降低延迟

延迟是指模型处理提示词并生成输出所需的时间。延迟可能受多种因素影响，例如模型的大小、提示词的复杂性以及支持模型和交互点的底层基础设施。

如何测量延迟

在讨论延迟时，你可能会遇到几个术语和测量方法：

• 基线延迟：这是模型处理提示词并生成响应所需的时间，不考虑每秒的输入和输出令牌。它提供了模型速度的一般概念。
• 首个令牌时间 (TTFT)：此指标测量从发送提示词到模型生成响应的第一个令牌所需的时间。当你使用流式传输（稍后会详细介绍）并想为用户提供响应式体验时，这特别相关。

如需更深入地了解这些术语，请查看我们的词汇表。

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你的用例选择合适的模型。Anthropic 提供了一系列模型，具有不同的功能和性能特征。考虑你的具体需求，并选择在速度和输出质量方面最适合你需求的模型。

对于对速度要求严格的应用，Claude Haiku 4.5 提供最快的响应时间，同时保持高智能水平：

import anthropic

client = anthropic.Anthropic()

# 对于时间敏感的应用，使用 Claude Haiku 4.5
message = client.messages.create(
    model="claude-haiku-4-5",
    max_tokens=100,
    messages=[
        {
            "role": "user",
            "content": "用 2 句话总结这个客户反馈：[feedback text]",
        }
    ],
)

有关模型指标的更多详情，请参阅我们的模型概览页面。

2. 优化提示词和输出长度

最小化输入提示词和预期输出中的令牌数量，同时仍保持高性能。模型需要处理和生成的令牌越少，响应速度就越快。

以下是一些帮助你优化提示词和输出的提示：

• 清晰但简洁：在提示词中清晰而简洁地传达你的意图。避免不必要的细节或冗余信息，同时记住 Claude 缺乏你用例的上下文，如果指令不清楚，可能无法进行预期的逻辑推断。
• 要求更短的响应：直接要求 Claude 简洁。Claude 3 系列模型相比之前的版本改进了可控性。如果 Claude 输出的长度不符合要求，要求 Claude 减少啰嗦。
  由于 LLM 计算令牌而不是单词的方式，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 参数设置生成响应的最大长度的硬限制。这可以防止 Claude 生成过长的输出。

  注意：当响应达到 max_tokens 个令牌时，响应将被截断，可能在句子中间或单词中间，所以这是一种粗暴的技术，可能需要后处理，通常最适合用于多选或简答题，其中答案出现在最开始。

• 尝试不同的温度：temperature 参数控制输出的随机性。较低的值（例如 0.2）有时会导致更集中和更短的响应，而较高的值（例如 0.8）可能会导致更多样化但可能更长的输出。

找到提示词清晰度、输出质量和令牌数量之间的正确平衡可能需要一些实验。

3. 利用流式传输

流式传输是一项功能，允许模型在完整输出完成之前开始发送回其响应。这可以显著改善应用的感知响应性，因为用户可以实时看到模型的输出。

启用流式传输后，你可以在模型输出到达时处理它，并行更新用户界面或执行其他任务。这可以大大增强用户体验，使应用感觉更具交互性和响应性。

访问流式传输消息以了解如何为你的用例实现流式传输。