hello-llm

我的第一个 AI 应用：调用 Claude API，问一个问题，把回答打印出来。
这是「AI 应用开发」最核心的一条链路：调 API → 拿结果。先把它跑通，之后所有东西都是在这之上一点点加出来的。

这个项目做了什么

运行后，它会问模型「用一句话解释什么是 RAG」，然后把模型的回答打印到终端。就这么简单——但你已经在写一个真正调用大模型的程序了。

准备

安装 Node.js 18 或更高版本（终端运行 node -v 能看到版本号即可）
一个 Anthropic API Key（在 https://docs.claude.com 指向的 Console 里创建）

三步上手

# 1) 安装依赖
npm install

# 2) 配置 Key：把 .env.example 复制成 .env，再把里面的值换成你的真实 key
cp .env.example .env
#   然后用编辑器打开 .env，填上 ANTHROPIC_API_KEY=sk-ant-...

# 3) 运行
npm start

成功的话，你会看到类似：

模型回答：
RAG 是一种让大模型先从外部知识库检索相关资料、再据此生成答案的方法，能减少幻觉、回答更准确。

如果报错

Could not resolve authentication method → 你还没填 key（第 2 步没做，或 .env 里 key 不对）。这是预期内的提示，填好 key 就好。
model not found / 型号不存在 → 型号名会变。去 https://docs.claude.com 查当前可用型号，替换 src/index.ts 里的 model 字段。

代码在哪

只有一个文件：src/index.ts，30 行不到，每一步都有中文注释。
建议：别只是跑通就过。把它读一遍，能自己讲清「client 是什么、messages 是什么、max_tokens 管什么」，才算真懂了。卡住就让 Claude/Codex 给你讲，但要追问「为什么」，别只复制答案。

下一步（每次只加一个新概念）

跑通之后，挑一个小增量练手：

改提示：把问题换成你关心的，或加一条 role: "system" 的系统提示，看输出怎么变。
加流式输出：把 messages.create 换成 messages.stream，让回答一个字一个字地冒出来。
读文件再回答：读取一个本地 .txt 文件，把内容塞进提示里让模型总结——这就是 RAG 的雏形。

每完成一步，就 commit 一次。

提交到 GitHub

git init
git add .
git commit -m "feat: 第一个能跑的 Claude API 调用"
# 在 GitHub 新建一个空仓库后：
git remote add origin <你的仓库地址>
git branch -M main
git push -u origin main

.env 已经在 .gitignore 里，你的 key 不会被提交上去——这是好习惯，密钥永远不进仓库。