pip install anthropic python-dotenv

export ANTHROPIC_API_KEY="sk-ant-xxxxx"

import os
import json
from anthropic import Anthropic

client = Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])

MODEL = "claude-opus-4-8-20250612"  # Opus 4.8 模型标识

def review_code_with_honesty(source_code: str, language: str = "python") -> dict:
    """
    利用 Opus 4.8 的自我审查能力做代码审查。
    关键：prompt 中明确要求模型标注不确定性，
    让诚实度提升真正发挥作用。
    """
    prompt = f"""你是一名资深 {language} 代码审查工程师。请审查以下代码。

审查要求：
1. 逐项列出发现的问题，标注严重程度（critical / warning / suggestion）。
2. 对于你不确定的问题，必须明确标注 [不确定] 并说明原因。
   不要猜测，不要编造你无法验证的结论。
3. 对于你确信没有问题的方面，也要简要说明，避免遗漏。
4. 最后给出一个整体评估：是否可以合并，以及需要修改的最小集合。

待审查代码：

response = client.messages.create(
    model=MODEL,
    max_tokens=2048,
    tools=[
        {
            "name": "mark_uncertain",
            "description": "当你对某个审查结论不确定时，调用此工具记录不确定项及其原因",
            "input_schema": {
                "type": "object",
                "properties": {
                    "item": {
                        "type": "string",
                        "description": "不确定的审查项描述"
                    },
                    "reason": {
                        "type": "string",
                        "description": "不确定的原因"
                    }
                },
                "required": ["item", "reason"]
            }
        }
    ],
    messages=[{"role": "user", "content": prompt}],
)

# 提取不确定项（通过 tool_use）
uncertainties = []
text_parts = []
for block in response.content:
    if block.type == "tool_use" and block.name == "mark_uncertain":
        uncertainties.append(block.input)
    elif block.type == "text":
        text_parts.append(block.text)

return {
    "review_text": "\n".join(text_parts),
    "uncertainties": uncertainties,
    "uncertainty_count": len(uncertainties),
}

**运行前需要改什么**：把 `ANTHROPIC_API_KEY` 替换成你的真实 key。模型标识 `claude-opus-4-8-20250612` 需确认是否为当前官方发布的精确标识，如果 Anthropic 更新了日期后缀，请查阅最新文档替换。

**这个示例的设计意图**：通过 `mark_uncertain` 工具，把模型的"不确定"从自然语言文本里结构化提取出来。Opus 4.8 的诚实度提升在这里体现为——模型会更频繁、更准确地调用这个工具，而不是跳过它假装一切确定。你拿到 `uncertainties` 列表后，可以决定哪些需要人工复核，哪些可以忽略。

## 动态工作流的调用方式

动态工作流目前处于预览阶段，API 层面的核心变化在于 `messages.create` 支持更灵活的 tool 循环。下面是一个最小骨架，展示如何让模型在执行中动态选择下一步：

```python
def dynamic_workflow(task: str, tools: list[dict]) -> str:
    """
    动态工作流骨架：模型根据中间结果决定下一步调用哪个工具。
    不预设执行顺序，让 Opus 4.8 自行规划。
    """
    messages = [{"role": "user", "content": task}]

    # 最多允许 5 轮工具调用，防止无限循环
    for _ in range(5):
        response = client.messages.create(
            model=MODEL,
            max_tokens=1024,
            tools=tools,
            messages=messages,
        )

        # 检查是否需要调用工具
        tool_calls = [b for b in response.content if b.type == "tool_use"]
        if not tool_calls:
            # 模型决定不再调用工具，直接返回文本结果
            text = "".join(b.text for b in response.content if b.type == "text")
            return text

        # 执行工具调用（这里用模拟函数，实际替换为真实实现）
        tool_results = []
        for tc in tool_calls:
            # 模拟执行 —— 实际项目中替换为真实函数调用
            mock_result = json.dumps({"status": "ok", "tool": tc.name, "input": tc.input})
            tool_results.append({
                "type": "tool_result",
                "tool_use_id": tc.id,
                "content": mock_result,
            })

        # 把本轮对话追加到 messages，继续循环
        messages.append({"role": "assistant", "content": response.content})
        messages.append({"role": "user", "content": tool_results})

    return "达到最大轮数限制，工作流终止。"