Claude Fable 5.1 vs GPT-6 Astra 对比

# Claude Code CLI — 使用 Fable 5.1 的 agentic 编程会话
# 1) 安装 (npm)
npm install -g @anthropic-ai/claude-code

# 2) 显式锁定 Fable 5.1(别名可能因环境而异）
claude --model 'claude-fable-5-1[1m]' --effort high

# 3) 通过 API 进行程序化调用 (Python)
import anthropic

client = anthropic.Anthropic()
response = client.messages.create(
    model="claude-fable-5-1",
    max_tokens=4096,
    system=[{"type": "text", "text": "Sen bir kıdemli backend mühendisisin.", "cache_control": {"type": "ephemeral"}}],
    messages=[
        {"role": "user", "content": "Bu Prisma şemasındaki N+1 sorgu riskini bul."}
    ]
)
print(response.content[0].text)

# 4) 缓存经济性:5 分钟缓存写入 $12.50/MTok,
#    缓存命中仅 $0.25/MTok(0.025 倍系数——其他模型为 0.1 倍）

# Codex CLI — 使用 GPT-6 Astra 的 agentic 编程会话
# 1) 安装与更新(0.153.4+ 将 Astra 设为内置默认模型）
npm install -g @openai/codex
codex --version   # 应 >= 0.153.4

# 2) 显式锁定模型 (~/.codex/config.toml — 两者均为顶层键）
# model = "gpt-6-astra"
# model_reasoning_effort = "high"

codex exec "Bu Express route'undaki race condition'ı bul ve düzelt"

# 3) 通过 API 进行程序化调用 (Python)
from openai import OpenAI

client = OpenAI()
response = client.responses.create(
    model="gpt-6-astra",
    reasoning={"effort": "high"},
    input="Bu SQL sorgusundaki N+1 riskini analiz et."
)
print(response.output_text)

# 4) 在不破坏缓存的情况下提升 effort (configuration_update)
# 在 input 元素中添加 {"type": "configuration_update", "reasoning": {"effort": "xhigh"}}