使用 Anthropic 的 Claude Sonnet 生成报告

Pilar，一家巴西房地产科技公司，联合创始人兼首席技术官Raphael分享了利用Anthropic Claude 3.5 Sonnet生成报告的经验，并比较了两种不同方法的优劣。Pilar为房地产经纪商提供基于低成功费模式的软件和服务，其20人的技术团队不断开发创新产品，例如全新的房地产门户网站Pilar Homes。

随着业务扩张和客户数量增长，对报告的需求也日益增加。Raphael意识到利用AI代理来优化报告生成流程的潜力，并进行了探索。

方法一：AI直接处理数据，受限于最大令牌数

最初，Raphael尝试让Claude直接访问数据库，执行查询，将结果转换为CSV文件。 Claude能够处理小型CSV报告(少于500行)，但大型报告会因超出最大令牌限制而失败。分析发现，大部分令牌消耗在处理单个记录上。

代码片段：

# each collection object describes a mongodb collection and its fields
collections = [
    # ... (collection definitions) ...
]

role_prompt = "你是一位工程师，负责根据用户对报告内容的描述生成基于CSV的报告。"

task_prompt = f"{report_description}.
可用集合: {collections}
公司代码: {company_codes}
始终要求用户提供公司代码来过滤数据——用户可以使用'imobiliária'、'marca'、'brand'或'company'来指代公司。如果用户需要某个集合中不存在的字段，请勿将其添加到报告中，也勿询问用户该字段。"

# ... (find and docs2csv functions) ...

方法二：AI生成Python代码，提升效率和可扩展性

为了解决最大令牌数的限制，Raphael改用了一种更有效的方法：让Claude生成可执行的Python代码来处理数据。

他修改了提示，不再提供工具，而是让Claude生成代码。 Claude成功生成了能够连接数据库、执行查询并生成CSV报告的Python代码。

示例代码：

# ... (database connection and query code generated by Claude) ...

结论

Raphael的实验表明，AI能够显著提高报告生成的效率，但关键在于选择正确的架构。代码生成方法比直接AI数据处理更具可扩展性和可维护性，同时允许工程师审查AI生成的代码，提高可靠性。 未来，可以通过多个AI代理并行处理任务来进一步提升效率。

主要经验：

• 直接AI处理适用于小型数据集。
• 代码生成方法更具可扩展性和可维护性。
• 人工审核循环提高了可靠性。

参考文献:

• 内部文档
• Anthropic Claude及Thomas Taylor的Python SDK
• Phil Calçado关于构建AI产品的文章

总而言之，Pilar的案例展示了AI在实际应用中的潜力，以及选择合适的架构对成功实现AI驱动的自动化流程的重要性。 通过代码生成的方式，Pilar不仅解决了最大令牌数的限制，还提升了系统的可扩展性和可维护性，为未来的发展奠定了坚实的基础。

以上就是使用 Anthropic 的 Claude Sonnet 生成报告的详细内容，更多请关注知识资源分享宝库其它相关文章！