Claude vs OpenAI и что дальше

Итоговый урок: чем отличаются два главных API, как писать переносимый код и куда двигаться дальше.

Anthropic и OpenAI концептуально близки (сообщения, роли, tool use, стриминг), но отличаются именами полей и формой ответа. Понимая модель «запрос-ответ», вы легко переносите код.

Карта отличий

Аспект	Anthropic (Claude)	OpenAI (GPT)
Метод	`messages.create`	`chat.completions.create`
Системная инструкция	параметр `system`	сообщение role=system
`max_tokens`	обязателен	необязателен
Текст ответа	блоки `content[].text`	`choices[0].message.content`
Причина остановки	`stop_reason`	`finish_reason`
Токены	`usage.input/output_tokens`	`usage.prompt/completion_tokens`
Инструменты	блоки `tool_use`/`tool_result`	`tool_calls` в сообщении

Как писать переносимый код

Спрячьте провайдера за своим интерфейсом (адаптером). Бизнес-логика работает с вашими типами «сообщение/ответ», а адаптер переводит их в формат конкретного API и обратно. Тогда смена провайдера — это новый адаптер, а не переписывание приложения.

class LLMClient:
    def complete(self, system, messages) -> str: ...

class AnthropicClient(LLMClient):
    def complete(self, system, messages):
        r = anthropic_sdk.messages.create(model=..., system=system,
                                          max_tokens=512, messages=messages)
        return "".join(b.text for b in r.content if b.type == "text")

class OpenAIClient(LLMClient):
    def complete(self, system, messages):
        msgs = [{"role": "system", "content": system}] + messages
        r = openai_sdk.chat.completions.create(model=..., messages=msgs)
        return r.choices[0].message.content

Куда двигаться дальше

Фреймворки (например, для оркестрации цепочек и RAG) экономят шаблонный код, но сначала важно понимать, что под капотом — этому был посвящён курс.
Агенты: циклы, где модель сама планирует и вызывает инструменты много раз подряд для решения задачи. Tool use из раздела 4 — их основа.
RAG: углубиться в векторные БД, чанкинг, ранжирование (мост — урок про эмбеддинги).
Структурированные пайплайны: комбинируйте детерминированный код и LLM-шаги, оценивайте качество evals.

Главное, что стоит унести из курса

LLM API — это «запрос-ответ» без состояния; история, инструменты, стриминг — надстройки.
Надёжность — это код вокруг модели: ретраи, фолбэки, валидация, наблюдаемость, тесты.
Контролируйте стоимость и безопасность с самого начала, а не «потом».

Итог

Claude и OpenAI близки концептуально; отличия — в именах полей и форме ответа.
Адаптер за единым интерфейсом делает код переносимым между провайдерами.
Дальше — агенты, RAG и фреймворки, но фундамент один: цикл «запрос-ответ» и инженерия вокруг него.