降低延迟

"Latency"（延迟）是指模型处理提示并生成输出所需的时间。延迟可能受到各种因素的影响，例如模型的大小、提示的复杂性以及支持模型和交互点的底层基础设施。



如何衡量延迟

在讨论延迟时，您可能会遇到几个术语和度量指标：

• 基线延迟（Baseline latency）： 这是模型处理提示并生成响应所需的时间，不考虑每秒的输入和输出令牌数。它提供了模型速度的总体概念。
• 首个令牌时间（Time to first token，TTFT）： 该指标衡量从发送提示开始，模型生成响应的第一个令牌所需的时间。当您使用流式传输（稍后详述）并希望为用户提供响应迅速的体验时，这一点尤为重要。

要更深入地理解这些术语，请查看术语表。



如何降低延迟



1. 选择合适的模型

降低延迟最直接的方法之一是为您的用例选择合适的模型。Anthropic 提供了一系列模型，它们具有不同的能力和性能特征。请考虑您的具体需求，并在速度和输出质量方面选择最适合您需求的模型。

对于速度至关重要的应用，Claude Haiku 4.5 在保持高智能的同时提供最快的响应时间：

client = anthropic.Anthropic()

# 对于时间敏感的应用，请使用 Claude Haiku 4.5
message = client.messages.create(
    model="claude-haiku-4-5",
    max_tokens=100,
    messages=[
        {
            "role": "user",
            "content": "Summarize this customer feedback in 2 sentences: [feedback text]",
        }
    ],
)
print(message.content[0].text)

有关模型指标的更多详细信息，请参阅模型概述页面。



2. 优化提示和输出长度

在保持高性能的同时，尽量减少输入提示和预期输出中的令牌数量。模型需要处理和生成的令牌越少，响应就越快。

以下是一些帮助您优化提示和输出的技巧：

• 清晰但简洁： 力求在提示中清晰简洁地传达您的意图。避免不必要的细节或冗余信息，同时请记住 Claude 缺乏关于您用例的上下文，如果指令不清晰，可能无法做出预期的逻辑推断。
• 要求更简短的响应： 直接要求 Claude 保持简洁。如果 Claude 输出了不需要的长度，请要求 Claude 控制其冗长程度。
  

  由于 LLM 计算的是令牌而不是单词，要求精确的字数或字数限制不如要求段落或句子数量限制有效。
• 设置适当的输出限制： 使用 max_tokens 参数为生成响应的最大长度设置硬性限制。这可以防止 Claude 生成过长的输出。
  

  当响应达到 max_tokens 个令牌时，响应将被截断，可能在句子或单词中间，因此这是一种粗略的技术，可能需要后处理，通常最适合答案出现在开头的多项选择或简答题响应。
• 尝试调整 temperature： temperature 参数控制输出的随机性。较低的值（例如 0.2）有时可以产生更集中和更简短的响应，而较高的值（例如 0.8）可能会产生更多样化但可能更长的输出。

在提示清晰度、输出质量和令牌数量之间找到合适的平衡可能需要一些实验。



3. 流式传输响应

"Streaming"（流式传输）是一项允许模型在完整输出完成之前就开始发送其响应的功能。这可以显著提高应用程序的感知响应速度，因为用户可以实时看到模型的输出。

启用流式传输后，您可以在模型输出到达时对其进行处理，并行更新用户界面或执行其他任务。

访问流式传输消息了解如何为您的用例实现流式传输。



后续步骤