用 Claude API 打造個人 AI 助理：Python 實作完整教學

先說一個真實的故事

去年底，我有一個在新創公司做產品的朋友，每天要處理大量的客戶回饋信件、競品報告和會議記錄。他試過 ChatGPT、試過各種 AI 工具，每次都在介面上重新貼入背景資料，重新解釋他的工作脈絡，換了新對話又要從頭來過。他來問我：「有沒有辦法做一個真正認識我、記得我習慣的 AI？」

我的答案是：有，但你要自己動手打造。用 Claude API 寫幾百行 Python，你可以做出一個真正客製化的個人 AI 助理，不是那種「每次都要自我介紹」的工具，而是一個記得你的偏好、知道你的工作情境、可以處理你特定格式文件的助手。

這篇文章就是我整理出來的完整教學。從 API 金鑰申請到雲端部署，我盡量讓每個步驟都能直接複製執行。不需要有進階程式背景，有基礎 Python 概念就夠了。

第一步：API 金鑰申請與費用管理

先去 Anthropic Console 建立帳號。申請很直覺，填完 email、驗證之後進到 Dashboard，左側找到「API Keys」，點「Create Key」，幫它取個有意義的名字（比如 personal-assistant-dev），然後把那串金鑰複製起來存好——這個金鑰只會顯示一次，關掉就沒了。

費用部分是很多人一開始會忽略的地方。Claude API 採用 token 計費，不同模型價格差很多。以目前最常用的 claude-sonnet-4-5 為例，輸入大約是每百萬 token $3 美元，輸出是 $15 美元。一般日常對話，一輪交換大概用 500～1500 tokens，意思是你每天跑個 100 輪對話，費用大概落在 $0.3～$1.5 美元之間，一個月下來在 $10～$50 的範圍，比訂閱方案靈活很多。

強烈建議一開始就設定用量上限，避免失控。在 Console 的「Billing」裡面可以設定每月消費上限（Spend Limit），建議先設 $20 當安全網。另外把 API 金鑰存在環境變數，不要直接寫在程式碼裡：

# 在 .env 檔案裡
ANTHROPIC_API_KEY=sk-ant-xxxxxxxxxxxxxxxx

# 或直接設定系統環境變數（Mac/Linux）
export ANTHROPIC_API_KEY=sk-ant-xxxxxxxxxxxxxxxx

安裝套件只需要一行：

pip install anthropic python-dotenv

Messages API 基本用法：單輪與多輪對話

Anthropic 的 Messages API 結構很清晰，理解了之後後面所有進階功能都是在這個基礎上疊加。先從最簡單的單輪對話開始：

import anthropic
from dotenv import load_dotenv
import os

load_dotenv()

client = anthropic.Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))

def ask_claude(user_message: str) -> str:
    message = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=1024,
        messages=[
            {"role": "user", "content": user_message}
        ]
    )
    return message.content[0].text

# 測試
response = ask_claude("用繁體中文說明什麼是 API")
print(response)

跑起來之後，生成一段 300 字的說明大概需要 3～5 秒，這是 Sonnet 模型的正常速度。如果你換成 Haiku 模型（claude-haiku-4-5），同樣的請求可以壓到 1～2 秒，費用也更便宜，適合需要快速回應的場景。

接下來是多輪對話。這是打造「記得你」的助理的關鍵——Claude API 本身是無狀態的，每次 API 呼叫都是獨立的，所以你要自己維護對話歷史：

class SimpleAssistant:
    def __init__(self, system_prompt: str = ""):
        self.client = anthropic.Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))
        self.conversation_history = []
        self.system_prompt = system_prompt
        self.model = "claude-sonnet-4-5"

    def chat(self, user_message: str) -> str:
        # 把使用者訊息加入歷史
        self.conversation_history.append({
            "role": "user",
            "content": user_message
        })

        # 帶著完整歷史呼叫 API
        response = self.client.messages.create(
            model=self.model,
            max_tokens=2048,
            system=self.system_prompt,
            messages=self.conversation_history
        )

        assistant_reply = response.content[0].text

        # 把 Claude 的回覆也加入歷史
        self.conversation_history.append({
            "role": "assistant",
            "content": assistant_reply
        })

        return assistant_reply

    def reset(self):
        self.conversation_history = []
        print("對話歷史已清除")

# 使用方式
assistant = SimpleAssistant(system_prompt="你是一個有幫助的繁體中文助理。")
print(assistant.chat("我叫 Jay，我在做 AI 工具評測"))
print(assistant.chat("你還記得我的名字嗎？"))  # 這次它會記得！

這個架構有個需要注意的地方：對話歷史越長，每次 API 呼叫的 token 費用就越高。如果你一直聊下去，一個下午之後一次請求可能就要燒掉幾千 tokens 的 context。後面我會講怎麼管理這個問題。

System Prompt 設計：打造有個性的個人助理

這是整個專案裡我覺得最有趣的環節。System prompt 是你跟 Claude 的「合約」，決定它的個性、知識背景、回覆風格，以及面對不同情況的處理方式。寫得好，你的助理就真的「認識你」；寫得差，它只是一個貴一點的 ChatGPT。

一個好的 system prompt 要包含幾個層次：

• 身份定義：它是誰、專長是什麼、服務的對象是誰
• 背景知識：關於你的工作、習慣、偏好的具體資訊
• 行為規則：回覆的格式、長度、語氣，遇到不確定時怎麼辦
• 限制條件：哪些事情不做、哪些要特別謹慎

以下是一個實際可用的 system prompt 範本，根據你的情況修改：

SYSTEM_PROMPT = """
你是 Jay 的個人 AI 助理，名字叫做「小克」。

【關於 Jay 的背景】
- Jay 是一個在台灣的 AI 工具部落客，每天測試和評測各種 AI 工具
- 主要讀者是台灣的技術從業者和企業主
- 常用工具：Python、Notion、Obsidian、VS Code
- 寫作風格：直接、有觀點、不說廢話

【你的任務】
1. 幫助 Jay 整理資訊、起草文章大綱、分析產品
2. 回覆時預設使用繁體中文，除非 Jay 特別要求其他語言
3. 如果 Jay 問的是技術問題，給出可以直接執行的程式碼，不要只給概念說明
4. 遇到不確定的資訊，直接說「我不確定，建議你查驗一下」，不要捏造答案

【回覆格式】
- 一般問題：直接回答，200 字以內，除非需要詳細說明
- 技術問題：先給結論，再給程式碼，再說明注意事項
- 長文件分析：先給三點摘要，再展開細節

記住：Jay 最討厭廢話，每句話都要有實質內容。
"""

這份 system prompt 有個重要原則：具體勝過抽象。不要說「請以專業的態度回覆」，要說「技術問題先給結論再給程式碼」。Claude 在執行具體指令時的表現遠比執行模糊指令穩定。這個觀念跟ChatGPT 提示詞完整指南裡面的核心邏輯是一樣的，好的提示詞永遠都是講具體的、可執行的指令。

處理長文件：PDF 摘要與文件問答系統

這是我那個產品朋友最需要的功能。每天幾十頁的競品報告和客戶回饋，靠人工讀根本讀不完。Claude 的 context window 非常大（claude-sonnet-4-5 支援 200K tokens，大約可以塞進一本中篇小說），非常適合做文件問答。

先安裝 PDF 處理套件：

pip install pypdf2

import PyPDF2
import os

def extract_pdf_text(pdf_path: str) -> str:
    """從 PDF 提取文字"""
    with open(pdf_path, 'rb') as file:
        reader = PyPDF2.PdfReader(file)
        text = ""
        for page in reader.pages:
            text += page.extract_text() + "\n"
    return text

def create_document_assistant(pdf_path: str) -> SimpleAssistant:
    """建立針對特定文件的問答助理"""
    document_text = extract_pdf_text(pdf_path)
    
    # 計算大概的 token 數（粗估：一個中文字約 1.5 tokens）
    estimated_tokens = len(document_text) * 1.5
    print(f"文件長度：{len(document_text)} 字，預估 {int(estimated_tokens)} tokens")
    
    system_prompt = f"""你是一個文件分析助理。以下是需要分析的文件內容：

---文件開始---
{document_text}
---文件結束---

請根據以上文件內容回答問題。如果問題的答案在文件中找不到，請明確說明「這份文件沒有提到這個資訊」，不要自行推測或補充文件以外的內容。

回答時請引用文件中的具體段落或頁碼（如果有）。"""
    
    return SimpleAssistant(system_prompt=system_prompt)

# 使用方式
doc_assistant = create_document_assistant("competitor_report.pdf")

# 第一個問題：整體摘要
print(doc_assistant.chat("幫我用三個重點摘要這份文件的主要內容"))

# 後續問題：深入特定主題
print(doc_assistant.chat("關於定價策略，文件裡有什麼具體的數據？"))

如果文件太長（超過 100K tokens），就要做一點策略調整。我通常的做法是先把文件切成小段，對每段做摘要，再把所有摘要合併成一份「超級摘要」，最後針對這份超級摘要做問答。這個方法處理 300 頁以上的報告完全沒問題。

儲存對話歷史：讓助理真正記住你

前面的 SimpleAssistant 類別，關掉程式之後對話就消失了。要讓助理真正跨對話記住你，需要把歷史存到檔案或資料庫。這裡用最簡單的 JSON 檔案方案，適合個人使用：

import json
from datetime import datetime
from pathlib import Path

class PersistentAssistant:
    def __init__(self, assistant_name: str, system_prompt: str, 
                 storage_dir: str = "./conversations"):
        self.client = anthropic.Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))
        self.assistant_name = assistant_name
        self.system_prompt = system_prompt
        self.model = "claude-sonnet-4-5"
        self.storage_dir = Path(storage_dir)
        self.storage_dir.mkdir(exist_ok=True)
        self.conversation_history = []
        self.session_file = self.storage_dir / f"{assistant_name}_history.json"
        
        # 載入歷史對話
        self._load_history()
    
    def _load_history(self):
        """從檔案載入對話歷史"""
        if self.session_file.exists():
            with open(self.session_file, 'r', encoding='utf-8') as f:
                data = json.load(f)
                self.conversation_history = data.get("messages", [])
            print(f"已載入 {len(self.conversation_history)} 筆對話記錄")
        else:
            print("這是全新的對話，尚無歷史記錄")
    
    def _save_history(self):
        """把對話歷史存到檔案"""
        data = {
            "assistant_name": self.assistant_name,
            "last_updated": datetime.now().isoformat(),
            "messages": self.conversation_history
        }
        with open(self.session_file, 'w', encoding='utf-8') as f:
            json.dump(data, f, ensure_ascii=False, indent=2)
    
    def _trim_history(self, max_messages: int = 50):
        """避免對話歷史太長，只保留最近 N 輪"""
        if len(self.conversation_history) > max_messages:
            # 保留最後 max_messages 筆，確保 user/assistant 成對
            self.conversation_history = self.conversation_history[-max_messages:]
    
    def chat(self, user_message: str) -> str:
        self.conversation_history.append({
            "role": "user",
            "content": user_message,
        })
        
        self._trim_history()
        
        response = self.client.messages.create(
            model=self.model,
            max_tokens=2048,
            system=self.system_prompt,
            messages=self.conversation_history
        )
        
        assistant_reply = response.content[0].text
        
        self.conversation_history.append({
            "role": "assistant", 
            "content": assistant_reply
        })
        
        # 每次對話後自動存檔
        self._save_history()
        
        return assistant_reply
    
    def show_stats(self):
        """顯示對話統計"""
        print(f"目前對話歷史：{len(self.conversation_history)} 筆訊息")
        print(f"預估 token 消耗：約 {len(str(self.conversation_history)) // 2} tokens")

# 使用方式
assistant = PersistentAssistant(
    assistant_name="jay_assistant",
    system_prompt=SYSTEM_PROMPT  # 使用前面定義的 system prompt
)

# 下次再開啟程式，它還記得之前的對話
print(assistant.chat("上次我們聊到哪了？"))

這個方案的限制是如果對話量很大，JSON 檔案會變得很慢。如果你每天用量很高，建議改用 SQLite（Python 內建，不需要額外安裝），我之後有機會再寫一篇專門的教學。你也可以參考Claude 3.7 Sonnet 全面解析裡面關於 context window 管理的討論，對理解 token 限制很有幫助。

從本地腳本到雲端部署

本地跑起來之後，如果你想讓助理 24 小時可用（比如從手機也能問它問題），就需要部署到雲端。最簡單的方案是用 Railway 或 Render，不需要熟悉 AWS 或 GCP，幾分鐘就能搞定。

先把助理包成一個簡單的 HTTP API，使用 FastAPI：

pip install fastapi uvicorn

# app.py
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import anthropic
import os
from dotenv import load_dotenv

load_dotenv()

app = FastAPI(title="Personal AI Assistant")
client = anthropic.Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))

# 簡單的記憶體存儲（生產環境建議換成 Redis 或資料庫）
sessions = {}

class ChatRequest(BaseModel):
    session_id: str
    message: str

class ChatResponse(BaseModel):
    reply: str
    session_id: str

@app.post("/chat", response_model=ChatResponse)
async def chat(request: ChatRequest):
    # 取得或建立 session
    if request.session_id not in sessions:
        sessions[request.session_id] = []
    
    history = sessions[request.session_id]
    history.append({"role": "user", "content": request.message})
    
    try:
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=2048,
            system=SYSTEM_PROMPT,
            messages=history
        )
        
        reply = response.content[0].text
        history.append({"role": "assistant", "content": reply})
        
        # 只保留最近 20 輪對話
        if len(history) > 40:
            sessions[request.session_id] = history[-40:]
        
        return ChatResponse(reply=reply, session_id=request.session_id)
    
    except anthropic.APIError as e:
        raise HTTPException(status_code=500, detail=str(e))

@app.get("/health")
async def health():
    return {"status": "ok"}

# 啟動指令：uvicorn app:app --host 0.0.0.0 --port 8000

部署到 Railway 的步驟：把程式碼推到 GitHub，到 Railway 連結你的 GitHub repo，在環境變數設定 ANTHROPIC_API_KEY，按下 Deploy。免費方案每個月有 $5 美元的額度，個人使用通常夠了。記得在 Railway 的環境設定加上 ANTHROPIC_API_KEY 的值，不要把金鑰寫進程式碼再推上去。

部署完成後，你就有一個可以從任何地方呼叫的 API endpoint，可以用 iOS Shortcuts 或 Android 的自動化工具（如 Tasker）包一個簡單的捷徑，手機上點一下就能跟你的助理說話。

整合起來：完整的個人助理架構

把所有東西串起來，一個完整的個人 AI 助理大概是這樣的架構：System prompt 定義個性和背景 → PersistentAssistant 管理對話歷史 → 文件分析模組處理長文件 → FastAPI 提供 HTTP 介面 → Railway 雲端部署讓它隨時可用。

整個專案的程式碼大概 300～400 行，如果你有基本的 Python 概念，一個週末就能跑起來。我自己用了快三個月，每天用它整理讀者來信、起草文章大綱、分析競品功能，老實說已經很難想像回到沒有它的工作方式。

跟訂閱 Claude Pro 相比，這個方案的優勢是完全客製化、費用更靈活（我每月大概花 $15～$25 美元，視工作量而定），而且資料都在自己手上。代價是需要花時間設定和維護，如果你對程式碼完全沒概念，可能要先評估一下學習成本。如果你想先了解 Claude 本身的能力邊界，可以看我們的Claude 4 Opus 完整評測，再決定哪個模型適合你的用途。

常見問題

Claude API 和直接訂閱 Claude Pro 有什麼差別？應該選哪個？

Claude Pro 是每月固定費用（約 $20 美元），有使用量上限，介面固定無法客製化。API 是按用量計費，沒有固定月費，但需要自己寫程式或使用第三方工具。如果你每天只是偶爾問問題、寫寫文章，Pro 訂閱省事得多。但如果你想整合進自己的工作流程、需要批次處理文件、或者要跟其他系統串接，API 的彈性就遠超過 Pro 方案。以我自己的使用量，API 方案大概比 Pro 便宜 20～30%，而且功能控制更細緻。

我沒有程式背景，這篇教學適合我嗎？

坦白說，這篇教學假設你至少看得懂基本的 Python 語法，知道什麼是函式、迴圈、字典。如果你完全沒有程式基礎，直接跳進來可能會卡關。建議先花一兩週用 Python 官方教學或 freeCodeCamp 的入門課打底，了解變數、函式、檔案讀寫這幾個概念之後再回來看這篇文章，執行起來會順很多。另一個選項是用 n8n 或 Zapier 等 no-code 工具串接 Claude API，不需要寫程式就能做出基本的自動化流程。

如何避免 API 費用失控？有什麼好的監控方式？

有幾個層次的防護。第一層是在 Anthropic Console 設定月度消費上限，超過就自動停用。第二層是在程式碼裡控制每次請求的 max_tokens 上限，避免一次請求就花掉大量 token。第三層是在 system prompt 裡明確要求 Claude 回覆簡潔，比如「一般問題回覆不超過 200 字」。第四層是監控對話歷史長度，定期清除舊的 context，因為帶著幾千 tokens 的歷史去問一個簡單問題會非常浪費。另外，Anthropic Console 的 Usage 頁面可以看每天的 token 消耗趨勢，建議每週看一次。

處理中文文件時有什麼需要特別注意的地方？

中文的 token 效率和英文不太一樣。一般來說，一個中文字大約需要 1.5～2 個 tokens（因為 tokenizer 主要針對英文設計），而一個英文單字大概 1～1.3 個 tokens。意思是同樣字數的文章，中文會消耗更多 token，費用也會相應增加。在做長文件分析時，這個差異特別明顯，估算費用時記得把中文的係數調高一點。另外，Claude 的繁體中文理解能力很強，通常不需要特別在 system prompt 裡解釋繁體中文的慣用語，直接正常使用就好。

如果我的 PDF 有圖表或掃描版本，這套方案還能用嗎？

這篇教學的 PDF 處理方案只能提取文字層，如果是掃描版的 PDF（整頁都是圖片），PyPDF2 提取出來的文字會是空白。這種情況需要搭配 OCR（文字辨識）工具，比如 pytesseract 搭配 Tesseract 引擎，或是直接呼叫 Claude 的 Vision API，把 PDF 每頁轉成圖片再讓 Claude 「看」圖作答。Claude 的視覺能力對含有圖表的報告處理得相當不錯，但每頁圖片的 token 消耗比純文字高很多，大概每頁要多用 1000～2000 tokens，費用要算進去。

這套系統的安全性如何？我的對話內容會被 Anthropic 用來訓練模型嗎？

使用 API 方案的對話，根據 Anthropic 的隱私政策，預設不會用於訓練模型（跟消費者版 Claude.ai 的條款不同）。但如果你的對話包含敏感的商業資訊、客戶個資或機密文件，仍然建議在傳送前做敏感資訊的脫敏處理。另外，API 金鑰的安全性非常重要，一旦洩露任何人都可以用你的配額和費用去呼叫 API。確保金鑰存在環境變數而非程式碼裡，定期在 Console 輪換金鑰，如果懷疑洩露立即在 Console 撤銷舊金鑰並產生新的。

如何讓助理回答的語氣和風格更符合我的需求？

這完全靠 system prompt 的設計。幾個有效的技巧：第一，給它看你喜歡的文字風格的例子，在 system prompt 裡貼 2～3 個「這是我希望的回覆範例」，效果比抽象描述風格好很多。第二，明確描述你不想要的行為，比如「不要在回覆裡用 emoji」、「不要說『當然！』這種開場白」。第三，針對不同類型的請求設計不同的格式規則，比如「技術問題先給程式碼，再解釋」、「意見型問題直接給結論再說理由」。多測試幾輪，每次調整一個變數，大概試 5～10 次就能找到你滿意的設定。

這套方案可以整合到 LINE 或其他通訊軟體嗎？

可以，而且不算太難。LINE 有提供 Messaging API，你可以建立一個 LINE Bot，把用戶傳來的訊息轉發到你的 Claude API，再把回覆傳回 LINE。整體架構是：LINE Bot webhook → 你的 FastAPI 服務 → Claude API → 回傳 LINE。LINE Bot 的申請在 LINE Developers Console 完成，有詳細的文件，申請一個 Messaging API Channel 大概需要 30 分鐘。Telegram 的 Bot API 更簡單，如果你有在用 Telegram 的話，整合起來大概比 LINE 少一半的程式碼。實作完成後，你就可以直接在手機上的通訊軟體裡跟你的個人助理對話，非常方便。

本文部分連結為聯盟行銷連結，不影響評測立場。

最後更新：2025 年