Aller au contenu principal
Beginner

Anthropic

Définition​

Anthropic est une entreprise de sécurité IA et fournisseur de modèles fondée en 2021 par d'anciens chercheurs d'OpenAI. Sa thèse fondamentale est que la construction de modèles d'IA capables et la résolution du problème d'alignement sont des objectifs inséparables — l'entreprise poursuit des capacités de pointe en parallèle avec la recherche en sécurité telle que Constitutional AI, l'interprétabilité et la compréhension mécaniste des internals des modèles. Le produit commercial de cette recherche est la famille de modèles Claude, disponible via l'API Anthropic et les produits entreprise.

La gamme de modèles Claude suit une convention de nomenclature à trois niveaux reflétant les compromis entre capacité et coût : Opus (qualité maximale, raisonnement complexe), Sonnet (qualité et vitesse équilibrées) et Haiku (le plus rapide et le plus rentable). En 2025, la génération actuelle est Claude 3.7 Sonnet — le modèle phare avec des capacités de réflexion étendue — ainsi que Claude 3 Opus, Claude 3.5 Sonnet et Claude 3.5 Haiku. Tous les modèles Claude 3+ prennent en charge l'entrée d'images, et toute la famille est conçue autour d'une fenêtre de contexte de 200K tokens pouvant traiter des livres, de grandes bases de code et de longs historiques de conversation sans troncature.

D'un point de vue plateforme, l'API d'Anthropic est centrée sur la Messages API — une interface propre et dédiée aux conversations multi-tours. La plateforme inclut l'utilisation d'outils (le terme d'Anthropic pour les appels de fonctions), la réflexion étendue (raisonnement en chaîne de pensée visible), la mise en cache des prompts (réduit les coûts et la latence pour les grands contextes répétés) et le traitement par lots. Le SDK Python (anthropic) et le SDK TypeScript sont les bibliothèques client principales. Les modèles Claude sont également disponibles via Amazon Bedrock, Google Cloud Vertex AI et des contrats entreprise avec des options de résidence des données.

Fonctionnement​

Messages API​

La Messages API (POST /v1/messages) est l'interface principale d'Anthropic. Contrairement à certaines API qui utilisent une chaîne prompt plate, la Messages API est orientée conversation : vous envoyez un tableau messages d'échanges alternant user et assistant, avec un paramètre system optionnel pour le contexte et la persona. Le modèle renvoie un objet Message contenant une liste content — des blocs de texte par défaut, des blocs d'utilisation d'outils quand le modèle décide d'appeler un outil. Le streaming est pris en charge et recommandé pour une utilisation interactive ; le SDK fournit à la fois des assistants de streaming et un accès SSE brut.

Utilisation d'outils​

L'utilisation d'outils permet à Claude d'appeler des fonctions externes en émettant des blocs de contenu tool_use structurés. Vous déclarez les outils comme des schémas JSON dans le paramètre tools. Quand Claude décide qu'un outil est nécessaire, la réponse contient un bloc tool_use avec le nom de l'outil et son entrée ; votre code exécute la fonction et retourne un tool_result dans le tour utilisateur suivant. Claude utilise ensuite le résultat pour compléter sa réponse. Ce modèle permet les agents, les environnements d'exécution de code, les requêtes de base de données et les intégrations d'API sans que le modèle ait besoin d'accès direct à un système.

Réflexion étendue​

La réflexion étendue est un mode disponible sur Claude 3.7 Sonnet qui permet au modèle de raisonner longuement avant de produire sa réponse finale. Lorsque vous définissez thinking: {type: "enabled", budget_tokens: N}, le modèle émet des blocs de contenu thinking contenant son bloc-notes interne — similaire à la chaîne de pensée mais natif et structuré. La réflexion étendue améliore significativement les performances sur les compétitions de mathématiques, le code complexe, le raisonnement en plusieurs étapes et les tâches nécessitant une analyse minutieuse étape par étape. Les tokens de réflexion comptent dans le budget de tokens mais sont visibles dans la réponse, vous donnant de la transparence sur la façon dont le modèle est parvenu à sa réponse.

Mise en cache des prompts​

La mise en cache des prompts réduit considérablement les coûts et la latence pour les charges de travail qui utilisent répétitivement de grands prompts système ou des contextes de documents. Vous marquez les sections de préfixe de votre requête avec cache_control: {type: "ephemeral"}. Lors du premier appel, Anthropic met en cache le préfixe du prompt sur son infrastructure ; les appels suivants qui correspondent au préfixe sont servis depuis le cache à 90% moins de coût de tokens d'entrée et un temps jusqu'au premier token significativement réduit. Cela est particulièrement utile pour les pipelines RAG (grand contexte transmis avec chaque requête), les boucles d'agents (grands prompts système répétés à chaque tour) et le traitement de documents par lots.

Long contexte (200K tokens)​

Tous les modèles Claude 3 et ultérieurs prennent en charge une fenêtre de contexte de 200K tokens — équivalent à environ 150 000 mots ou ~500 pages de texte. Le long contexte permet de traiter des bases de code entières, des documents juridiques, des articles de recherche ou des historiques de conversation complets en un seul appel sans fragmentation. La recherche d'Anthropic sur les performances en long contexte (évaluations "aiguille dans une botte de foin") montre que Claude maintient une précision de rappel élevée sur toute la plage de 200K, le rendant fiable pour les questions-réponses sur des documents, l'analyse de contrats et la révision de code sur de grands référentiels. C'est l'un des différenciateurs les plus clairs d'Anthropic par rapport à la fenêtre de 128K de GPT-4o.

Quand utiliser / Quand NE PAS utiliser​

Utiliser Anthropic quandÉviter ou envisager des alternatives quand
Vous avez besoin d'une fenêtre de contexte de 200K pour traiter de longs documents, des bases de code ou des conversations étendues sans fragmentationVotre charge de travail nécessite de la génération d'images, de la transcription audio ou de la synthèse vocale — Claude est texte/vision uniquement ; OpenAI couvre l'audio
Les contraintes de sécurité et le comportement de refus prévisible sont critiques (conformité, santé, finance)Vous avez besoin de modèles à poids ouverts pour l'auto-hébergement, le fine-tuning ou la résidence des données — Anthropic n'offre pas d'option poids ouverts
Vous souhaitez une réflexion étendue pour des tâches de raisonnement profond (mathématiques, code complexe, analyse en plusieurs étapes)Votre cas d'usage principal est la génération d'embeddings à haut volume — Anthropic ne propose pas d'API d'embeddings
La mise en cache des prompts réduira significativement les coûts (grands contextes répétés, prompts système d'agents)Vous dépendez fortement des outils spécifiques à OpenAI (Assistants API, DALL-E, Whisper) qui n'ont pas d'équivalent Anthropic
Vous construisez des flux de travail d'utilisation d'outils ou d'utilisation d'ordinateur et souhaitez un modèle bien calibré pour les sorties structuréesVous avez besoin du coût absolu le plus bas par token à grande échelle — Claude Haiku est compétitif sur le prix mais GPT-4o-mini et les modèles ouverts sont moins chers

Comparaisons​

CritèreAnthropicOpenAIGoogle Gemini
Modèle phareClaude 3.7 SonnetGPT-4oGemini 2.5 Pro
Fenêtre de contexte200K (tous Claude 3+)128K (GPT-4o)Jusqu'à 1M (Gemini 1.5 Pro)
Raisonnement / réflexionRéflexion étendue (CoT natif)Série o1, o3Réflexion Gemini 2.5 Pro
Entrée multimodaleTexte, imageTexte, image, audio, vidéoTexte, image, audio, vidéo
Audio / paroleNonOui (Whisper, TTS)Oui (Gemini)
Génération d'imagesNonOui (DALL-E 3)Oui (Imagen)
API d'embeddingsNonOuiOui
Poids ouvertsNonNonGemma (partiel)
Mise en cache des promptsOui (natif, 90% de réduction)Mise en cache de contexte (limitée)Oui (Gemini)
Utilisation d'outils / appel de fonctionsMature, support computer useMature, largement adoptéMature
Philosophie de sécuritéConstitutional AI, ajusté pour les refusAPI de modération, politique d'utilisationDirectives d'IA responsable
Options de résidence des donnéesContrat entrepriseContrat entrepriseRégions Google Cloud

Avantages et inconvénients​

AvantagesInconvénients
Fenêtre de contexte de 200K sur tous les modèles — meilleure de sa catégorie pour les longs documentsPas d'API audio, vocale ou de génération d'images
La réflexion étendue offre une chaîne de pensée transparente pour les tâches de raisonnement difficilesPas d'API d'embeddings — vous avez besoin d'un second fournisseur pour RAG
La mise en cache des prompts réduit significativement les coûts pour les grands contextes répétésModèle fermé sans option poids ouverts
Conception axée sur la sécurité avec une calibration soigneuse des refus et Constitutional AIÉcosystème plus petit qu'OpenAI — moins de tutoriels et d'intégrations tiers
Computer use (bêta) permet le contrôle agentique des GUI de bureauLes prix peuvent être plus élevés que GPT-4o-mini ou les alternatives poids ouverts pour les tâches simples

Exemples de code​

Messages API — finalisation de base et prompt système​

import anthropic

client = anthropic.Anthropic(api_key="sk-ant-...")  # or set ANTHROPIC_API_KEY env var

# Basic message
message = client.messages.create(
    model="claude-3-7-sonnet-20250219",
    max_tokens=1024,
    system="You are a concise technical assistant. Answer in plain English.",
    messages=[
        {"role": "user", "content": "What is the Anthropic Messages API?"}
    ],
)
print(message.content[0].text)

# Multi-turn conversation
messages = [
    {"role": "user", "content": "What is prompt caching?"},
    {"role": "assistant", "content": "Prompt caching stores repeated large context..."},
    {"role": "user", "content": "How much does it save?"},
]
response = client.messages.create(
    model="claude-3-5-haiku-20241022",
    max_tokens=512,
    messages=messages,
)
print(response.content[0].text)

Utilisation d'outils​

import json
import anthropic

client = anthropic.Anthropic()

# Define tools as JSON schemas
tools = [
    {
        "name": "search_docs",
        "description": "Search the documentation for a given query and return relevant passages.",
        "input_schema": {
            "type": "object",
            "properties": {
                "query": {"type": "string", "description": "Search query"},
                "max_results": {"type": "integer", "default": 3},
            },
            "required": ["query"],
        },
    }
]

messages = [{"role": "user", "content": "How do I enable prompt caching?"}]

# First call — Claude may request a tool
response = client.messages.create(
    model="claude-3-7-sonnet-20250219",
    max_tokens=1024,
    tools=tools,
    messages=messages,
)

# Process tool calls
if response.stop_reason == "tool_use":
    messages.append({"role": "assistant", "content": response.content})

    tool_results = []
    for block in response.content:
        if block.type == "tool_use":
            # Simulated tool execution
            result = f"Prompt caching docs for '{block.input['query']}': use cache_control param..."
            tool_results.append({
                "type": "tool_result",
                "tool_use_id": block.id,
                "content": result,
            })

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

    # Final call with tool result
    final = client.messages.create(
        model="claude-3-7-sonnet-20250219",
        max_tokens=1024,
        tools=tools,
        messages=messages,
    )
    print(final.content[0].text)

Réflexion étendue​

import anthropic

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-3-7-sonnet-20250219",
    max_tokens=16000,
    thinking={
        "type": "enabled",
        "budget_tokens": 10000,  # tokens allocated for internal reasoning
    },
    messages=[{
        "role": "user",
        "content": (
            "A train leaves city A at 9am traveling at 80 km/h. "
            "Another train leaves city B (320 km away) at 10am traveling at 100 km/h. "
            "At what time do they meet, and how far from city A?"
        ),
    }],
)

for block in response.content:
    if block.type == "thinking":
        print("=== Model's internal reasoning ===")
        print(block.thinking[:500], "...")  # first 500 chars for brevity
    elif block.type == "text":
        print("=== Final answer ===")
        print(block.text)

Mise en cache des prompts pour un grand contexte répété​

import anthropic

client = anthropic.Anthropic()

# Large document loaded once — cached after first call
large_document = open("contract.txt").read()  # e.g., 50K tokens

response = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    system=[
        {
            "type": "text",
            "text": "You are a legal document analyst. Answer questions based solely on the document provided.",
        },
        {
            "type": "text",
            "text": large_document,
            "cache_control": {"type": "ephemeral"},  # mark for caching
        },
    ],
    messages=[{"role": "user", "content": "What are the termination clauses?"}],
)

print(response.content[0].text)
# usage.cache_creation_input_tokens — tokens cached this call (full price)
# usage.cache_read_input_tokens — tokens served from cache (10% price)
print(response.usage)

Ressources pratiques​

Voir aussi​

  • Fournisseurs de modèles — Vue d'ensemble et comparaison de tous les fournisseurs
  • Étude de cas : Claude — Pour un examen approfondi de l'architecture du modèle et de la méthodologie d'entraînement
  • OpenAI — GPT-4o, raisonnement de la série o, appel de fonctions, DALL-E, Whisper
  • Ingénierie des prompts — Techniques applicables à tous les modèles Claude
  • Outils — Claude Code, l'agent de codage IA d'Anthropic
  • Agents — Construction de flux de travail agentiques avec l'utilisation d'outils Claude