為什麼 Anthropic 設計三個模型而不是一個最強的全能模型？
三層設計不是行銷策略，而是反映了 AI 系統設計的根本取捨：計算資源、回應速度、和輸出品質之間的平衡。
更強的模型需要更多計算：Opus 4 的推理能力顯著強於 Haiku，但它消耗的計算資源也多很多——回應時間更長（2-4 秒 vs 200-400 毫秒），費用更高（約 20 倍）。把「最強的能力」用在「不需要最強能力的任務」上，是計算資源的浪費。
大多數任務不需要最強能力：「把這段文字翻譯成英文」不需要 Opus 4 的深度推理；「把這 100 封郵件分類成技術/商務/個人三類」用 Haiku 就能做到 95% 的準確率。
三層結構讓你能按需配置：同樣的預算，全用 Sonnet 能服務 X 個用戶；把其中 60% 的簡單請求切換到 Haiku、5% 的高難度請求升級到 Opus，服務的用戶數量可能是原來的 3 倍，輸出品質也更匹配每種任務的需求。
這個三層結構的設計邏輯，也是為什麼理解「什麼任務適合什麼模型」比「用最貴的模型」更有價值。
Claude 4 之前的模型（Claude 3 系列）和 Claude 4 系列的梯度有什麼差別？升級時需要注意什麼？
Claude 3 時代的梯度：Claude 3 Haiku、Sonnet、Opus 各有明確的能力差距。Claude 3 Opus 是當時能力最強的，很多複雜任務必須用 Opus 才能做好。
Claude 4 時代最重要的變化：Sonnet 4.5 的能力已經超越了 Claude 3 Opus。這意味著如果你現在還在用 Claude 3 Opus，切換到 Sonnet 4.5 可能讓你以更低費用得到更好的結果。
升級時的實際建議：
如果你在用 claude.ai，你已經自動在使用最新版本，不需要額外操作。
如果你在用 API，把 claude-3-opus-20240229 換成 claude-sonnet-4-5 先測試三天。對你最常做的任務類型，比較輸出品質——大概率 Sonnet 4.5 已經夠用，費用能降低到 1/5。
確實需要 Opus 能力的任務（複雜的多步驟推理、高難度架構設計），再換成 claude-opus-4。
一個常見的陷阱：很多開發者在 Claude 3 時代養成了「重要任務用 Opus」的習慣，但在 Claude 4 時代，「先試 Sonnet」應該是新的預設習慣。
有沒有一個簡單的決策框架，讓我在 Haiku、Sonnet、Opus 之間快速做出選擇？
三個問題，按順序問：
問題一：這個任務需要推理嗎？ 「需要推理」的意思是：任務不只是查找或轉換資訊，而是需要分析、判斷、或多步驟的邏輯推導。 如果不需要推理（分類、格式轉換、關鍵字提取）→ 選 Haiku。 如果需要推理 → 繼續問第二個問題。
問題二：用 Sonnet 試過了嗎？效果讓你滿意嗎？ 對大多數推理任務，先用 Sonnet 4.5 試一次。如果輸出品質讓你滿意 → 留在 Sonnet。 如果 Sonnet 的輸出讓你不滿意 → 繼續問第三個問題。
問題三：這個任務做錯了代價有多高？ 如果做錯了代價很高（高風險的法律分析、關鍵系統的架構設計）且 Sonnet 確實不夠用 → 升級到 Opus 4。 如果代價不高 → 在 Sonnet 上繼續優化 Prompt，通常比升級模型更有效率。
快速記憶版：簡單任務 → Haiku；絕大多數任務 → Sonnet；高風險 + Sonnet 不夠用 → Opus。
在一個應用程式裡同時使用多個模型（分層路由）是怎麼做到的？有什麼具體效益？
分層路由是生產環境裡最有效的費用優化策略之一：不是所有請求用同一個模型，而是根據請求的複雜度，動態路由到對應的模型。
基本架構：
第一步（Haiku）：對每個進來的請求，先用 Haiku 做分類判斷——這個請求的複雜度是「簡單」「中等」「高難度」？Haiku 做分類的速度快（<500ms）、費用低（$0.0008/次）。
第二步（路由）：根據分類結果路由——簡單請求直接用 Haiku 處理；中等請求路由到 Sonnet；高難度請求路由到 Opus。
實際效益：假設每天 10,000 次請求，分布是 60% 簡單 / 35% 中等 / 5% 高難度。全用 Sonnet 的費用：約 $30/天；分層路由的費用：Haiku 處理 60% ≈ $4.8，Sonnet 處理 35% ≈ $10.5，Opus 處理 5% ≈ $7.5，合計 ≈ $22.8/天，費用降低 24%，而且複雜任務反而用了更強的模型。
實作注意事項：分類 Prompt 要設計好（避免把中等難度的任務錯誤分類為簡單）；需要額外的工程維護成本（三個模型的路由邏輯、錯誤處理）；對剛開始的開發者，先用一個模型把功能做好，再考慮加入分層路由。
一家法律科技公司在評估要怎麼用三層模型架構，服務他們的合約分析產品：
他們的產品每天處理約 500 份合約，每份合約的處理流程是：提取關鍵條款（分類任務）→ 評估每個條款的法律風險（推理任務）→ 生成完整的風險分析報告（長文生成任務）。
模型分配決策：
「提取關鍵條款」——這是一個模式識別任務（找出合約裡的當事人、金額、日期、特定條款類型），不需要法律推理。選 Haiku 4.5：處理速度快、費用低，準確率足夠。
「評估法律風險」——這需要法律知識和推理（這個條款在哪個管轄區下有什麼影響、和其他條款有沒有衝突）。先試 Sonnet 4.5 + Extended Thinking：在大多數標準合約上效果已經夠好。只有在處理跨國合約或特別複雜的條款時，才升級到 Opus 4。
「生成分析報告」——這是長文生成任務，需要把前兩步的分析結果整合成可讀的報告。選 Sonnet 4.5：長文寫作品質好，費用合理。
結果：這個分層架構讓每份合約的處理費用從原本全部用 Opus 4 的 $2.40 降到約 $0.85，整體費用降低 65%，同時最需要高品質推理的法律風險評估步驟反而用了最強的模型。
三層模型梯度的核心取捨是「靈活性 vs 複雜度」。用一個模型（全用 Sonnet）最簡單——不需要思考任務分類、不需要維護路由邏輯；用三個模型最有效率——費用更低、每種任務都用最適合的模型，但需要投入更多的設計和工程成本。對剛開始的開發者，一個模型更容易上手；對費用敏感的生產環境，分層路由帶來的費用節省通常值得工程投入。選擇哪個策略取決於你的優先級：快速上線 vs 費用優化。