Claudeモデル選択ガイド：Opus・Sonnet・Haikuの違いと使い分け方を解説

Anthropic APIでOpus・Sonnet・Haikuを切り替える：タスク別モデル選択の実装

Anthropic APIを使い、タスクの性質に応じてClaude Opus（高精度）・Sonnet（バランス）・Haiku（高速・低コスト）を動的に切り替えるパターンを実装します。コスト最適化とパフォーマンスの両立に役立つ設計です。

import anthropic
import time

client = anthropic.Anthropic()

# モデル定義: 用途別にクラスを分ける
MODELS = {
    "opus":   "claude-opus-4-0-20250514",
    "sonnet": "claude-sonnet-4-20250514",
    "haiku":  "claude-haiku-4-20250514",
}

# タスク難易度に応じたモデル自動選択
def select_model(task_type: str) -> str:
    routing = {
        "complex_analysis":  "opus",    # 複雑な分析・推論
        "code_generation":   "sonnet",  # コード生成・一般タスク
        "classification":    "haiku",   # 分類・抽出・要約
        "translation":       "haiku",   # 翻訳
        "creative_writing":  "sonnet",  # 創作
        "research":          "opus",    # 調査・論文解析
    }
    tier = routing.get(task_type, "sonnet")
    return MODELS[tier]

# 共通のAPI呼び出し関数
def call_claude(prompt: str, task_type: str, max_tokens: int = 1024) -> dict:
    model = select_model(task_type)
    print(f"[Model] {task_type} -> {model}")

    start = time.time()
    response = client.messages.create(
        model=model,
        max_tokens=max_tokens,
        messages=[{"role": "user", "content": prompt}]
    )
    elapsed = time.time() - start

    result = {
        "model": model,
        "task_type": task_type,
        "content": response.content[0].text,
        "input_tokens": response.usage.input_tokens,
        "output_tokens": response.usage.output_tokens,
        "elapsed_sec": round(elapsed, 2),
    }
    return result

# ---- 使用例1: 高速分類（Haiku） ----
r1 = call_claude(
    prompt="次の文をポジティブ/ネガティブ/ニュートラルに分類してください: 「この製品は期待以上でした」",
    task_type="classification"
)
print(f"分類結果: {r1['content']}  ({r1['elapsed_sec']}秒, {r1['output_tokens']}トークン)")

# ---- 使用例2: コード生成（Sonnet） ----
r2 = call_claude(
    prompt="PythonでCSVファイルを読み込み、欠損値を中央値で補完し、標準化してからRandomForestで学習するコードを書いてください。",
    task_type="code_generation",
    max_tokens=2048
)
print(f"\nコード生成: {r2['model']}  ({r2['elapsed_sec']}秒)")

# ---- 使用例3: 深い分析（Opus） ----
r3 = call_claude(
    prompt="TransformerのSelf-AttentionとState Space Model（Mamba）のアーキテクチャを比較し、計算量・長系列性能・実装の容易さの観点から分析してください。",
    task_type="complex_analysis",
    max_tokens=4096
)
print(f"\n分析結果: {r3['model']}  ({r3['elapsed_sec']}秒, {r3['output_tokens']}トークン)")

# コスト比較の概算表示
print("\n=== コスト概算（入力1Kトークン / 出力1Kトークン） ===")
pricing = {
    "opus":   (15.0, 75.0),
    "sonnet": (3.0, 15.0),
    "haiku":  (0.25, 1.25),
}
for tier, (inp, out) in pricing.items():
    print(f"  {tier:8s}: 入力 ${inp}/1K  出力 ${out}/1K")

Claude APIでのモデル選択のポイントは3つあります。第一に、分類・抽出・翻訳のような定型タスクはHaikuで十分な精度が出るため、コストを1/12以下に抑えられます。第二に、コード生成や一般的な質問応答にはSonnetがコストと品質のバランスに優れ、多くのプロダクションユースケースの標準選択となります。第三に、複雑な推論・多段階分析・微妙なニュアンスの理解が必要な場面ではOpusを選択し、精度を最優先にすべきです。実運用ではルーティングロジックを組み込み、タスク種別に応じて自動でモデルを切り替えることで、品質を維持しつつAPI費用を大幅に削減できます。