/错误信息]。
输入是 [具体输入]。
我期望的行为是 [期望输出]。
实际行为是 [实际输出/异常]。

请：
1. 定位导致问题的具体行
2. 解释为什么这一行在此输入下会出错
3. 给出修复后的完整代码（只改必要的行）

关键 ：提供可复现的输入 和期望 vs 实际的对比。Claude 的调试能力高度依赖这些信息。如果只给代码和"报错了"，模型会猜测多种可能性，其中大部分不是你的实际问题。

2.3 代码审查的提示词模板

def review_code(code: str, language: str = "python") -> str:
    """
    对代码进行结构化审查。
    返回问题列表 + 改进建议。
    """
    response = client.messages.create(
        model="claude-sonnet-5-5",
        max_tokens=2048,
        temperature=0.3,  ## 审查任务降低随机性
        system=f"你是一位资深 {language} 代码审查员。只报告有实质影响的问题，不要提风格偏好（除非影响可读性）。",
        messages=[{
            "role": "user",
            "content": f"""审查以下代码。按严重程度排序输出：

### 严重（会导致错误或安全问题）
- 行号 | 问题 | 修复建议

### 中等（可能导致维护困难或边缘 bug）
- 行号 | 问题 | 修复建议

### 轻微（可选改进）
- 行号 | 建议

如果某一类没有发现问题，写"无"。

代码：
```{language}
{code}
```"""
        }]
    )
    return response.content[0].text

2.4 完整代码：带重试的代码生成封装

import anthropic
import time

client = anthropic.Anthropic()

def generate_with_retry(
    requirement: str,
    language: str = "python",
    max_retries: int = 3
) -> str:
    """
    代码生成封装，带重试与截断检测。
    """
    system = f"你是一位 {language} 开发者。只输出代码和必要的说明，不要寒暄。"
    
    for attempt in range(max_retries):
        try:
            response = client.messages.create(
                model="claude-sonnet-5-5",
                max_tokens=4096,
                temperature=0.3,
                system=system,
                messages=[{
                    "role": "user",
                    "content": f"""实现以下功能：

{requirement}

要求：
- 使用标准库
- 每个函数有 docstring
- 附 3 个 assert 测试用例
"""
                }]
            )
            
            ## 检查是否被截断
            if response.stop_reason == "max_tokens":
                print(f"输出被截断，第 {attempt+1} 次重试...")
                continue
            
            return response.content[0].text
            
        except anthropic.RateLimitError:
            if attempt == max_retries - 1:
                raise
            time.sleep(2 ** attempt)
    
    raise RuntimeError("生成失败：多次重试后仍被截断")

2.5 效果与陷阱

效果：在函数级代码生成任务上，Sonnet 5.5 的输出通常可直接运行，边界处理完整。Claude 会主动在注释中标注设计歧义点（如"同一字符多个连续段时后者覆盖前者"），这对后续维护有价值。

陷阱：

• 不要要求"帮我优化这段代码"而不给约束。Claude 会做大量重构，可能改变你不希望改变的行为。应指定"只改性能问题，不改接口"。
• 大规模重构交给 Opus。Sonnet 在单文件、明确规格的任务上表现优秀，但跨文件重构需要全局判断时，Opus 更可靠。
• 测试用例的断言可能"过于宽松"。Claude 写的 assert 有时只覆盖 happy path，需要追问"增加边界测试"。

---

三、创意文案批量生产与风格迁移

3.1 风格拆解：从"感觉对味"到可复用档案

痛点：品牌或自媒体需要保持一致的文风，但"像 XX 那样写"这种指令的效果不稳定。Claude 对"风格"的理解依赖提示词中的具体描述。

解决方案：将风格拆解为可描述的维度，固化到提示词中。

社区已有工具（如 style-alchemy）实现了自动化风格档案生成：输入 5~15 篇样本文章，输出 style_profile.yaml，包含标题术、动词库、节奏、语气色板等维度。核心思路可以直接在提示词中手动执行：

请分析以下三篇文章的写作风格。输出一份风格档案，包含：

1. 平均句长（短/中/长）
2. 人称使用（第一/第二/第三人称的偏好）
3. 段落长度（1~2句 / 3~5句 / 更长）
4. 常用修辞（比喻/排比/设问/反问，各举一例原文）
5. 语气（正式/口语/混合，举例说明）
6. 开头和结尾的典型模式
7. 禁用词或表达习惯（如从不使用感叹号、从不使用"首先其次"）

<article>第一篇</article>
<article>第二篇</article>
<article>第三篇</article>

使用方式：将输出的风格档案作为后续生成任务的 system prompt。

3.2 批量生产的结构化提示词

def batch_copywrite(
    style_profile: str,
    topics: list[str],
    platform: str = "公众号"
) -> dict[str, str]:
    """
    按风格档案批量生成文案。
    每篇单独调用，避免长输出被截断。
    """
    results = {}
    
    for topic in topics:
        response = client.messages.create(
            model="claude-sonnet-5-5",
            max_tokens=1024,
            system=f"""你是一位{platform}写作者。严格遵循以下风格档案：

{style_profile}

不要使用风格档案中标记为"禁用"的表达。""",
            messages=[{
                "role": "user",
                "content": f"""写一篇关于"{topic}"的短文，150~200 字。
不要标题，直接写正文。不要寒暄或总结。"""
            }]
        )
        results[topic] = response.content[0].text
    
    return results

3.3 效果与陷阱

效果 ：提供风格档案后，Claude 在鲁迅风格、科技发布会风格、轻松科普风格之间的切换准确度显著提升。多重约束（禁用词 + 字数 + 必须包含元素）下，Claude 能在约束内产出场景不同的变体，而非同义词替换。

陷阱：

• 风格模仿不等于风格复制。Claude 会抓住显性特征（语气词、句式），但可能遗漏更深层的结构习惯。人工终审仍必要。
• 批量生成时每篇单独调用。如果一次要求生成 5 篇，后面的内容质量会下降，且容易触发截断。
• 商业用途注意合规。风格模仿用于品牌混淆或与在世作者产生关联暗示时，存在法律风险。

---

四、跨语言商务沟通与精准翻译

4.1 术语一致性：翻译质量的生命线

痛点：技术文档或商务邮件中，同一个术语在不同段落被翻译成不同中文词，导致读者困惑。

方案：在 system prompt 中明确术语表。

def translate_with_glossary(
    text: str,
    glossary: dict[str, str],
    target_lang: str = "中文"
) -> str:
    """
    带术语表的翻译。
    glossary: {"endpoint": "端点", "rate limit": "速率限制", ...}
    """
    glossary_str = "\n".join([f"- {en} → {zh}" for en, zh in glossary.items()])
    
    response = client.messages.create(
        model="claude-sonnet-5-5",
        max_tokens=4096,
        temperature=0.3,
        system=f"""你是一位技术翻译。严格遵守以下术语表，即使其他译法也合理：
{glossary_str}

风格：简洁、主动语态、长句拆分。代码块和命令保留原文。""",
        messages=[{
            "role": "user",
            "content": f"翻译为{target_lang}：\n\n{text}"
        }]
    )
    return response.content[0].text

实际测试：在 3000 字 API 文档翻译中，术语表约束下的一致性达到 100%（人工抽查 20 个术语）。Claude 能正确区分"token"在认证语境（译为"令牌"）和 LLM 语境（保留英文）的不同处理。

4.2 语气与正式度控制

Claude 的 DeepL 连接器支持正式度控制，但即使不通过连接器，也可以在提示词中指定：

翻译以下商务邮件为英文。
收件人是 [客户/合作伙伴/上级]，关系 [正式/半正式]。
语气：专业但不生硬，避免过度使用"please"和"kindly"。
如果原文有中文特有的客套话（如"百忙之中"），译为英文中自然的对应表达（如"Thank you for your time"），不要直译。

4.3 效果与陷阱

效果：术语表 + 语气指令的组合，使 Claude 在技术文档和商务邮件翻译中达到"初译 + 人工校对 30 分钟"的可用水平（3000 字文档）。

陷阱：

• 术语表不宜过长。超过 30 个术语时，Claude 可能遗漏部分条目。建议分批翻译或使用提示缓存。
• 中文特有的模糊表达（如"大概""可能吧"）在译为英文时，Claude 可能过度确定化。要求"保留原文的不确定性程度"可缓解。
• 法律合同翻译必须人工审核。Claude 的翻译不构成法律意见。

---

五、结构化数据清洗与格式转换

5.1 从 CSV 到分析就绪数据

场景：原始销售 CSV 包含 pending、failed、refund 状态，直接求和会得到错误营收。

处理流程（可复用模式）：

import pandas as pd

def clean_sales_data(path: str) -> pd.DataFrame:
    """
    清洗销售数据：
    1. 只保留 completed 状态
    2. 区分 purchase 与 refund
    3. 计算净营收
    """
    df = pd.read_csv(path)
    
    ## 类型修正
    df["transaction_date"] = pd.to_datetime(df["transaction_date"])
    df["amount"] = pd.to_numeric(df["amount"], errors="coerce")
    
    ## 只保留已结算交易
    settled = df[df["status"] == "completed"].copy()
    
    ## 标记退款（金额为负）
    settled["is_refund"] = settled["type"].eq("refund") | (settled["amount"] < 0)
    
    ## 净营收 = 所有已完成金额之和（退款已为负）
    net = settled["amount"].sum()
    gross = settled.loc[~settled["is_refund"], "amount"].sum()
    refunds = settled.loc[settled["is_refund"], "amount"].sum()
    
    print(f"总销售额: {gross:,.2f}")
    print(f"退款: {refunds:,.2f}")
    print(f"净营收: {net:,.2f}")
    print(f"退款率: {-refunds/gross:.1%}")
    
    return settled

5.2 非结构化文本到结构化 JSON

使用 1.3 节的 Schema 约束模式。关键原则：枚举值明确 、数值范围约束 、必填字段声明。

5.3 效果与陷阱

效果 ：Claude 在提取任务中能正确识别"pending 不是收入""退款是负数"等业务规则，前提是提示词中明确说明了这些规则。如果只说"分析销售数据"，它可能对状态一视同仁。

陷阱：

• 不要让 Claude 做算术。要求"计算总和"时，Claude 可能给出错误结果。正确做法：让 Claude 生成 Python 代码来算，或先提取数值再由程序计算。
• 日期格式 ：Claude 对 15-Jan-2026 这类格式的处理需要显式指定格式列表，否则可能遗漏。

---

六、个性化学习路径规划与知识答疑

6.1 诊断式学习：先找误解，再教

Anthropic 官方展示了一个 Opus 5 的学习场景：不直接解释概念，而是先通过诊断性问题定位用户的具体误解，然后从缺口开始重建。

提示词模板：

我想理解 [概念]。我已经知道 [你已掌握的内容]。
但我卡在 [具体卡住的地方]。

请先问我 2~3 个诊断性问题，判断我的误解在哪里。
不要直接解释，先诊断。

实例（贝叶斯推理）：

• Claude 问："一种疾病影响千分之一的人，检测准确率 99%。你检测阳性，实际患病概率是多少？"
• 用户回答"99%"。
• Claude 指出："这正是误解所在。答案是约 9%。"然后从基础率开始重建理解。

效果 ：诊断式学习比直接讲解的留存率高，因为 Claude 针对的是用户实际存在的缺口，而非泛泛的"初学者常见问题"。

6.2 从教材到复习材料的自动化转换

对于学生用户，Claude 可以将上传的 PDF 教材转换为多种复习格式：

输出类型	提示词要点
摘要	"按章节组织，每章 3~5 条核心概念，标注教材页码"
闪卡	"生成 30 个问答对，问题在正面，答案在背面，用 CSV 格式输出"
模拟题	"20 道多选题，4 个选项，答案附在最后，标注对应章节"
复习计划	"根据章节数量和考试日期，生成每日复习任务"

6.3 效果与陷阱

效果：Claude 对教材内容的结构化理解较好，能识别章节层级和概念间的引用关系。闪卡和模拟题的质量在提供明确格式要求时可用性较高。

陷阱：

• 模拟题的答案可能出错。Claude 生成的题目本身通常合理，但"正确选项"偶尔有误。必须人工核对或让 Claude 自我验证（"请检查你刚才生成的 20 道题的答案，列出你最有把握出错的 3 道"）。
• 教材图片中的信息：如果概念依赖图表，纯文本提取会丢失关键信息。需要多模态输入或人工补充。

---

七、客服话术库构建与智能应答

7.1 话术库的结构化设计

客服应答的核心挑战是一致性：同一个问题，不同客服的回答质量参差不齐。Claude 可以作为"话术生成器 + 一致性检查器"。

话术库的 JSON 结构：

{
  "scenario": "订单未发货",
  "triggers": ["三天了还没发货", "怎么还没到", "物流不动"],
  "response_template": "理解你的着急。{订单号}的当前状态是{状态}，预计{时间}前送达。如果超时未更新，我将为你发起查询。",
  "escalation": "如果用户表示已等待超过 7 天，转人工并标记'物流异常'",
  "forbidden": ["不知道", "没办法", "你自己看"]
}

生成话术库的提示词：

你是一位客服培训专家。为以下场景生成话术库条目：
场景：[描述]
常见用户表达：[列举 3~5 种]

输出 JSON，包含：response_template（带占位符）、escalation（何时转人工）、forbidden（禁止用语）。
语气：共情但不卑微，专业但不冷漠。

7.2 基于知识库的应答生成

def generate_response(
    user_message: str,
    kb_entry: dict
) -> str:
    """
    基于话术库条目生成应答。
    kb_entry: 匹配到的话术库条目
    """
    response = client.messages.create(
        model="claude-sonnet-5-5",
        max_tokens=512,
        temperature=0.3,
        system=f"""你是客服助手。基于以下话术条目生成回复。

话术模板：{kb_entry['response_template']}
升级条件：{kb_entry['escalation']}
禁止用语：{kb_entry['forbidden']}

规则：
1. 填充占位符时，如果信息缺失，用"帮你查询"代替具体值，不要编造。
2. 如果用户情绪激烈，在模板前加一句共情表达。
3. 不要超出模板范围做额外承诺。""",
        messages=[{"role": "user", "content": user_message}]
    )
    return response.content[0].text

7.3 效果与陷阱

效果：话术库约束下，Claude 的应答一致性显著提升，且能根据用户情绪动态调整共情强度。

陷阱：

• 不要完全依赖 Claude 做意图识别。如果用户表达模糊，Claude 可能匹配错误的话术条目。意图分类建议用专门的分类模型或规则引擎。
• 禁止用语列表要具体。"不要不礼貌"太模糊；"不要使用'不知道''没办法'"才可执行。
• 敏感场景（投诉、退款）保留人工审核。Claude 生成的回复在发出前应经过人工确认，尤其是在涉及金额或承诺时。

---

八、会议记录整理与行动项自动提取

8.1 转写文本到结构化纪要

Claude 官方展示的会议工作流：读取会议转写 → 提取行动项和负责人 → 发布到 Slack → 在下次会议前跟进未完成项。

提示词模板：

以下是一段会议转写。整理为结构化纪要。

<transcript>
[转写文本]
</transcript>

输出格式：

### 参会人
（从对话中推断，标注不确定的）

### 决议事项
- [事项] | 负责人 | 截止时间（未提及写"未指定"）

### 待讨论
- [事项] | 提出人

### 风险/阻塞
- [描述]

规则：
1. 只写入有明确结论或指派的事项。
2. 删除口语填充词。
3. "再说吧""回头看看"等未决表述归入"待讨论"，不归入"决议"。

8.2 行动项的责任人与截止时间

难点：转写中"这个让小王弄一下"可能指代不明确。Claude 在说话人标签清晰时准确率高；标签混乱时会出错。

改进方式：在提示词中列出参会人名单，要求 Claude 只在"发言人与被指派人不冲突"时填写负责人，否则写"需确认"。

8.3 效果与陷阱

效果 ：45 分钟会议（约 6000 字转写）的纪要整理，Claude 能在 1 分钟内产出包含决议、待讨论、风险的结构化输出。决议事项的漏报率较低，但责任人归属在多人对话中需要人工核对。

陷阱：

• 转写质量决定上限。如果转写中有大量"嗯""那个"或说话人重叠，Claude 的提取准确率下降。
• 不要要求 Claude "总结会议氛围"。这类主观判断在转写文本上不可靠。

---

九、长上下文逻辑推理与决策辅助

9.1 整库/整卷分析的实操

Anthropic 官方展示的科学计算案例：一个可微分玻尔兹曼求解器项目，Claude 在 CLAUDE.md 中维护项目计划，在 CHANGELOG.md 中记录每次会话的进展、失败方案和精度表，使用参考实现作为测试 oracle，通过 Git 协调多会话工作。

关键实践：

• 进度文件是长期记忆：记录"试过 X 方案，系统太 stiff，换 Y"这类信息，避免后续会话重复死路。
• 测试 oracle 是自主工作的前提：没有可量化的成功标准，Agent 无法判断自己是否在进步。
• 每个有意义的工作单元后 commit：可恢复、可审查。

代码实现（简化版）：

def analyze_codebase_with_context(
    repo_path: str,
    question: str
) -> str:
    """
    分析整个代码库，回答架构级问题。
    使用分层导航避免一次性塞入全部文件。
    """
    ## 第一层：读取目录结构和 README
    import os
    structure = []
    for root, dirs, files in os.walk(repo_path):
        dirs[:] = [d for d in dirs if d not in ['.git', '__pycache__', 'node_modules']]
        level = root.replace(repo_path, '').count(os.sep)
        indent = '  ' * level
        structure.append(f"{indent}{os.path.basename(root)}/")
        for f in files[:5]:  ## 每目录最多 5 个文件
            structure.append(f"{indent}  {f}")
    
    structure_str = "\n".join(structure[:200])  ## 限制长度
    
    response = client.messages.create(
        model="claude-opus-5-5",  ## 架构级问题用 Opus
        max_tokens=4096,
        system="你是一位软件架构师。基于代码库结构回答，如果信息不足，指出需要查看哪些文件。",
        messages=[{
            "role": "user",
            "content": f"""代码库结构：
{structure_str}

问题：{question}"""
        }]
    )
    return response.content[0].text

9.2 对抗性模拟与决策压力测试

法律科技项目 Case Nexus 展示了另一种长上下文用法：将一名公设辩护人的全部案件（约 100 万 token）载入上下文，识别跨案件模式（如同一警官在不同案件中的违宪拦截），并使用三个 Claude 会话分别扮演控方、辩方和法官，进行超过 80,000 token 推理的对抗性模拟。

简化应用：商业决策也可以用类似方式------让 Claude 分别从"支持方""反对方""中立分析师"三个角色审视同一份提案。

请从三个角度分析以下提案：

<proposal>
[提案内容]
</proposal>

### 支持方
最有力的三个论据（每条附提案中的依据）

### 反对方
最有力的三个质疑（每条附提案中的依据）

### 中立分析师
你认为支持方和反对方各自忽略了什么？
如果只能给一个建议，是什么？

9.3 效果与陷阱

效果：长上下文 + 角色分离的对抗性分析，能暴露单一视角忽略的风险。Anthropic 的 harness 实验显示，Opus 4.6 在移除部分脚手架后仍能保持连贯性，但评估器在"任务超出模型独立能力边界"时仍提供价值。

陷阱：

• 上下文腐化：接近窗口上限时，早期信息的引用精度下降。关键决策依据应放在提示词靠前位置或通过锚点消息重申。
• 成本：100 万 token 的完整分析，即使使用 Sonnet，成本也可能达到数美元。批量离线任务可用 Batch API（半价）。
• 对抗性模拟的"伪深度"：三个角色的输出可能相互印证但共同遗漏关键信息。人类决策者仍需独立判断。

---

十、私有知识库搭建与领域专家系统

10.1 知识库文件结构设计

Claude Code 的 Skill 机制允许将领域知识固化为可复用的结构。社区 email-triage skill 的设计值得参考：通过一系列"grill-me 问题"引导用户建立包含评估框架、屏蔽列表、追踪表等 7 个文件的知识库。

通用知识库结构：

knowledge/
├── CLAUDE.md              ## 总体说明与规则
├── glossary.md            ## 术语表
├── decision-tree.md       ## 决策逻辑
├── examples/              ## 标注示例
│   ├── good/              ## 高质量输出样例
│   └── bad/               ## 反面样例
└── changelog.md           ## 知识库更新记录

CLAUDE.md 的关键内容：

• 领域边界（能回答什么，不能回答什么）
• 术语的一致性定义
• 输出格式规范
• 不确定时的行为（"如果知识库中没有相关信息，回答'需要查阅'而非推测"）

10.2 Claude Code Skill 方式集成

将知识库目录放在 ~/.claude/skills/ 下，Claude Code 会自动发现并在匹配任务时加载。对于 API 用户，可以将知识库内容作为 system prompt 的一部分，配合提示缓存降低重复成本。

10.3 效果与陷阱

效果：领域知识库 + 明确边界规则，使 Claude 在专业场景中的"越界回答"显著减少。术语一致性提升。

陷阱：

• 知识库过时是最大风险 。建立 changelog.md 并定期审查，比一次性建库更重要。
• 隐私边界 ：知识库文件中不应存储密码、账号、个人身份信息。敏感信息应在运行时注入或由用户单独管理。
• Skill 不是万能：复杂领域判断仍需要人类专家。Claude 的角色是"加速检索和格式化"，而非替代专业判断。

---

十一、安全合规与敏感信息处理

11.1 脱敏策略

在发送给 Claude 之前，对输入做本地脱敏：

import re

def desensitize(text: str) -> tuple[str, dict]:
    """
    简单脱敏：替换手机号、邮箱、身份证号。
    返回脱敏后文本和映射表（用于还原）。
    """
    mapping = {}
    patterns = {
        "PHONE": r"1[3-9]\d{9}",
        "EMAIL": r"[\w.-]+@[\w.-]+\.\w+",
        "ID": r"\d{17}[\dXx]",
    }
    
    result = text
    for label, pattern in patterns.items():
        for i, match in enumerate(re.findall(pattern, result)):
            placeholder = f"[{label}_{i}]"
            mapping[placeholder] = match
            result = result.replace(match, placeholder)
    
    return result, mapping

使用原则：对于必须处理敏感信息的场景（如医疗记录分析），优先使用支持本地部署或私有云的服务，而非公共 API。

11.2 合规边界

Anthropic 使用政策要求高风险场景（医疗、法律、财务、信贷）必须有具备资质的人类审核，并告知受影响个体 AI 参与。开发者自查清单：

• 用例不在禁止范围内（武器、监控、选举干预等）
• 高风险场景有人工审核环节
• 用户数据有明确的处理告知
• 密钥通过环境变量管理，未硬编码
• 输出中不包含未脱敏的 PII

---

十二、总结与选型建议

场景-模型-档位速查

场景	推荐模型	思考档位	关键提示词要素
文档提炼	Sonnet 5.5	Medium	分层导航 + Schema
代码生成	Sonnet 5.5	Medium	需求理解 + 边界 + 测试
代码审查	Sonnet 5.5	High	严重程度分级
创意批量	Sonnet 5.5	Low/Medium	风格档案
翻译	Sonnet 5.5	Medium	术语表 + 语气
数据清洗	Sonnet 5.5	Low	规则明确 + 用代码算
学习诊断	Opus 5.5	High	先诊断后解释
客服应答	Sonnet 5.5	Low	话术模板 + 禁止用语
会议纪要	Sonnet 5.5	Medium	结构化格式 + 发言人
长上下文决策	Opus 5.5	High	对抗角色 + 引用
知识库	Sonnet 5.5	Medium	CLAUDE.md + 缓存

核心原则

1. 规格清晰的任务用 Sonnet，需要持续判断的任务用 Opus。 Sonnet 在可验证任务上已反超 Opus（Terminal-Bench 70.6% vs 66.4%），但代价是更高的 token 消耗。
2. 分层和约束是长文档任务的关键。 "扔文档 + 问总结"浪费了大部分潜力。
3. 每篇单独调用优于一次批量。 批量输出的后半部分质量下降。
4. 让 Claude 写代码来算，不要让 Claude 心算。 数值任务的准确率差异显著。
5. 知识库需要维护，不是一次性工程。 Changelog 和定期审查比建库本身更重要。

---

附录

附录 A：成本估算参考（Sonnet 5.5）

任务类型	输入 token（估）	输出 token（估）	单次成本（估）
18,000 字文档分析（分层）	~25k	~2k	$0.07
函数级代码生成	~500	~1k	$0.011
3000 字翻译	~4k	~4k	$0.048
45 分钟会议纪要	~8k	~1.5k	$0.031
100 万 token 代码库分析	~1M	~4k	$2.04

按 Sonnet 5.5 定价：输入 2/M，输出 10/M。批量 API 半价。

附录 B：提示词模板速查

文档导航 ："分析目录结构，列出与 X 最相关的三个章节，标注位置"

代码生成 ："先列出你对需求的理解，再写代码，附 3 个 assert 测试"

调试 ："输入是 X，期望是 Y，实际是 Z。定位行、解释原因、只改必要行"

翻译 ："术语表：...。语气：...。保留不确定性程度"

数据提取 ："只提取明确出现的信息。Schema：...。找不到的字段写 null"

学习 ："先问我 2~3 个诊断性问题，不要直接解释"

会议 ："只写入有明确结论的事项。未决表述归入待讨论"

决策："从支持方、反对方、中立分析师三个角度分析"

附录 C：常见错误速查

现象	可能原因	解决
输出被截断	max_tokens 不足	增大或拆分任务
事实错误	无参考文档	提供文档 + 要求引用
格式漂移	无 Schema 约束	给 JSON Schema + 示例
术语不一致	无术语表	system 中明确术语
责任人不准	发言人标签混乱	提供参会人名单
成本过高	长上下文 + 高输出	分层处理 + 缓存 + Batch

---

免责声明：本文所有代码示例仅供教学参考，生产部署需补充日志、监控与安全审计。模型定价、能力与政策可能随版本更新变化，以 Anthropic 官方文档为准。高风险领域使用请遵循使用政策并确保人类在环。

---

---