Інтеграція Anthropic Claude: Tool Use, кешування та оптимізація

Інтеграція Anthropic Claude: Tool Use, кешування та оптимізація

Відзначимо: коли клієнт прийшов із запитом інтегрувати Claude у свій SaaS-продукт, перша версія викликала модель без жодної оптимізації. Після тижня тестів рахунок за API виріс до тисяч доларів, а якість відповідей не виправдовувала очікувань. Ми перепроектували архітектуру: впровадили Tool Use для агентських сценаріїв, налаштували Prompt Caching для статичних інструкцій і підібрали модель під кожен тип запиту. Підсумок — зниження витрат на 80% при збереженні latency p99 під 2 секунди. У цьому матеріалі — практичні кроки, які стануть у пригоді кожному, хто впроваджує Claude у production.

Яку модель Claude обрати для production?

Claude Haiku у 5 разів дешевший за Opus при аналогічній якості на простих завданнях. Вибір моделі залежить від вашого сценарію: ми допомагаємо підібрати оптимальну конфігурацію під навантаження.

Чому вибір моделі визначає бюджет?

На одному з проектів ми замінили Opus на Sonnet для 70% запитів, залишивши Opus лише для складних міркувань. Це знизило загальні витрати на API в 3 рази. Для простих завдань на кшталт класифікації або вилучення даних Haiku дає ту саму точність, що й Opus, але коштує в 10 разів менше. Завжди тестуйте на своїх даних.

Як налаштувати базову інтеграцію?

import anthropic
from pydantic import BaseModel

client = anthropic.Anthropic()  # ANTHROPIC_API_KEY з env

# Базовий виклик
def chat(prompt: str, model: str = "claude-sonnet-4-5") -> str:
    message = client.messages.create(
        model=model,
        max_tokens=1024,
        messages=[{"role": "user", "content": prompt}]
    )
    return message.content[0].text

# З system prompt
def chat_with_system(system: str, prompt: str) -> str:
    message = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=2048,
        system=system,
        messages=[{"role": "user", "content": prompt}],
        temperature=0.1,
    )
    return message.content[0].text

# Streaming
def stream_response(prompt: str):
    with client.messages.stream(
        model="claude-sonnet-4-5",
        max_tokens=1024,
        messages=[{"role": "user", "content": prompt}],
    ) as stream:
        for text in stream.text_stream:
            yield text

# Vision
def analyze_image(image_base64: str, media_type: str, question: str) -> str:
    message = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=1024,
        messages=[{
            "role": "user",
            "content": [
                {
                    "type": "image",
                    "source": {
                        "type": "base64",
                        "media_type": media_type,
                        "data": image_base64,
                    },
                },
                {"type": "text", "text": question},
            ],
        }]
    )
    return message.content[0].text

Що таке Tool Use і як побудувати агента?

Tool Use (Function Calling) дозволяє Claude викликати зовнішні функції. Ви описуєте інструменти в JSON Schema, і модель вирішує, коли їх застосувати. Це ключовий механізм для побудови агентів.

tools = [{
    "name": "get_weather",
    "description": "Get current weather for a city",
    "input_schema": {
        "type": "object",
        "properties": {
            "city": {"type": "string", "description": "City name"},
            "units": {"type": "string", "enum": ["celsius", "fahrenheit"]},
        },
        "required": ["city"]
    }
}]

def run_agent_loop(user_message: str) -> str:
    messages = [{"role": "user", "content": user_message}]

    while True:
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=1024,
            tools=tools,
            messages=messages,
        )

        if response.stop_reason == "end_turn":
            return response.content[-1].text

        # Обробляємо tool_use блоки
        tool_results = []
        for block in response.content:
            if block.type == "tool_use":
                result = dispatch_tool(block.name, block.input)
                tool_results.append({
                    "type": "tool_result",
                    "tool_use_id": block.id,
                    "content": str(result),
                })

        messages.append({"role": "assistant", "content": response.content})
        messages.append({"role": "user", "content": tool_results})

При кількох інструментах логіка та сама — модель сама вибирає, який викликати. Важливо правильно обробляти помилки виклику інструментів: передавати їх у наступному запиті як is_error.

Як працює Prompt Caching і чому він економить до 90%?

Кешування великих статичних промптів (документи, інструкції) — ключовий прийом. Кеш зберігається 5 хвилин, економія на повторних викликах сягає 90%. Anthropic рекомендує використовувати кешування для блоків об'ємом понад 1024 токенів.

def cached_analysis(system_doc: str, question: str) -> str:
    message = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=1024,
        system=[{
            "type": "text",
            "text": system_doc,
            "cache_control": {"type": "ephemeral"},  # Кешуємо цей блок
        }],
        messages=[{"role": "user", "content": question}]
    )
    return message.content[0].text

На практиці: якщо у вас часто повторюються одні й ті самі інструкції (наприклад, опис формату відповіді), виносьте їх в окремий блок, що кешується. Це знижує latency і cost.

Порівняйте: з кешуванням і без

Економія на повторюваних інструкціях може досягати 90%. Замовте консультацію для розрахунку економії на вашому сценарії.

Що входить у нашу інтеграцію?

• Архітектурна документація зі схемою інтеграції та вибором моделі
• Репозиторій з кодом на Python (FastAPI або Flask) з підтримкою streaming, Vision, Tool Use
• Налаштування моніторингу та алертів (Grafana + Prometheus) за ключовими метриками: p99 latency, токени за хвилину, помилки
• Навчання команди замовника (2–3 години) з експлуатації та доопрацювання
• Підтримка протягом 30 днів після деплою

Покрокова інструкція з інтеграції

1. Аналітика — визначаємо сценарій, навантаження, обираємо модель.
2. Проектування — архітектура інтеграції, налаштування rate limiting та retry-логіки.
3. Реалізація — базовий виклик, стримінг, Vision.
4. Впровадження інструментів — Tool Use для агентів.
5. Оптимізація — Prompt Caching, вибір моделі, налаштування температури.
6. Тестування — перевірка під навантаженням, вимірювання p99 latency.
7. Деплой — розгортання, моніторинг, навчання команди.

Кожен етап може бути виконаний окремо. Повний цикл займає до тижня.

Строки та вартість

• Базова інтеграція: від 0.5 дня
• Tool Use + agent loop: 2–3 дні
• Prompt Caching + оптимізація: 1 день
• Повний цикл: до тижня

Вартість розраховується індивідуально залежно від складності. Замовте консультацію — ми підберемо оптимальну архітектуру під вашу задачу.

Типові помилки при інтеграції

• Ігнорування кешування — призводить до зайвих витрат (можна було заощадити 50–90%).
• Неправильний вибір моделі — Haiku достатньо для 70% запитів, але використовують Opus.
• Відсутність retry-логіки — через rate limit втрачаються запити.
• Занадто довгі system prompts без кешування — зростає latency і cost.

Зв'яжіться з нами, щоб обговорити ваш сценарій інтеграції. Гарантуємо стабільну роботу та оптимізацію витрат.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.