Facebook

from openai import OpenAI client = OpenAI( api_key="YOUR_COMETAPI_KEY", base_url="https://api.cometapi.com/v1", ) response = client.chat.completions.create( model="gpt-5-mini", messages=[{"role": "user", "content": "Build this workflow."}], ) print(response.choices[0].message.content)

Claude Haiku 4.5 landede som et bevidst valg i "hurtig, billig, stadig meget smart"-banen: Anthropic positionerede den til at give Sonnet-niveau kodning og agentisk ydeevne til en væsentligt lavere pris og med hurtigere latenstid, hvilket gør den til et attraktivt valg for subagenter og opgaver med høj kapacitet. Dette gør Claude Haiku 4.5 ideel, når du ønsker en model, der skal fungere som en proxy-encoder — dvs. konvertere brugertekst til kompakte, maskinvenlige repræsentationer (struktureret JSON, korte semantiske koder, intentvektorer, labels), som downstream-komponenter (hentningsprogrammer, værktøjsløbere, vektorlagre) kan operere på hurtigt og billigt.

Hvordan opbygger man proxy-kodning ved hjælp af Claude Haiku 4.5?

Proxy-kodning = konverter fritformssprog → kompakt struktureret repræsentation egnet til maskiner. Eksempler: et JSON-handlingsskema (), en kanonisk kort beskrivelse til hentning, eller en ADT (action descriptor token), som downstream-tjenester kan parse. At gøre dette med en letvægts LLM i stedet for en tung planlægger kan fremskynde orkestrering dramatisk og sænke omkostningerne.

# proxy_encoder.py import os import json from typing import List, Dict from anthropic import Anthropic # pip install anthropic ANTHROPIC_API_KEY = os.environ.get("ANTHROPIC_API_KEY") client = Anthropic(api_key=ANTHROPIC_API_KEY) HAIKU_MODEL = "claude-haiku-4-5" # official model id — verify in your console SYSTEM_PROMPT = """You are a strict encoder agent. For each input text, output EXACTLY one JSON object with the schema: { "id": "<document id>", "summary": "<one-sentence summary, <= 20 words>", "entities": , "categories": , "needs_escalation": true|false, "notes": "<optional short note>" } Return ONLY the JSON object (no explanation). Use truthful concise values. If unknown, use empty strings or empty lists. """ def structured_encode(doc_id: str, text: str) -> Dict: prompt = SYSTEM_PROMPT + "\n\nInputText:\n\"\"\"\n" + text + "\n\"\"\"\n\nRespond with JSON for id: " + doc_id resp = client.messages.create( model=HAIKU_MODEL, messages=[{"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": "Encode document id=" + doc_id + "\n\n" + text}], max_tokens=300, temperature=0.0 # deterministic outputs ) # the SDK returns a field like resp (consult your SDK version) raw = resp.get("content") or resp.get("message") or resp.get("completion") or "" # try to find JSON in response (robust parsing) try: return json.loads(raw.strip()) except Exception: # simple recovery: extract first { ... } block import re m = re.search(r"\{.*\}", raw, flags=re.DOTALL) if m: return json.loads(m.group(0)) raise # Example: hybrid pipeline that optionally calls an embeddings service def process_and_maybe_embed(doc_id: str, text: str, embed_callback): encoding = structured_encode(doc_id, text) print("Haiku encoding:", encoding) if encoding.get("needs_escalation"): # escalate logic - send to a high-quality reasoning model or human print("Escalation requested for", doc_id) return {"encoding": encoding, "embedded": False} # Decide whether to embed (simple rule) if "important" in encoding.get("categories", []): # prepare canonical text (could be a field from encoding) canonical = encoding.get("summary", "") + "\n\n" + text # call the embedding callback (user provides function to call embeddings model) vector = embed_callback(canonical) # store vector and metadata in DB... return {"encoding": encoding, "embedded": True, "vector_length": len(vector)} return {"encoding": encoding, "embedded": False} # Example placeholder embedding callback (replace with your provider) def dummy_embed_callback(text: str): # Replace with: call your embeddings API and return list # Eg: client.embeddings.create(...), or call to other provider import hashlib, struct h = hashlib.sha256(text.encode("utf-8")).digest() # turn into pseudo-float vector for demo — DO NOT use in production vec = ] return vec if __name__ == "__main__": doc = "Acme Corp acquired Cyclone AB for $300M. The deal expands..." out = process_and_maybe_embed("doc-001", doc, dummy_embed_callback) print(out)

Læs mere

Sådan opbygger du proxy-kodning ved hjælp af Claude Haiku 4.5

Lav det første API-kald.

Hvordan opbygger man proxy-kodning ved hjælp af Claude Haiku 4.5?

Knyt denne artikel til den næste beslutning.

Hvorfor skal du bruge Claude Haiku 4.5 som din proxy-encoder?

Praktiske tilgange til "proxy-kodning" med Claude Haiku 4.5

A — Strukturerede proxy-kodninger via deterministisk prompting

B — Hybrid indlejringspipeline (Haiku som præprocessor/router)

Minimalt fungerende eksempel (Python)

Hvornår skal man ikke Brug Haiku til kodning

Sådan får du adgang til Claude Haiku 4.5 API

Konklusion