访问我们的内容审核手册查看使用Claude实现内容审核的示例。
本指南专注于审核应用程序中用户生成的内容。如果您正在寻找关于审核与Claude交互的指导,请参考我们的护栏指南。
使用Claude构建之前
决定是否使用Claude进行内容审核
以下是一些关键指标,表明您应该使用像Claude这样的LLM而不是传统的ML或基于规则的方法进行内容审核:您希望成本效益高且快速实施
您希望成本效益高且快速实施
传统的ML方法需要大量的工程资源、ML专业知识和基础设施成本。人工审核系统甚至会产生更高的成本。使用Claude,您可以在更短的时间内以更低的价格建立一个复杂的审核系统。
您希望兼具语义理解和快速决策
您希望兼具语义理解和快速决策
传统的ML方法,如词袋模型或简单的模式匹配,往往难以理解内容的语调、意图和上下文。虽然人工审核系统在理解语义含义方面表现出色,但它们需要时间来审查内容。Claude通过将语义理解与快速提供审核决策的能力相结合,弥合了这一差距。
您需要一致的政策决策
您需要一致的政策决策
通过利用其先进的推理能力,Claude可以统一地解释和应用复杂的审核指导原则。这种一致性有助于确保对所有内容的公平处理,降低可能破坏用户信任的不一致或有偏见的审核决策的风险。
您的审核政策可能会随时间变化或演进
您的审核政策可能会随时间变化或演进
一旦建立了传统的ML方法,改变它是一项费力且数据密集的工作。另一方面,随着您的产品或客户需求的发展,Claude可以轻松适应审核政策的变化或添加,而无需对训练数据进行大量重新标记。
您需要为审核决策提供可解释的推理
您需要为审核决策提供可解释的推理
如果您希望为用户或监管机构提供审核决策背后的清晰解释,Claude可以生成详细且连贯的理由。这种透明度对于建立信任和确保内容审核实践的问责制非常重要。
您需要多语言支持而无需维护单独的模型
您需要多语言支持而无需维护单独的模型
传统的ML方法通常需要为每种支持的语言建立单独的模型或进行大量的翻译过程。人工审核需要雇用精通每种支持语言的工作人员。Claude的多语言能力使其能够对各种语言的工单进行分类,而无需单独的模型或大量的翻译过程,为全球客户群简化了审核流程。
您需要多模态支持
您需要多模态支持
Claude的多模态能力使其能够分析和解释文本和图像的内容。这使其成为在需要一起评估不同媒体类型的环境中进行全面内容审核的多功能工具。
Anthropic已经训练所有Claude模型诚实、有用且无害。这可能导致Claude审核被认为特别危险的内容(符合我们的可接受使用政策),无论使用什么提示。例如,一个希望允许用户发布明确性内容的成人网站可能会发现,即使他们在提示中指定不要审核明确的性内容,Claude仍然会将明确内容标记为需要审核。我们建议在构建审核解决方案之前提前审查我们的AUP。
生成要审核的内容示例
在开发内容审核解决方案之前,首先创建应该被标记的内容和不应该被标记的内容的示例。确保包括边缘情况和可能对内容审核系统有效处理困难的挑战性场景。之后,审查您的示例以创建一个明确定义的审核类别列表。 例如,社交媒体平台生成的示例可能包括以下内容:This movie was great, I really enjoyed it. The main actor really killed it!中,内容审核系统需要识别”killed it”是一个隐喻,而不是实际暴力的指示。相反,尽管没有明确提及暴力,评论Delete this post now or you better hide. I am coming after you and your family.应该被内容审核系统标记。
unsafe_categories列表可以根据您的具体需求进行定制。例如,如果您希望防止未成年人在您的网站上创建内容,您可以在列表中添加”未成年人发帖”。
如何使用Claude进行内容审核
选择合适的Claude模型
在选择模型时,重要的是要考虑数据的大小。如果成本是一个考虑因素,像Claude Haiku 3这样的较小模型由于其成本效益是一个绝佳的选择。以下是为每月收到十亿帖子的社交媒体平台审核文本的成本估算:-
内容大小
- 每月帖子数:10亿
- 每个帖子的字符数:100
- 总字符数:1000亿
-
估计令牌数
- 输入令牌:286亿(假设每3.5个字符1个令牌)
- 被标记消息的百分比:3%
- 每个被标记消息的输出令牌:50
- 总输出令牌:15亿
-
Claude Haiku 3估计成本
- 输入令牌成本:2,860 MTok * $0.25/MTok = $715
- 输出令牌成本:1,500 MTok * $1.25/MTok = $1,875
- 月度成本:$715 + $1,875 = $2,590
-
Claude Sonnet 4.5估计成本
- 输入令牌成本:2,860 MTok * $3.00/MTok = $8,580
- 输出令牌成本:1,500 MTok * $15.00/MTok = $22,500
- 月度成本:$8,580 + $22,500 = $31,080
实际成本可能与这些估算不同。这些估算基于批处理部分中突出显示的提示。通过从响应中删除
explanation字段,输出令牌可以进一步减少。构建强大的提示
为了使用Claude进行内容审核,Claude必须了解您应用程序的审核要求。让我们从编写一个允许您定义审核需求的提示开始:moderate_message函数包含一个评估提示,其中包括不安全内容类别和我们希望评估的消息。提示要求Claude根据我们定义的不安全类别评估消息是否应该被审核。
然后解析模型的评估以确定是否存在违规。如果存在违规,Claude还会返回违规类别列表,以及解释消息为什么不安全的说明。
评估您的提示
内容审核是一个分类问题。因此,您可以使用我们的分类手册中概述的相同技术来确定内容审核系统的准确性。 另一个考虑因素是,您可以创建多个类别来表示各种风险级别,而不是将内容审核视为二元分类问题。创建多个风险级别允许您调整审核的积极性。例如,您可能希望自动阻止被认为是高风险的用户查询,而有许多中等风险查询的用户被标记为人工审查。assess_risk_level函数,使用Claude评估消息的风险级别。该函数接受消息和不安全类别列表作为输入。
在函数内部,为Claude生成一个提示,包括要评估的消息、不安全类别和评估风险级别的具体指令。提示指示Claude用包含风险级别、违规类别和可选解释的JSON对象响应。
这种方法通过分配风险级别实现灵活的内容审核。它可以无缝集成到更大的系统中,根据评估的风险级别自动化内容过滤或标记评论进行人工审查。例如,在执行此代码时,评论Delete this post now or you better hide. I am coming after you and your family.被识别为高风险,因为其危险威胁。相反,评论Stay away from the 5G cellphones!! They are using 5G to control you.被归类为中等风险。
部署您的提示
一旦您对解决方案的质量有信心,就是将其部署到生产环境的时候了。以下是在生产环境中使用内容审核时要遵循的一些最佳实践:-
向用户提供清晰的反馈: 当用户输入被阻止或响应因内容审核而被标记时,提供信息丰富且具有建设性的反馈,帮助用户理解为什么他们的消息被标记以及如何适当地重新表述。在上面的编码示例中,这通过Claude响应中的
explanation标签来完成。 - 分析被审核的内容: 跟踪您的审核系统标记的内容类型,以识别趋势和潜在的改进领域。
- 持续评估和改进: 使用精确度和召回率跟踪等指标定期评估内容审核系统的性能。使用这些数据迭代地完善您的审核提示、关键词和评估标准。
提高性能
在复杂场景中,除了标准的提示工程技术之外,考虑额外的策略来提高性能可能会有所帮助。以下是一些高级策略:定义主题并提供示例
除了在提示中列出不安全类别外,还可以通过提供与每个类别相关的定义和短语来进一步改进。moderate_message_with_definitions函数通过允许每个不安全类别与详细定义配对来扩展早期的moderate_message函数。这在代码中通过用unsafe_category_definitions字典替换原始函数中的unsafe_categories列表来实现。这个字典将每个不安全类别映射到其相应的定义。类别名称和其定义都包含在提示中。
值得注意的是,Specialized Advice类别的定义现在指定了应该被禁止的金融建议类型。因此,之前通过moderate_message评估的评论It's a great time to invest in gold!现在触发了违规。
考虑批处理
在不需要实时审核的情况下,为了降低成本,考虑批量审核消息。在提示的上下文中包含多个消息,并要求Claude评估哪些消息应该被审核。batch_moderate_messages函数通过单个Claude API调用处理整批消息的审核。
在函数内部,创建一个提示,包括要评估的消息列表、定义的不安全内容类别及其描述。提示指示Claude返回一个JSON对象,列出所有包含违规的消息。响应中的每个消息都通过其id标识,该id对应于消息在输入列表中的位置。
请记住,为您的特定需求找到最佳批处理大小可能需要一些实验。虽然较大的批处理大小可以降低成本,但它们也可能导致质量略有下降。此外,您可能需要增加Claude API调用中的max_tokens参数以适应更长的响应。有关您选择的模型可以输出的最大令牌数的详细信息,请参考模型比较页面。