分類

本指南將引導您完成確定使用 Claude 構建分類器的最佳方法的過程，以及 Claude 分類器端到端部署的要點，從使用案例探索到後端整合。



何時使用 Claude 進行分類

什麼時候應該考慮使用 LLM 而不是傳統的 ML 方法來處理您的分類任務？以下是一些關鍵指標：

1. 基於規則的類別：當類別由條件而非範例定義時，請使用 Claude，因為它能夠理解底層規則。
2. 不斷演變的類別：Claude 能夠很好地適應具有新興類別和變動邊界的新領域或變化中的領域。
3. 非結構化輸入：Claude 可以處理大量長度不一的非結構化文本輸入。
4. 有限的標記範例：憑藉「few-shot learning」（少樣本學習）能力，Claude 可以從有限的標記訓練數據中準確學習。
5. 推理需求：Claude 擅長需要語義理解、上下文和更高層次推理的分類任務。



確立您的分類使用案例

以下是按行業劃分的 Claude 擅長的常見分類使用案例的非詳盡列表。



實作 Claude 進行分類

三個關鍵的模型決策因素是：智能、「latency」（延遲）和價格。

對於分類任務，像 Claude Haiku 4.5 這樣的較小模型通常是理想選擇，因為它速度快且效率高。不過，對於需要專業知識或複雜推理的分類任務，Sonnet 或 Opus 可能是更好的選擇。請在模型概覽中了解更多關於 Opus、Sonnet 和 Haiku 的比較。

使用評估來衡量 Claude 模型的表現是否足以投入生產環境。



1. 構建強大的輸入提示

雖然 Claude 開箱即用就能提供高水準的基準性能，但強大的輸入提示有助於獲得最佳結果。

對於可以適應您特定使用案例的通用分類器，請複製以下入門提示：



2. 開發您的測試案例

要執行您的分類評估，您需要測試案例來執行。請查看開發測試案例的指南。



3. 執行您的評估



評估指標

評估 Claude 在分類任務上的表現時，可以考慮的一些成功指標包括：



部署您的分類器

要查看如何使用 Claude 進行分類的程式碼範例，請查看 Claude Cookbook 中的分類指南。