分类

本指南将引导您完成以下过程：确定使用 Claude 构建分类器的最佳方法，以及 Claude 分类器端到端部署的基本要素——从用例探索到后端集成。



何时使用 Claude 进行分类

在什么情况下，您应该考虑使用 LLM 而非传统机器学习方法来完成分类任务？以下是一些关键指标：

1. 基于规则的类别：当类别由条件而非示例定义时，使用 Claude，因为它能够理解底层规则。
2. 不断演变的类别：Claude 能够很好地适应具有新兴类别和变化边界的新领域或不断变化的领域。
3. 非结构化输入：Claude 可以处理大量长度不一的非结构化文本输入。
4. 有限的标注示例：凭借 "few-shot learning"（少样本学习）能力，Claude 可以从有限的标注训练数据中准确学习。
5. 推理需求：Claude 擅长需要语义理解、上下文和高层次推理的分类任务。



确立您的分类用例

以下是按行业划分的常见分类用例的非详尽列表，Claude 在这些用例中表现出色。



使用 Claude 实现分类

三个关键的模型决策因素是：智能程度、"latency"（延迟）和价格。

对于分类任务，像 Claude Haiku 4.5 这样的较小模型通常是理想选择，因为它速度快且效率高。不过，对于需要专业知识或复杂推理的分类任务，Sonnet 或 Opus 可能是更好的选择。在模型概述中了解 Opus、Sonnet 和 Haiku 的更多对比信息。

使用评估来衡量 Claude 模型的表现是否足以投入生产环境。



1. 构建强大的输入提示

虽然 Claude 开箱即用即可提供高水平的基准性能，但强大的输入提示有助于获得最佳结果。

如需一个可适配您特定用例的通用分类器，请复制下方的入门提示：



2. 开发您的测试用例

要运行分类评估，您需要用于运行评估的测试用例。请参阅开发测试用例指南。



3. 运行您的评估



评估指标

在评估 Claude 在分类任务上的表现时，可以考虑以下一些成功指标：



部署您的分类器

要查看如何使用 Claude 进行分类的代码示例，请查阅 Claude Cookbook 中的分类指南。