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 havnet som et bevisst valg i «raskt, billig, fortsatt veldig smart»-feltet: Anthropic posisjonerte det for å gi koding og agentytelse på Sonnet-nivå til betydelig lavere kostnad og med raskere latens, noe som gjør det til et attraktivt valg for underagenter og oppgaver med høy gjennomstrømning. Dette gjør Claude Haiku 4.5 ideell når du ønsker at en modell skal fungere som en proxy-koder — dvs. konvertere brukertekst til kompakte, maskinvennlige representasjoner (strukturert JSON, korte semantiske koder, intensjonsvektorer, etiketter) som nedstrømskomponenter (hentingsprogrammer, verktøyløpere, vektorlagre) kan operere på raskt og billig.

Hvordan bygge proxy-koding med Claude Haiku 4.5?

Proxy-koding = konverter frittstående språk → kompakt strukturert representasjon egnet for maskiner. Eksempler: et JSON-handlingsskjema (), en kanonisk kort beskrivelse for henting, eller en ADT (handlingsbeskrivelsestoken) som nedstrømstjenester kan analysere. Å gjøre dette med en lett LLM i stedet for en tung planlegger kan øke hastigheten på orkestrering og redusere kostnader dramatisk.

# 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)

Les mer

Hvordan bygge proxy-koding ved hjelp av Claude Haiku 4.5

Gjør det første API-kallet.

Hvordan bygge proxy-koding med Claude Haiku 4.5?

Koble denne artikkelen til neste beslutning.

Hvorfor bruke Claude Haiku 4.5 som proxy-koder?

Praktiske tilnærminger til «proxy-koding» med Claude Haiku 4.5

A — Strukturerte proxy-kodinger via deterministisk prompting

B — Hybrid innebyggingspipeline (Haiku som forprosessor/ruter)

Minimalt fungerende eksempel (Python)

Når til ikke bruk Haiku til koding

Slik får du tilgang til Claude Haiku 4.5 API

Konklusjon