用 Claude API 3小时搭一个客服 Bot：从申请到上线的完整避坑手册

周五下午五点半，老板发来一条消息："周一能不能上线一个自动回复客服？用户问常见问题那种。"

你盯着屏幕，心里开始盘算：API 怎么申请？代码怎么写？接入微信还是飞书？国内能用吗？

这篇文章就是为这个时刻写的。我把整个流程压缩进了一个周末下午，踩了几个坑，记下来了。你不需要重新踩一遍。

---

第一章：为什么选 Claude，而不是 GPT 或国产大模型？

这不是"Claude 最好"的安利文，是一个具体场景下的选型分析。

客服机器人有三个核心需求：不瞎编、能记住对话上下文、语气得体。我们逐条对比。

对比维度一：幻觉率（胡编乱造的频率）

客服场景最怕的就是模型"自信地说错话"——用户问退款政策，结果 Bot 编了一个不存在的条款，客诉直接来了。

从公开评测和实测体感来看：

⚠️ 这里不贴具体 Elo 分数，因为 Benchmark 数据随版本更新变化很快，体感比数字更可靠。核心结论是：Claude 在"不确定时选择沉默而非编造"这件事上，训练得最彻底。

对比维度二：长上下文理解

客服对话经常有这样的场景：用户在第3轮提到了订单号，第8轮才问"刚才那个订单能退款吗？"——模型必须记住前面的信息。

Claude Sonnet 4.6 支持 200K Token 的上下文窗口，对于大多数客服场景来说，一次完整的多轮对话根本用不完。更重要的是，它在长上下文中的信息检索准确率明显优于同级别竞品。

对比维度三：语气克制

这是一个容易被忽略的点。客服 Bot 不能太"热情"（显得假），也不能太冷漠（显得没温度）。Claude 的训练目标之一就是"有帮助、无害、诚实"，这三个词直接映射到客服场景的语气要求上。

---

第二章：API Key 申请全流程 + 国内访问避坑

官方申请步骤

1. 访问 console.anthropic.com，用邮箱注册账号

2. 完成邮箱验证后，进入控制台

3. 左侧菜单找到 API Keys，点击 Create Key

4. 复制生成的 Key（只显示一次，立刻保存）

5. 进入 Billing 页面，绑定信用卡充值

整个流程在网络畅通的情况下，大约15分钟搞定。

国内用户最容易卡住的3个坑

Anthropic 注册时会要求手机验证，国内 +86 号码有时无法收到验证码。

解法：使用接码平台（如 sms-activate）获取一个临时海外号码，完成验证后即可。整个过程约5分钟，费用不到1美元。

绑卡时报错 Your card has been declined，原因通常是：

• 国内 Visa/MasterCard 被风控拦截（尤其是储蓄卡）
• 账单地址填写格式不匹配

解法：优先使用信用卡而非借记卡，账单地址填写美国格式（可随机生成一个真实美国地址）。如果多次失败，考虑下面的替代方案。

即使 Key 申请成功，在国内直接调用 api.anthropic.com 也可能遇到连接超时。

---

国内用户的稳定替代路径：中转 API

如果你不想折腾支付和网络问题，目前国内用户用得比较多的方案是通过 Claude 中转 API 服务直接调用——配置方式和官方完全一致，只需要把 base_url 换一行，Key 在 [api.884819.xyz](https://api.884819.xyz) 申请即可。

本文后续代码示例也会同时提供官方版和中转版两种写法，按需选择。

---

第三章：核心代码实现——30行 Python 搭起客服骨架

环境准备：

pip install anthropic

第一步：初始化 Client

import anthropic

官方版
client = anthropic.Anthropic(api_key="your-api-key")

国内中转版（api.884819.xyz）
client = anthropic.Anthropic(
api_key="your-key",
base_url="https://api.884819.xyz"  # 只改这一行
)

💡 两行代码的区别：其余所有代码完全相同，中转服务对 API 格式做了完整兼容，不需要任何额外适配。

第二步：设计 System Prompt

System Prompt 是客服 Bot 的"灵魂"。一个好的客服 System Prompt 需要做到三件事：定义身份、划定边界、规定语气。

SYSTEM_PROMPT = """你是「极光数码」的客服助手小光，负责解答用户关于产品和订单的问题。

你可以回答的问题
产品功能介绍
订单状态查询（用户提供订单号后，告知他们查询方式）
退换货政策（详见下方知识库）
发货时效（一般3-5个工作日）

你不能做的事
不能承诺任何官方政策之外的补偿
不能透露内部系统信息
遇到投诉类问题，转接人工：回复"已为您转接专属客服，请稍候"

语气要求
简洁、温和、专业
不用"您好！很高兴为您服务！"这类套话开头
回答控制在100字以内，除非用户明确需要详细说明

知识库
退换货政策：自收货之日起7天内可无理由退货，15天内可换货，需保持商品完好。
"""

这段 Prompt 的设计逻辑：先给权限，再划禁区，最后定语气。顺序很重要，模型会优先遵循前面的指令。

第三步：多轮对话上下文管理

def chat_with_claude(conversation_history: list, user_message: str) -> str:
"""
conversation_history: 历史消息列表，格式为 [{"role": "user/assistant", "content": "..."}]
user_message: 当前用户输入
"""
# 把新消息加入历史
conversation_history.append({
"role": "user",
"content": user_message
})

response = client.messages.create(
model="claude-sonnet-4-5",
max_tokens=512,  # 客服回复不需要太长
system=SYSTEM_PROMPT,
messages=conversation_history
)

assistant_message = response.content[0].text

# 把助手回复也存入历史，供下轮使用
conversation_history.append({
"role": "assistant",
"content": assistant_message
})

return assistant_message


主循环（命令行测试用）
if __name__ == "__main__":
history = []
print("客服 Bot 已启动，输入 quit 退出\n")

while True:
user_input = input("用户：")
if user_input.lower() == "quit":
break

reply = chat_with_claude(history, user_input)
print(f"小光：{reply}\n")

这段代码的核心是 conversation_history 列表——每次请求都把完整的对话历史传给模型，这就是多轮对话的实现原理。Claude 本身没有"记忆"，是你的代码在帮它记住。

真实踩坑案例：Token 超限导致对话截断

上线第一天，用户反馈"聊着聊着 Bot 突然不认识我了"。排查后发现：当对话超过约40轮时，conversation_history 累积的 Token 数超过了模型限制，API 返回错误：

anthropic.BadRequestError: prompt is too long: 210847 tokens > 200000 maximum

解法是加一个上下文滑动窗口：

def trim_history(history: list, max_turns: int = 20) -> list:
"""只保留最近 N 轮对话，防止 Token 超限"""
if len(history) > max_turns * 2:
# 保留最近 max_turns 轮（每轮包含 user + assistant 两条）
return history[-(max_turns * 2):]
return history

在调用前加一行
conversation_history = trim_history(conversation_history)

⚠️ 注意：截断历史会让模型"忘记"早期信息。如果业务上需要记住用户在第1轮说的订单号，需要把关键信息单独提取存储，而不是依赖对话历史。

---

第四章：从脚本到上线——接入飞书机器人

飞书机器人是接入门槛最低的渠道：不需要企业资质，个人开发者账号就能创建。

飞书 Webhook 接入步骤

1. 在飞书开发者后台创建企业自建应用

2. 开启「接收消息」权限，配置 Webhook 地址

3. 用 Flask 或 FastAPI 起一个服务接收消息

from flask import Flask, request, jsonify
import threading

app = Flask(__name__)

每个用户维护独立的对话历史
user_sessions = {}

@app.route("/webhook", methods=["POST"])
def feishu_webhook():
data = request.json

# 飞书验证请求（首次配置时需要）
if data.get("type") == "url_verification":
return jsonify({"challenge": data["challenge"]})

# 提取消息内容
event = data.get("event", {})
user_id = event.get("sender", {}).get("sender_id", {}).get("open_id", "")
user_message = event.get("message", {}).get("content", "")

# 异步处理，避免超时（飞书要求3秒内响应）
threading.Thread(
target=process_and_reply,
args=(user_id, user_message)
).start()

return jsonify({"code": 0})


def process_and_reply(user_id: str, message: str):
"""异步处理消息并回复"""
if user_id not in user_sessions:
user_sessions[user_id] = []

history = trim_history(user_sessions[user_id])
reply = chat_with_claude(history, message)
user_sessions[user_id] = history

# 调用飞书发消息 API 回复用户
send_feishu_message(user_id, reply)

生产环境必须考虑的三个问题

with client.messages.stream(
model="claude-sonnet-4-5",
max_tokens=512,
system=SYSTEM_PROMPT,
messages=conversation_history
) as stream:
for text in stream.text_stream:
print(text, end="", flush=True)

try:
reply = chat_with_claude(history, message)
except Exception as e:
reply = "抱歉，我遇到了一点问题，请稍后再试，或联系人工客服。"
print(f"API 调用失败：{e}")

---

第五章：3小时复盘——时间分配、成本核算、值不值得做

时间分配实录

成本估算

以 Claude Sonnet 定价为基准，模拟一个中小团队的日常使用量：

对比一个初级客服的人力成本，这个数字几乎可以忽略不计。更重要的是，Bot 7×24小时在线，响应时间在2秒以内。

值不值得做？

• 日咨询量超过50次，重复问题占比超过60%
• 团队没有专职客服，或客服需要处理更复杂的问题
• 需要在非工作时间提供基础响应

• 业务逻辑极其复杂，每个问题都需要查数据库
• 用户群体对 AI 回复接受度低（部分传统行业）
• 日咨询量极少，人工完全够用

---

你的第一个 Bot，今天就能跑起来

整个流程下来，最难的部分其实不是代码——30行 Python 任何有基础的人都能写。真正需要时间的是System Prompt 的打磨：你要想清楚这个 Bot 能做什么、不能做什么、遇到不会的问题怎么处理。

这篇讲的是"把 Bot 跑起来"，但真正让客服 Bot 好用的核心是 System Prompt 的设计——同样的模型，烂 Prompt 让它答非所问，好 Prompt 让它像个老员工。

下一篇我会专门拆解：客服场景下的 Prompt 工程实战，包括如何让 Claude 只回答你想让它回答的问题，以及如何防止用户把它"玩坏"。 先关注，不然找不到。

---

#Claude #AI客服 #API教程 #Python #AI开发 #8848AI #Prompt工程 #飞书机器人