01 它是干嘛的
Claude 是 Anthropic 的当家产品，也是最容易被普通人直接使用的入口。它解决的是「处理文字太累」这件事：读不完的长文档、写不出的邮件、想不清的思路，都可以交给它先跑一遍。相比同类助手，它更强调读得进长材料、说得准、不确定时肯承认不确定。
02 为什么会有它
2023 年之前：想知道一份长文件说了什么，只能自己一行行读
在聊天式 AI 出现之前，人们处理文字的办法很原始：一份几十页的合同、一份上百页的研究报告、一整天没看的群聊记录，都只能靠人眼一行行过。想快速知道「这份材料到底说了什么」，要么自己花两小时通读，要么求同事帮忙，没有第三种选择。
早期的 AI 助手也不争气。它们说话像在背书，动不动编出一个根本不存在的书名或统计数字，业界管这叫「幻觉」；还特别容易被一句话带偏，你稍微引导，它就把错的也说成对的。更让人不放心的是，早期模型被训练的唯一目标只是「把下一句话说得像人」，没人认真教它「什么该拒绝、什么要谨慎」，于是它可能一本正经地给出危险建议。
Claude 想解决的正是这两件事：一是让 AI 真的能读完很长的材料再回答，而不是只记得开头几段；二是把「安全与诚实」当成训练的核心目标。它背后的公司由一批研究 AI 对齐的人创办，主张模型宁可坦白说「我不确定」，也不要编一个看着很合理的答案来蒙混。
03 它怎么工作
Claude 的底层是一个语言模型：它把你的问题切成小片段，一次次预测「下一个最该出现的片段」，一个接一个地往外吐，直到拼出完整回答。整个过程像接龙，但每一步都在读懂上下文之后才做选择。
你打一句话，它是怎么一个字一个字写出回答的
- 1① 切分输入（分词）
你说的和它读到的文字，会先被切成模型的「最小单位」——token，大约相当于一个词或半个汉字，这一步叫分词（tokenize）。
- 2② 读懂上下文
模型把这一轮问题、之前的对话、以及你附上的资料一起读进去，形成「现在到底该说什么」的内部表示。
- 3③ 逐个预测下一个 token
它一次只计算下一个 token 的概率分布，挑出一个合理的输出，再把这个输出接回输入端继续算下一个，循环几百次才写出一段话。
- 4④ 采样与温度调节
并不是每次都死板地选概率最高的那个，而是按「温度」做一点随机，让回答更自然；温度调低更稳重，调高更发散。
- 5⑤ 过一遍安全与对齐
输出前还要经过训练阶段学到的判断：遇到危险、越界或自己确实不懂的问题，它应当拒绝、澄清或明确标注不确定。
04 谁在用它
把研究报告、合同、说明书丢进去，让它先给出一页纸的要点，再按你的追问深挖细节。
写邮件、写周报、改文案，先让它出草稿，再由你把关，效率往往翻倍。
把不懂的概念丢给它可以反复追问，它会换不同说法解释，比翻书快得多。
贴一段报错或代码，让它解释原因、给修改建议，适合当作随叫随到的助手。
在 Projects 里放进内部资料，让同事用提问的方式查规章、查流程，减少重复答疑。
05 怎么用
门槛极低：会打字就能用，网页端和手机 App 都能直接开聊。
- 01打开 claude.ai 注册账号，登录后直接进入对话界面。
- 02在输入框用大白话把需求说清楚：要它做什么、给谁看、大概多长。
- 03需要它读材料时，直接把文件拖进对话框上传，再提问。
- 04答案不满意时别急着重开，直接补一句「再简短些」或「换个角度」，追问通常比重来更有效。
- 05要长期沉淀的活儿，建一个 Project，把相关文件和说明放进去，之后提问都会带上这些背景。
避坑提示
- !把它当「很勤快但会犯错的实习生」：涉及数字、法条、事实的部分务必自己核对。
- !问题越具体，答案越好用；与其问「帮我写个方案」，不如说清背景、目标和篇幅。
- !不要把密码、身份证号等敏感信息直接贴进去。
06 关键概念
- 大语言模型
- 用海量文字训练出来的程序，本事就是「预测下一个词该是什么」，靠这个本事完成对话与写作。
- 幻觉
- 模型一本正经地编造假信息，例如引用不存在的书或数据，这是它最需要提防的毛病。
- 上下文窗口
- 模型一次能「记住」的内容上限，窗口越大，能一次读完的材料越长。
- 提示词（Prompt）
- 你给模型的指令与背景说明。提示词写得好，答案质量差别很大。