Wprowadzenie do modeli językowych (LLM) i Anthropic API

Co to jest LLM?

Large Language Model (LLM) to model uczenia maszynowego trenowany na ogromnych zbiorach tekstu. Potrafi:

• generować tekst, kod, tłumaczenia
• odpowiadać na pytania w języku naturalnym
• analizować, podsumowywać i klasyfikować dokumenty
• pisać i debugować kod

Najpopularniejsze modele

Wywołanie Claude przez API

Python

import anthropic

client = anthropic.Anthropic(api_key="sk-ant-...")

message = client.messages.create(
    model="claude-opus-4-5",
    max_tokens=1024,
    system="Jesteś ekspertem PHP i Symfony.",
    messages=[
        {"role": "user", "content": "Wyjaśnij w 3 punktach czym jest Dependency Injection"}
    ]
)

print(message.content[0].text)

PHP (Guzzle)

use GuzzleHttp\Client;

$client = new Client(['base_uri' => 'https://api.anthropic.com']);

$response = $client->post('/v1/messages', [
    'headers' => [
        'x-api-key'         => $_ENV['ANTHROPIC_API_KEY'],
        'anthropic-version' => '2023-06-01',
        'content-type'      => 'application/json',
    ],
    'json' => [
        'model'      => 'claude-opus-4-5',
        'max_tokens' => 1024,
        'messages'   => [
            ['role' => 'user', 'content' => 'Napisz funkcję PHP do walidacji NIP']
        ],
    ],
]);

$data = json_decode($response->getBody(), true);
echo $data['content'][0]['text'];

Streaming odpowiedzi

Zamiast czekać na całą odpowiedź, możesz strumieniować token po tokenie:

with client.messages.stream(
    model="claude-opus-4-5",
    max_tokens=1024,
    messages=[{"role": "user", "content": "Napisz esej o PHP"}],
) as stream:
    for text in stream.text_stream:
        print(text, end="", flush=True)

Typowe zastosowania w projektach webowych

1. Generowanie opisów SEO — wklejasz tytuł i treść, dostajesz meta description
2. Asystent kodu — code review, wyjaśnianie błędów
3. Chatbot wsparcia — odpowiada na pytania na podstawie FAQ
4. Analiza sentymentu — klasyfikacja komentarzy
5. Tłumaczenia — lepsze niż Google Translate dla tekstów technicznych

Koszty: Claude Sonnet to ~$3/1M tokenów wejściowych. Typowy artykuł blogowy to ok. 1500 tokenów. Rozsądne dla asystentów, drogie przy przetwarzaniu milionów dokumentów.

Dobre praktyki

• zawsze waliduj i sanitizuj dane wejściowe od użytkownika
• nigdy nie wklejaj wrażliwych danych (hasła, klucze API) do promptu
• ustal max_tokens — bez limitu model może generować bardzo długie odpowiedzi
• używaj system promptu do nadania roli i ograniczeń modelowi