从 GPT-5 到 Claude 4：API 迁移实战指南

如果你正在使用 OpenAI GPT-5 API 构建应用，你可能已经听说了 Anthropic Claude 4 系列（Opus 4.7 / Sonnet 4.6 / Haiku 4.5）在多项基准测试中取得领先。根据最新的评测数据，Claude 4 系列在代码生成、长文本理解和复杂推理方面均表现优异，价格还比 GPT-5 更亲民。本文将带你完成从 GPT-5 到 Claude 4 的完整迁移流程，包括代码改写、提示词适配和成本优化。

为什么要从 GPT-5 迁移到 Claude 4？

先看核心差异：价格。GPT-5 每百万输入 Token 收费 15 美元，Claude Opus 4.7 只需要 10 美元——便宜了 33%。输出 Token 的差距更大：GPT-5 收 60 美元/百万 Token，Opus 只要 40 美元。

再看能力：

代码生成：Claude 4 系列在 SWE-bench、HumanEval 等编程基准中领先，尤其擅长复杂工程任务。
长文本理解：Claude 原生支持 200K Token 上下文窗口，且长文本质量衰减比 GPT-5 更慢。
工具调用：Claude 的 Tool Use 支持更灵活的 JSON Schema 定义，并行调用也更成熟。
Prompt Caching：Claude 的缓存机制让重复上下文的成本降低 90%，GPT-5 虽然也有类似功能，但限制更多。

如果你的应用涉及大量代码分析、长文档处理或多轮复杂对话，迁移带来的性价比提升非常明显。

API 设计差异：你需要注意的关键点

两者都是标准的 REST API，但细节不同。最大的差异在请求格式和 Token 处理。

认证方式：OpenAI 用 Authorization: Bearer，Anthropic 用 x-api-key。如果你在用 LangChain 或 LiteLLM，切换只是一行配置。但如果你直接调 HTTP，以下是核心差异：

特性	GPT-5 (OpenAI)	Claude 4 (Anthropic)
API 端点	`/v1/chat/completions`	`/v1/messages`
认证头	`Authorization: Bearer sk-xxx`	`x-api-key: sk-ant-xxx`
模型参数	`model: "gpt-5"`	`model: "claude-opus-4-7"`
角色名	`system`, `user`, `assistant`	`user`, `assistant`（system 单独放顶层）
最大 Token	`max_completion_tokens`	`max_tokens`
温度	`temperature: 0-2`	`temperature: 0-1`

消息格式是最容易踩坑的地方。OpenAI 的格式是：

{
  "model": "gpt-5",
  "messages": [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Hello!"}
  ]
}

Claude 的格式稍有不同——system 提到顶层：

{
  "model": "claude-opus-4-7",
  "system": "You are a helpful assistant.",
  "max_tokens": 1024,
  "messages": [
    {"role": "user", "content": "Hello!"}
  ]
}

代码迁移实操：一步步改

下面是一个典型的 Python + OpenAI SDK 迁移示例。我们会把它逐步改成 Anthropic SDK 版本。

迁移前 — OpenAI 版本：

from openai import OpenAI

client = OpenAI(api_key="sk-xxx")
response = client.chat.completions.create(
    model="gpt-5",
    messages=[
        {"role": "system", "content": "你是一个 Python 专家"},
        {"role": "user", "content": "写一个快速排序函数"},
    ],
    max_completion_tokens=1024,
    temperature=0.7,
)
print(response.choices[0].message.content)

迁移后 — Anthropic 版本：

import anthropic

client = anthropic.Anthropic(api_key="sk-ant-xxx")
response = client.messages.create(
    model="claude-sonnet-4-6",
    system="你是一个 Python 专家",  # 注意：system 提到顶层
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "写一个快速排序函数"},
    ],
)
print(response.content[0].text)

关键改动：max_completion_tokens 变成 max_tokens，system 从 messages 数组中移到顶层参数，输出从 choices[0].message.content 变成 content[0].text。

流式输出也需要适配。OpenAI 用 stream=True，Anthropic 也一样，但事件格式不同：

# OpenAI 流式
for chunk in response:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

# Anthropic 流式
with client.messages.stream(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    messages=[{"role": "user", "content": "..."}],
) as stream:
    for text in stream.text_stream:
        print(text, end="")

Anthropic 的 stream.text_stream 更简洁，不用手动检查 delta 是否存在。

提示词适配：GPT-5 的 Prompt 在 Claude 上不一定好用

同样一句话，在不同模型上效果差异可能很大。迁移后最常见的抱怨是「同样的 prompt，Claude 输出质量反而更差」——通常是 prompt 没适配。

GPT-5 偏好的 prompt 风格：详细指令、角色设定、输出格式约束。GPT-5 需要你「把话说清楚」。

Claude 4 偏好的 prompt 风格：

结构化：Claude 对 Markdown 格式、标签分隔、分步指令响应更好。
示例优先：给 1-2 个 Few-shot 示例，Claude 的遵循度大幅提升。
不要过度约束：GPT-5 需要「禁止…」「不要…」这类负面约束，Claude 更吃正向引导。

实际对比：

GPT-5 版 prompt：

1
2
3

你是一个代码审查专家。审查以下 Python 代码，找出所有潜在问题。
输出要求：1. 问题描述 2. 严重程度 3. 修复建议
不要输出无关信息，不要改写代码，不要添加主观评价。

Claude 4 版 prompt（效果更好）：

# Role
Code review specialist focusing on Python.

# Task
Analyze the following code and identify issues.

# Output Format
- **[Severity]** Issue description
  → Fix: suggested change

# Example
- **[Medium]** Unhandled NoneType in line 12
  → Fix: Add `if value is not None:` guard

# Code to Review
```
(paste code here)
```

Claude 对结构化 Markdown prompt 的理解深度远超 GPT-5。如果你已经掌握了 Prompt 工程实战指南里的技巧，迁移后更容易发挥 Claude 的优势。

成本对比与优化策略

理论成本对比（每百万 Token）：

维度	GPT-5	Claude Opus 4.7	节省
输入	$15.00	$10.00	33%
输出	$60.00	$40.00	33%
缓存输入	$3.75	$0.25	93%

实际项目中，Prompt Caching 是最大的省钱点。如果你的应用有大量固定系统 prompt（比如角色设定、工具定义、示例对话），Claude 的缓存读取价格只有正常输入的 1/40。

三种实际场景的成本对比：

短对话客服（每轮 2000 Token 上下文，100 Token 输出）：成本差异不明显，用谁都差不多。
长文档分析（50K Token 上下文，2000 Token 输出）：Claude 省 30%-50%。
多轮 Agent 对话（20K 固定系统 prompt + 5K 动态对话）：Claude 的 Prompt Caching 让固定部分成本降至几乎为零，实际省 60%-80%。

如果你在用 One API 做多模型路由，可以通过自动负载均衡在不同模型间切换——详见我之前的 One API 使用指南。

常见迁移陷阱和解决方案

陷阱 1：System Prompt 丢了

最常犯的错误——把 system 留在 messages 数组里。Claude API 会把它当成普通 user 消息处理，效果大打折扣。解决方案：确保 system 是请求体的顶层字段。

陷阱 2：temperature 范围不兼容

GPT-5 的 temperature 是 0-2，Claude 是 0-1。如果你传了 1.5，Claude API 会报错。解决方案：映射转换——temperature_anthropic = temperature_openai / 2，或直接设 0.7 作为默认值。

陷阱 3：Token 截断行为不同

GPT-5 到达 max_tokens 后直接在中间截断。Claude 有一个 stop_reason 字段，当值为 "max_tokens" 时表示被截断，值为 "end_turn" 时表示正常结束。解决方案：检查 response.stop_reason，如果被截断，用更大的 max_tokens 重新请求。

陷阱 4：没有 Thinking 模式的下位替代

GPT-5 没有 Claude 的 Extended Thinking 功能。如果你依赖 GPT-5 做复杂推理，迁移到 Claude 后建议开启 Thinking（Opus 4.7 支持），让模型在生成前进行内部推理。Sonnet 4.6 也有轻量级 Thinking。

陷阱 5：忽视 MCP 生态

Claude 的一大差异化优势是 MCP（Model Context Protocol）协议。它让 Claude 能直接调用外部工具和数据源，而这些集成对 GPT-5 需要手动搭建。如果你已经在开发 MCP Server，迁移后直接将 MCP 配置接入 Claude API 即可使用。不了解 MCP？可以先看我这篇 MCP 协议入门教程。