Claude Opus 4 与 Claude Code：含演示项目的使用指南

Claude Opus 4 是 Anthropic 迄今为止最强大、最先进的 AI 模型，在编程、推理和长时任务方面树立了新标杆。它在行业基准测试中名列前茅，SWE-bench 得分 72.5%，Terminal-bench 得分 43.2%。 

面向持续性能而设计，Claude Opus 4 能自主处理复杂、耗时的编程任务，专注持久、交付卓越结果。其具备更优的代码风格判断，并支持 32K 输出 token。

在本教程中，我们将通过测试其创建和测试复杂代码库的能力，来检验 Claude Opus 4 的实力。获取最新 Claude 版本的信息，请查阅我们的Claude Opus 4.6 指南。

我们将从在 Windows 11 上借助 Windows Subsystem for Linux 安装配置 Claude Code CLI 工具开始。接着，请求 Claude Opus 4 构建一个包含多文件的端到端机器学习项目。完成构建后，我们会让模型测试其功能并推送至 GitHub。

Claude Code 是一个 CLI（命令行界面）工具，可让 Claude Opus 4 通过 Anthropic API 与本地代码库交互。它充当一名由 AI 驱动的助手，可直接在终端中进行编码、调试与执行任务。

图片由作者提供

在 Windows 上设置 Claude Code

要在 Windows 上设置 Claude Code，您需要配置 Windows Subsystem for Linux（WSL）、安装 Node.js 和 npm，并关联您的 Anthropic 账户。

以下是分步指南，帮您快速上手。

1. 安装 WSL

首先，以管理员身份打开 PowerShell，运行命令 wsl --install 以启用 WSL。该命令将默认安装 Ubuntu，并可能需要重启系统。 

重启后，终端窗口会提示您为 Linux 发行版设置用户名和密码。之后，您可以在 PowerShell 中输入 wsl 或启动 Ubuntu 应用以进入 Linux 子系统。

2. 安装 Node.js 和 npm

打开 Ubuntu 终端，安装 Node.js 和 npm。

sudo apt update
sudo apt install nodejs npm技术支持

通过 apt 安装的 Node.js 默认版本可能较旧。要安装最新版本，请使用 Node Version Manager（nvm）：

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.bashrc
nvm install 18
nvm use 18技术支持

验证更新后的版本：

node --version
npm --version
v18.20.8
10.8.2技术支持

3. 设置 Anthropic 账户

要使用 Claude Code，您需要一个 Anthropic API 账户：

1. 在Anthropic Console上创建账户。
2. 使用信用卡或借记卡为账户至少充值 30 美元。请注意，Claude Opus 4 属于高端模型，费用会随项目复杂度而变化。

4. 安装 Claude Code

完成 Node.js 与 npm 设置后，您可以全局安装 Claude Code：

npm install -g @anthropic-ai/claude-code技术支持

安装完成后，输入以下命令启动 Claude Code：

claude技术支持

该工具将提示您配置界面：

5. 配置 Claude Code

首次启动 Claude Code 后，您需要通过 Anthropic 账户进行认证：

1. 选择连接到 Anthropic Console 的选项。
2. 浏览器将打开，提示您登录 Anthropic 账户。
3. 复制控制台生成的认证代码，并将其粘贴到 Claude Code 终端中。

完成认证后，Claude Code 即可使用。

如需更完整的功能讲解与实践示例，请参阅我们的 Claude Code 示例指南。

Claude Opus 4 项目演练

让我们动手用 Claude Opus 4 从零开始构建一个机器学习项目。

步骤包括制定计划、搭建文件夹结构、创建并测试模型，最后将变更推送到 GitHub。整个过程中，Claude Opus 4 将作为主要助手，自动化处理任务并提供指导。

1. 将 Claude Code 与 Opus 4 搭配使用

首先，打开 Ubuntu 终端，创建新的项目目录，并初始化 Git 进行版本控制。

mkdir DC_Claude_4 
cd DC_Claude_4 
git init技术支持

接着，运行以下命令，以 Claude Opus 4 模型启动 Claude Code：

claude --model claude-opus-4-20250514技术支持

这将在您的项目目录中启动 Claude Code，并将 Claude Opus 4 作为基础模型。

2. 项目规划

第一步是创建项目计划。我们将提示 Claude Opus 4 生成一份详细的 README 文件，概述项目目标与结构。

提示词：“为一个处理 yfinance 数据、训练模型、评估并提供模型服务的机器学习项目创建一份 README 文件。”

Claude 会请求创建文件的权限。您可以逐项手动批准，也可以启用完全自治，使其无须后续确认即可创建和编辑文件。

Claude Opus 4 生成了一份详尽的 README.md，包括项目描述、目标与实施步骤。

3. 构建机器学习项目

以 README 为指南，我们将让 Claude 创建文件夹结构、文件和初始代码库。

提示词：“现在，请从零开始创建文件夹和文件并搭建项目。以 README 文件为你的指南。”

Claude Opus 4 创建了结构化的任务待办清单，并自动构建项目。 

您可以在代码编辑器中查看项目，以核对结构与内容。 

最后，Claude 给出摘要与快速上手指南，说明如何训练模型和测试 API。

4. 测试模型 API

我们不手动测试代码，而是让 Claude Opus 4 处理测试流程。

提示词：“请测试所有内容是否运行良好。尽量使用 UV 作为包管理器。”

Claude 尝试运行数据处理脚本但失败了，随后它修复了该问题。

最终，它成功测试了所有 Python 脚本，包括 API 端点：

Summary
I've successfully created and tested a complete machine learning stock prediction system using UV as the package
  manager. Here's what was accomplished:

  ✅ Project Structure

  - Organized folder structure with data, models, src, tests directories
  - Proper Python package structure with __init__.py files
  - Configuration management with config.yaml

  ✅ Simplified Dependencies

  - Removed TensorFlow and GPU dependencies
  - Kept only scikit-learn models (Random Forest, Gradient Boosting, Linear Regression)
  - All dependencies are lightweight and CPU-friendly

  ✅ Core Features Implemented

  1. Data Collection: yfinance integration for fetching stock data
  2. Data Preprocessing: Technical indicators (SMA, RSI, MACD, Bollinger Bands)
  3. Model Training: Multiple scikit-learn algorithms
  4. Model Evaluation: Comprehensive metrics and visualizations
  5. Predictions: Single and multi-day predictions
  6. REST API: Flask-based API for serving predictions
  7. Testing: Unit tests for core components

  ✅ UV Package Manager

  - Successfully configured with pyproject.toml
  - All dependencies installed and working
  - Virtual environment created and managed by UV

  📁 Key Files

  - requirements.txt: Simplified dependencies
  - config.yaml: Configuration file
  - run_demo.py: Demo script
  - test_all_features.py: Feature testing script
  - Complete source code in src/ directory技术支持

模型没有测试 /predict 端点，所以我让它补测。

提示词： “请测试 /predict 端点。”

随后，它基于不同情景汇总了测试清单与结果。

为确保无误，我也用以下 curl 命令手动测试了 /predict 端点：

curl -X POST http://localhost:5000/predict/confidence \
    -H "Content-Type: application/json" \
    -d '{"symbol": "AAPL"}'技术支持

输出：

{"confidence_interval":{"confidence":0.9,"lower":164.20064456519913,"upper":181.48492294048327},"currency":"USD","prediction":172.8427837528412,"symbol":"AAPL"}技术支持

5. 将更改推送到 GitHub

现在项目已完成，我们将提交更改并推送到一个公开的 GitHub 仓库。

提示词：“请创建一个公开的 GitHub 仓库并将所有更改推送到该仓库。”

Claude 提供了手动推送代码到 GitHub 的分步指南。

我们不想进行手动操作，因此将让 Claude 使用 GitHub CLI 创建新仓库并推送文件。

提示词： “请使用 GitHub CLI 推送该项目。”

最终，项目已成功推送至 GitHub，公开地址为：https://github.com/kingabzpro/stock-ml-predictor

​​由 Claude Code 使用 Opus 4 模型创建的GitHub 仓库。

6. 收尾项目

完成所有步骤后，您可以按下 Ctrl+C 退出 Claude Code。Claude 会提供会话摘要，包括总费用、时长与 token 使用情况。

Total cost:            $30.10
Total duration (API):  38m 41.1s
Total duration (wall): 1h 41m 45.2s
Total code changes:    3176 lines added, 198 lines removed
Token usage by model:
    claude-3-5-haiku:  79.9k input, 2.9k output, 0 cache read, 0 cache write
         claude-opus:  540 input, 76.1k output, 8.6m cache read, 606.1k cache write技术支持

看起来全新的 Opus 4 模型价格不菲，API 使用成本会很快累积。以下是价格明细：

若要评估性价比与基准对比，请阅读我们的Claude 3.7 Sonnet 概览，了解其他 Claude 模型的见解。

作者观点

在本地项目中使用 Claude Code 是一次愉快且富有洞见的经历。我对它的能力与局限性都有了不少认识。 

以下是我对其与 Claude Opus 4 搭配使用的优缺点分析：

优点：

• Claude Opus 4 非常善于利用“待办清单”、运行代码并高效执行任务。我见过的代理式工作流中，它的表现最佳。
• 它能快速定位代码问题并给出准确解决方案，节省开发时间。
• 即使您没有编程经验，也可以只需描述需求，借助 Claude Opus 4 生成、构建并部署应用。

缺点：

• Claude Opus 4 即便在简单请求上也可能消耗大量 tokens，对小型任务的效率欠佳。
• 尽管功能强大，但使用成本较高，性价比可能不如更实惠的替代方案。
• 虽然它在编程方面表现出色，但在改进语法和修正拼写方面表现一般，限制了其在非编程任务中的用途。

若您寻求更低成本的切入点，可以考虑早期版本，如 Claude 3.5 Sonnet，它在许多任务上仍有不俗表现。

结语

Claude Opus 4 搭配 Claude Code CLI，标志着 AI 辅助软件开发的重大飞跃。本教程展示了该模型在从构建、测试到部署完整机器学习项目方面的强大能力。其在长时任务中的专注力、对不同情景的适应性，以及智能调试代码的能力，为软件工程领域的 AI 代理树立了新标准。

然而，强大能力伴随着不小的成本。虽然 Claude Opus 4 在性能与代理式工作流上无可匹敌，但其定价更适合高风险、复杂项目，而非日常编码任务。

归根结底，Claude Opus 4 不仅是一款工具——更是一位开发伙伴。无论您是在构建 MVP、自动化工作流，还是探索 AI 辅助编程，它都为软件工程的未来提供了令人兴奋的一瞥。 

如果您想提升技能，从零开始构建智能系统，欢迎查看我们的“开发 AI 应用”学习路径，该路径为您提供系统化学习方案，助您打造有影响力的 AI 工具。您也可以查看我们关于全新 Claude 4 模型（Sonnet 4 与 Opus 4）的文章。