来源：https://console.anthropic.com/docs
翻译：Claude
校对：ALLinLLM
翻译进度：31%
什么是 Claude
Claude 是由 Anthropic 创建的大型语言模型（LLM），经过训练可以以会话方式成为一位有帮助的助手。
与 Claude 交互的方式有多种：
Web - 通过 Anthropic 的控制台，您可以通过聊天界面与 Claude 进行对话。
API - 允许将 Claude 集成到您的产品中，为客户提供服务。无论您使用哪种接口，与 Claude 的交互方式大致相同，这使得您可以轻松地在控制台中尝试提示，并将其迁移到基于 API 的系统中。
获取 Claude 访问权限
Anthropic 正在谨慎推出 Claude，以确保其安全性和可扩展性，这与公司的价值观一致。我们正在与选定的合作伙伴合作在其产品中推出 Claude。如果您有兴趣成为合作伙伴之一，我们正在接受申请。请注意，由于收到的极大兴趣，回复可能需要一些时间。
如果您已通过某种接口（例如 Claude in Slack）与 Claude 进行交互，并希望转移到另一种接口（例如 API 访问），您可以分别重新申请访问每个产品。
与 Claude 的第一次聊天
Claude 拥有许多功能，其响应效果可能取决于您提出问题的方式。无论通过 Slack 还是网页界面，这里有一些建议供您参考：
把 Claude 当作外包员工一样交谈
与 Claude 交谈时，像对待外包员工一样，而不是简单的文本补全 API。例如：
写一篇专家级的激光光学技术摘要。
Claude “记得” 整个线程
通过 Slack 或网页界面与 Claude 交互时，它可以看到您在该线程中写的任何其他内容。它无法记住此线程之前您说过的任何内容（例如其他线程，即使同时进行），它在线程之间清除记忆。
需要记住的限制
🎭 Claude 正在“扮演”一个有帮助的助手角色，可能会错误地报告自己的能力，或声称“更新记忆”，实际上它对先前的谈话没有任何记忆。
➗ Claude 在复杂的算术和推理方面经常出错，有时在更基本的任务上也会出错。
👻 Claude 有时会产生幻觉或编造信息和细节。
🌐 Claude 阅读了互联网上的许多资料，但无法访问互联网。
⏳ Claude 的训练数据可能早于 2 年前。
📅 Claude 不知道今天的日期，也不知道当前事件。
🔨 它无法在现实世界中采取行动，但可以建议采取行动。
📇 它无法查阅信息，但可以建议查阅什么信息。
术语词典
以下是一些相关概念的简要总结：
上下文窗口
“上下文窗口”是指语言模型在生成文本时可以回顾和参考的文本量。
微调
微调是指使用额外的数据进一步训练预训练语言模型的过程。Claude 已经被微调为一款有用的助手。
HHH
这三个 H 代表 Anthropic 确保 Claude 有益于社会的目标：
一个有帮助的 AI 会尽力执行提出的任务或回答提出的问题。
一个诚实的 AI 会提供准确的信息，而不是幻想或虚构。
一个无害的 AI 不会冒犯或歧视，并在被要求协助危险行为时，礼貌地拒绝。
LLM
大型语言模型（LLM）是具有许多参数的 AI 语言模型，能够执行各种有用任务。Claude 是一个基于大型语言模型的会话助手。
RLHF
人工反馈强化学习是一种方法，可以鼓励预训练语言模型表现出与人类偏好一致的方式。
温度
温度是一个控制模型预测随机性的参数。更高的温度会产生更有创造力的样本，而较低的温度会产生更保守的样本。
Token
Token 是语言模型的最小个别“原子”，可以对应单词、词根、字符，甚至在 Unicode 的情况下对应到单个字节。
Claude 经过训练成为一名有帮助的助手，习惯于对话，您可以用标准英语指示它。把 Claude 想象成一名新雇佣的承包商，给它非常具体的说明。
提示词
您给 Claude 的文本旨在引发或“提示”相关响应。提示通常采取问题或指示的形式。例如：
人类：为什么天空是蓝色的？
助手：
通过 API 发送的提示必须包含 人类： 和 助手： 作为说话人的信号。
Claude 通过使用像这样的 人类： 和 助手： 数据进行 RLHF 方法训练和微调。
响应
Claude 响应的文本称为“响应”。
“把内容喂到 Claude 的嘴里”
提示样式有几个有用的功能，允许通过向 Claude 发送它以前说过的话进行持续的对话。
人类：请选择一个随机水果。
助手：这里是我为您随机选择的水果：
番石榴。
人类：这种水果的颜色是什么？
助手：
提示长度
Claude 可以看到的最大提示长度为其上下文窗口，当前为 6500 个单词/8000 个 token/28000 个 Unicode 字符。
与某人交谈时，很容易忽略他们可能缺乏您脑海中的上下文。为了减少误解的风险，我们需要明确说明并消除任何歧义。
明确描述需求
为了避免歧义，保持提示词的精确，具备完整的主谓宾定状补。例如：
反例：纽约有多大？
正例：相比其他州，纽约州的面积和人口有多大？
提供示例
在提示中包含几个示例可以大大提高准确性。这被称为少样本，而不是单样本回答。
人类：想一个护士的有趣集体名词。
助手：
当您提供的说明很复杂时，可以考虑一些额外的技术。
编写子任务
Claude 在由几个子任务组成的“复杂”任务中的表现较差。您可以通过将提示分解为步骤来帮助 Claude。
人类：告诉我工蜂如何维护巢穴，用英语，但在您的答案中将“蜜蜂”的任何实例替换为德语单词，并将其放入 标签中。
检查 Claude 是否理解您的提示词
确定 Claude 是否理解您的指示词的最佳方式是询问 Claude。
人类：我将给您一个句子，您需要告诉我它包含单词“苹果”的次数。
迭代扩展提示是指使用 Claude 的响应来提高后续提示的可靠性。
重复说明
在检查 Claude 的理解之后，可以包括来自 Claude 的响应，以加固模型对新请求说明的理解。
人类：这里有一个句子：
我吃了一个苹果，然后我吃了另一个苹果。
您的答案是什么？