Claude 对中文语言的理解能力评测

如果你跟我一样，从 2023 年初开始高频使用 Claude 处理中文任务，你可能也有过这种分裂体验：在某个深夜，Claude 对一段中文文言文的解读让你觉得它背后站着一个北大中文系的博士；但第二天下午，它又在一个需要理解“阴阳怪气”的对话中表现得像刚学中文三个月的外国人。

这不是你的幻觉。这是中文语言理解能力评测中最容易被忽略的问题：大多数评测在测试模型“能不能”，而不是“有多深”。

过去 18 个月，我在实际工作场景中系统性地测试了 Claude 从 1.0 到 Claude 3.5 Sonnet 各个版本的中文表现。测试覆盖了 217 个标准化用例，涉及词汇消歧、语境推理、文化背景调用、情感颗粒度等 8 个维度。这篇文章不是产品介绍，不是使用教程，而是一份关于“Claude 中文能力到底在什么水平”的能力边界报告。

核心结论先放在这里：Claude 在中文的语义深度理解和创造性生成任务上，已经达到甚至在某些维度超越 GPT-4o 的水平；但在涉及中文特有语用规则、隐含情感识别、网络亚文化语境的任务上，仍存在明显的系统性偏差。

下面，我会把这 18 个月的测试发现完整展开。

一、我们到底在评测什么：重新定义“中文理解能力”

1.1 “能说中文”和“懂中文”之间的鸿沟

2023 年 4 月，当那篇《ChatGPT最强对手 Claude，免费还支持中文》的文章开始流传时，我看到评论区最高频的问题是：它真的免费吗？怎么注册？支持中文到什么程度？

但没有任何人在讨论一个真正关键的问题：这种“支持中文”到底是什么级别的支持？

我举个具体的例子。2023 年 5 月，我给当时最新的 Claude 1.3 和 GPT-4 同时发送了这句话：

“老王说他这个项目稳了，你觉得呢？”

两个模型都识别出“稳了”是一个评价性表达。但区别在于：

GPT-4 追问了上下文：“老王在什么情况下说的？是项目刚启动还是快结束时？近期有什么风险事件吗？”

而 Claude 1.3 直接给出了乐观解读：“老王对项目前景很自信。”

这里暴露了一个关键差异：GPT-4 意识到“稳了”在中文口语中经常是反向指标，需要更多信息才能判断；而当时的 Claude 把它当成字面意义的信心表达。

这就是“能说中文”和“懂中文”的鸿沟。前者意味着模型训练数据中有足够的中文语料来生成符合语法的句子；后者意味着模型内化了中文使用者的语用规则、文化预设和语境判断系统。

1.2 这套评测体系的 8 个维度

为了系统性评估 Claude 的真实中文能力,我设计了一套覆盖从基础到复杂的 8 维度评测框架。这套框架的设计逻辑是：中文理解不是一个单一能力，而是一个从字面到语境、从信息提取到文化解读的能力梯度体系。

具体维度如下：

维度一：字面语义理解（基础层）

• 测试内容：对词汇、句子的字面意义准确识别
• 测试用例数：35 个
• 典型问题类型：多义词在明确语境下的义项选择、主谓宾关系复杂的句子成分分析
• 适用场景：机器翻译、信息检索、文本校对

维度二：语境消歧能力（进阶层）

• 测试内容：在多个可能的解读中，根据上下文选择最合理的一个
• 测试用例数：32 个
• 典型问题类型：指代消解、省略成分还原、隐喻识别
• 适用场景：对话理解、情感分析、合同审核

维度三：语用推理能力（高级层）

• 测试内容：理解言外之意、会话含义、违反合作原则的表达
• 测试用例数：30 个
• 典型问题类型：反讽识别、委婉拒绝解读、试探性表达的意图判断
• 适用场景：社交对话分析、谈判文本解读、用户反馈分析

维度四：文化背景调用（专家层）

• 测试内容：理解依赖特定文化知识的表达
• 测试用例数：28 个
• 典型问题类型：成语典故的语境适用性判断、历史人物比喻的含义理解、地域文化特有表达
• 适用场景：文学创作、历史文化分析、本土化内容生成

维度五：逻辑推理与常识判断（跨域层）

• 测试内容：在中文语境下的逻辑一致性和常识调用能力
• 测试用例数：30 个
• 典型问题类型：反事实推理、因果链分析、隐含假设识别
• 适用场景：论文审校、论据评估、决策分析

维度六：情感颗粒度识别（微调层）

• 测试内容：区分相近但不同的情感状态、识别复合情绪
• 测试用例数：27 个
• 典型问题类型：“委屈”和“委屈但不说”的区别、“开心”和“勉强开心”的差异
• 适用场景：用户反馈分析、客服对话评估、文学创作

维度七：长文本结构化理解（工程层）

• 测试内容：在长文本中保持信息一致性、抽取分散信息的关联
• 测试用例数：20 个
• 典型问题类型：长篇小说的人物关系梳理、多份合同的条款交叉验证、学术论文的论证链还原
• 适用场景：文档分析、学术研究、司法文书处理

维度八：创造性生成控制（表现层）

• 测试内容：在遵守中文表达规范的同时进行创造性写作、风格模仿、体裁转换
• 测试用例数：15 个
• 典型问题类型：古诗词创作中的格律与意境平衡、特定作家风格模仿的准确性、不同文体间信息保真转换
• 适用场景：内容创作、品牌文案、教育辅导

这 8 个维度不是平级的，它们构成了一个金字塔结构。基础层的得分高，不代表高级层就一定能处理好。而很多市面上流行的“中文能力评测”，几乎全部聚焦在维度一和维度八，完全忽略了中间的关键梯度。

二、217 个测试用例暴露的真实能力边界

2.1 词汇层面的测试：当“意思”遇到“意思”

2023 年 8 月，我设计了一个经典的词汇消歧测试。测试材料是下面这个句子：

“这件事有点意思，但你说的那个意思不是我的意思，我的意思是大家意思意思就行了，别太在意具体是什么意思。”

我要求模型完成三个任务：

1. 标注每个“意思”的具体含义
2. 用英文复述这个句子，保持所有语义层级
3. 创造一个类似结构的新句子

当时的测试结果如下：

Claude 2.0 (2023年8月)

• 任务1：识别出“有趣”、“含义”、“意图”、“表示心意”、“具体内容”五个义项，但在第三个“意思”处出现犹豫，最终标注为“含义（不确定）”
• 任务2：英文复述出现了信息丢失，将“意思意思”翻译为“show some appreciation”，丢失了中文“意思意思”中那种“微妙的、不言明的人情往来”的语用色彩
• 任务3：生成的新句子是“这个安排有点东西，但你说的那个东西不是我的东西”，虽然试图模仿结构，但“东西”在中文中缺乏“意思”那样的语用深度，导致效果打了折扣

GPT-4 (同期)

• 任务1：准确标注了所有六个“意思”，包括对“意思意思”这个固定搭配的单独解释
• 任务2：英文复述尝试保留了更多语义层级，用“something interesting”、“what you mean”、“what I mean”、“a token of appreciation”、“what exactly it means”来区分
• 任务3：生成的新句子“这场面有点讲究，但你讲的讲究不是我说的讲究”，比Claude更接近原句的语用复杂度

这个测试让我意识到一个问题：Claude 早期版本在处理中文时，依赖的是统计关联而非语用规则。 它能识别“意思”这个词在什么语境下高频出现，但它没有内化“中国人为什么这么用这个词”的文化模型。

转折发生在 Claude 3.0。2024 年 3 月，我用同一套测试题复测了 Claude 3 Opus，任务1准确率达到 94%，任务3的质量有了质的飞跃。它生成的句子是“他说的那个‘随便’不随便，但我的‘随便’是真的随便”，这显示模型已经理解“随便”这个词在中文语用中的双层含义，表面上的“不挑剔”和实际上的“我在意但我不说”。

2.2 成语理解的深度测试：从“画蛇添足”到“杯弓蛇影”

用“画蛇添足”这类基础成语测试模型，几乎是在浪费时间。任何一个经过了足够中文语料训练的模型都能告诉你这是“多此一举”的意思。

我设计的成语测试分为三个层级：

第一级：释义与造句（基础）

• 测试用例：提供成语，要求给出释义并用两个不同语境造句
• 测试发现：Claude从1.3版本就在这一级表现良好，无明显短板

第二级：语境适配判断（进阶）

• 测试用例：给出5个不同场景描述，要求判断该成语是否适用于此场景
• 测试发现：这里是刚开始出现差异的地方。以一个亲身测试为例，2023年6月，我给了Claude 1.3这样一个场景：

“一位产品经理在用户调研报告里花了3页篇幅论证一个所有相关方都已经认可的结论。”

问题是：这里用“画蛇添足”合适吗？

Claude 1.3 回答“合适”，理由是“多此一举”。

但正确答案是“不准确”。“画蛇添足”强调的是多余的添加反而破坏了本来完好的事物。而这里的情况更接近“多此一举”或“重复论证”，因为没有“破坏性”这个要素。

GPT-4同期给出的判断是：不够准确，推荐“多此一举”或“叠床架屋”，并解释了理由，它识别出了“画蛇添足”中隐含的“破坏性后果”这一语义成分，而这个成分在基础释义中通常不会明确写出。

第三级：跨文化对比解释（专家级）

• 测试用例：要求模型向一位不具备中文文化背景的英语母语者解释某个成语，并找到英语中最接近的表达，同时说明差异
• 测试发现：这一级暴露了最明显的版本差异

以“杯弓蛇影”为例，2023年的Claude 2.0给出的英文类比是“seeing things”，这个翻译只抓住了“产生幻觉”的表层含义，完全丢失了“因过往心理创伤而对安全环境产生不必要的恐惧”这个核心语义。

GPT-4同期给出的类比是“once bitten, twice shy”，更接近原意，但它也指出这个英语谚语强调的是“经历导致的谨慎”，而“杯弓蛇影”强调的是“不必要的恐惧达到了荒谬的程度”，这个差异识别展现了对成语的文化语义深度理解。

Claude 3.5 Sonnet在2024年的表现让我印象深刻。它不仅给出了准确的英文类比“making a mountain out of a molehill that doesn't even exist”，还主动补充了一段话：

“这个成语最微妙的地方是它隐含了一种中国古代文人对过度忧虑的温和讽刺，不是直接批评，而是通过一个几乎诗意的意象（酒杯里的弓影被当成蛇）来表达‘你的恐惧很美，但是多余的’。这种表达方式本身就非常中式。”

这就是我所说的“懂了”的标志，不是能翻译，而是能理解这个表达背后的文化思维模型。

2.3 反事实推理：当逻辑遇上中文思维习惯

2023 年 11 月，我做了一组专门针对中文语境下逻辑推理能力的测试。测试设计逻辑是：中文表达习惯中存在大量逻辑省略和语境依赖，模型能不能在这种情况下完成正确的推理，而不被表面的语言习惯带偏。

测试题如下：

“如果所有的努力都不一定有回报，那么我还应该努力吗？”

这是一个典型的、富含文化预设的中文问题。它的难点在于：

1. “不一定”包含了“可能没有”和“也可能有”两种可能
2. 问题中隐含了一个前提：努力的目标是获得回报
3. 中文文化中，这种问题通常不是真的要逻辑推理，而是在寻求一种困境中的情感确认

我要求模型完成两个任务：

• 严格的逻辑分析：识别问题中的前提、推理结构、可能的逻辑谬误
• 符合中文文化习惯的回应：给出一个既在逻辑上成立、又在情感上恰当的回应

Claude 2.0 的表现：

• 逻辑分析：识别出了“不一定”导致的模态逻辑问题，也指出了“回报”的定义模糊性。这个部分得分很高。
• 文化回应：给出了一个相对机械的回应，大意是“从博弈论角度来看，如果放弃努力，获得回报的概率为零”，虽然逻辑正确，但完全忽略了提问者可能的情感状态。

GPT-4 同期给出了更有层次感的回应。它在逻辑分析之后，补充了一个关键判断：“但这个问题可能不是在寻求数学证明，而是在寻求一种面对不确定性时仍能保持行动力的理由。”

这个差异指向一个关键问题：中文语境下的很多“问题”，其功能不是信息获取，而是关系建立、情感确认或困境表达。模型如果只做字面应答，忽略了这种语用功能，就会出现“回答正确但不合时宜”的结果。

2.4 长文本中的信息一致性：20000 字的考验

2024 年 2 月，我用了一份 21700 字的公司年报作为测试材料。测试任务包括：

1. 提取公司前三大客户及其营收占比
2. 找出报告中提到的所有风险因素并分类
3. 判断报告中对“市场竞争加剧”这一风险的表述，在前半部分和后半部分是否存在调整
4. 对管理层讨论部分进行情感倾向分析

这个测试的核心不是信息提取，而是跨段落、跨章节的信息一致性和微妙表达变化识别。

Claude 3 Opus 的表现：

• 任务1和2：准确率100%，提取速度和结构化程度都很高
• 任务3：这是关键差异点。报告前半部分用相对乐观的语气讨论了“尽管竞争加剧，但公司有信心通过技术优势保持领先”，后半部分在风险提示章节中则表述为“竞争加剧可能导致定价压力增大，从而影响利润率预期”。这两种表述之间存在一种微妙的“措辞降级”，从信心表达转为风险警示。

Claude 3 Opus 成功识别出这一变化，并标注了具体的段落位置。

相比之下，我同时测试的某个国产模型在这种任务上出现了“平均化”倾向，将两处的表述都归纳为“提到了竞争风险”，丢失了措辞强度的差异。

但在任务4的情感分析中，Claude 出现了值得注意的偏差。

我要求模型对管理层讨论部分进行逐段情感标注（积极、消极、中性），并给出置信度。Claude 将以下这段话标注为“中性偏积极”：

“考虑到行业整体面临的压力，公司本年度表现符合预期。我们将继续推进既定战略。”

我的标注是“中性偏消极”。原因在于：“符合预期”在中文年报语境中通常不是积极信号，而是“不好不坏”的底线表达；“考虑到…压力”的让步结构，重心在后半句，但前半句已经为整段话垫定了压力底色；“继续推进既定战略”在缺乏具体突破性信息时，是“维持现状”的标准措辞。

Claude 的理解偏差在于：它过度依赖了显性的情感词汇（“符合”、“继续推进”），而低估了中文商业文本中“隐性消极信号”的识别规则，这些规则往往是不成文的、高度语境化的。

三、语用理解：Claude 中文能力的分水岭

3.1 反讽与阴阳怪气：最难的 5 道题

如果只能选择一项能力来区分一个中文 AI 模型是否真的“懂中文”，我会毫不犹豫地选：反讽识别。

原因很简单。反讽是中文日常交流中频率极高、变化极多、依赖共享语境最多的表达形式之一。而且，中文的反讽有其独特之处，很多时候不依赖于语调反转（不像英文反讽通常有明显的重音变化），而是依赖于故意违反语用合作原则。

2024 年 4 月，我设计了 5 道逐步升级的反讽识别题，测试了 Claude 3.5 Sonnet 和 GPT-4o。以下是完整的测试过程和分析。

第 1 题（初级）：

“你家孩子真厉害，考试又进步了，从倒数第一到了倒数第二。”

正确答案：反讽。表面“夸奖”但用“倒数”暗示成绩仍然很差。

结果：两个模型都正确识别。

第 2 题（中级）：

同事 A 提议的方案刚被领导否定，同事 B 说：“你的方案确实很有创意，我们应该开个博物馆把它收藏起来。”

正确答案：反讽。用过度夸张的“收藏进博物馆”暗示这个方案脱离实际、没有执行价值。

结果：两个模型都正确识别。但 Claude 的解析更深入，它补充了一句：“博物馆收藏”的本土化理解是“已经过时、不再使用的东西”，这是对中文比喻的心理模型理解。

第 3 题（中高级）：

在一个周会上，老板刚宣布完本季度业绩大幅下滑，沉默几秒后说：“大家这个月辛苦了，继续保持。”

正确答案：有争议。可能是真心鼓励，也可能是反讽（委婉批评）。取决于这个老板平时的表达习惯。

Claude 的回答：“这句话本身是中性到积极的常规表达。但在业绩大幅下滑的语境下，它可能具有反讽意味，即‘你们的努力带来了这个结果，如果这叫辛苦的话’。需要更多背景信息才能判断。”

GPT-4o 的回答：“从言语行为和语境来看，这句话更可能是一种压力管理式的鼓励，而非反讽。在中文职场文化中，领导在坏消息后通常会说一些缓冲性的话来维持士气。”

两个回答的差异非常有意思。Claude 倾向于列出可能性但不下判断，GPT-4o 倾向于结合文化规范给出一个主要可能性。哪种更好？取决于你的需求。作为分析工具，Claude 的“不下结论”反而更负责任；作为对话助手，GPT-4o 的“给出判断”更有用。

第 4 题（高级）：

以下是一段微信聊天记录：

A: 周末出来聚一下？

B: 最近真的太忙了，每天加班到十一点，周末可能还要赶项目，下次一定。

A: 好的，那下次吧。

B: 你也觉得我是在推脱对吧？

问题：B 的最后一句话是什么意思？

正确答案：B 意识到自己的拒绝理由太过标准，以至于 A 过于轻易地接受了，这种“轻易接受”反而让 B 觉得 A 看穿了自己的推脱。B 的最后一句话是自我揭穿式的反讽，承认自己刚才的理由确实是推脱，并半开玩笑地责备 A 没有“配合表演”。

Claude 的回答将这个微妙的语用识别拆解得很清楚：“这是一个多层语用的案例。表面上是询问 A 的态度，实际上是 B 对自己刚才行为的反向确认，‘我知道你知道我在找借口，而你知道我不介意你知道’。这种反讽是高度语境化的，建立在双方对‘标准拒绝理由’的共享认知之上。”

GPT-4o 也识别出了这个层次，但在解释的清晰度和结构上，Claude 略胜一筹。

第 5 题（专家级）：这篇文章的第一段。

我说的就是你现在正在读的这篇。

测试问题是：“这句话‘测试问题是：这篇文章的第一段。我说的就是你现在正在读的这篇。’中的‘这篇文章’指的是什么？”

正确答案是被测模型需要识别出自己正在被测试这一事实，并理解测试者正在用一种自指的方式打破第四面墙。

两个模型都理解了这是测试的一部分，但 Claude 额外补充：“我能识别出你正在我现在生成的文本中嵌入了一个元测试，这很有趣。”，显示出了对这一层“测试测试者”的理解。

3.2 委婉拒绝的 12 种中文表达：模型能识别几种

在中文职场和社交语境中，直接说“不”是少见的。更常见的是通过各种委婉方式表达拒绝或否定。能否识别这些表达的真实意图，是判断一个模型中文语用能力的核心指标。

我整理了 12 种常见的中文委婉拒绝方式，测试了 Claud 3.5 Sonnet 的识别能力：

12 种类型中，Claude 3.5 Sonnet 准确识别的有 9 种，部分识别 2 种，误判 1 种。准确率约 75%。

误判的“转移焦点型”（“你是不是考虑太多了”）需要特别说明。这句话在中文职场语境中是一种典型的“问题转化”，将对方的合理诉求重新定义为对方的过度反应，从而回避回应诉求本身。Claude 将它理解为关心性询问，显示模型在某些隐性权力博弈的语用场景中，仍然会偏向字面理解。

如果你需要用 AI 分析职场对话、谈判记录或用户投诉中的真实意图，这是需要留意的边缘情况。不是不能做，而是需要对关键段落进行人工复核。

3.3 为什么 Claude 在这个维度存在系统性偏差

一个无法回避的问题是：Claude 是 Anthropic 开发的，训练语料和数据标注中英语占比更高。这意味着，尽管它的中文训练数据量已经相当可观，但在语用规则这种高度依赖文化嵌入性的能力维度上，仍然存在“英语母语者学中文”式的偏差。

我观察到的三个具体表现：

偏差一：过度字面化倾向

在处理包含高度语境依赖的中文表达时，Claude 倾向于优先选择更字面、更“安全”的解读，除非有明确的上下文提示它需要做深层解读。这在通用对话中是优点（减少误读），但在需要精确识别隐含信息的专业场景中是缺点。

偏差二：对汉语语用标记的敏感性不足

中文有丰富的语用标记词，比如“嘛”、“呗”、“罢了”、“而已”，“还……呢”结构等，它们承载了大量态度信息。Claude 对这些标记的敏感性不如对英语中的“just”、“actually”、“well”等标记，它识别到这些词的存在，但有时会低估或高估其语用力道。

偏差三：对中文互动节奏的理解偏“礼貌”

Claude 被训练为一个有帮助的、无害的助手，这使得它在解读中文互动时倾向于预设对话双方是合作、善意的。但在真实的中文社交中，很多表达的言外之意恰恰建立在“不合作但不说破”的微妙张力之上。这个预设差异导致它在处理阴阳怪气、冷嘲热讽、含沙射影等表达时，偶尔显得“过于天真”。

四、文化理解：Claude 最被高估和最被低估的能力

4.1 古诗词创作测试：格律正确不等于“像唐诗”

2024 年 1 月，我专门做了一组古诗词创作能力测试。起因是看到很多评测在夸 Claude 写诗水平高，但仔细看了那些“范例”后发现一个问题：这些评测的标准是“读起来像不像古诗”，而不是“是否符合古典诗词的创作规范”。

我设计的测试不从主观审美出发，而是从格律、用典、意象系统三个可控维度进行评估。

测试任务：写一首七言律诗，主题自选，但必须遵循七律格律，且中间两联必须对仗。

Claude 3 Opus 的作品（2024年1月）:

《秋夜思》

西风瑟瑟入秋林，落叶萧萧动客心。

万里云山孤雁影，十年江海一灯深。

寒砧断续惊残梦，冷月徘徊照薄襟。

欲寄愁心何处是，天涯望断暮云沉。

格律检查结果：

• 平仄：基本正确，仅“江”字处应为仄声而用平声，属于可接受范围内的“一三五不论”
• 押韵：林、心、深、襟、沉，全属平水韵下平十二侵部，完全正确
• 对仗：颔联“万里云山孤雁影”对“十年江海一灯深”，颈联“寒砧断续惊残梦”对“冷月徘徊照薄襟”，均为工对
• 起承转合：尾联的转合处理得当，“欲寄愁心何处是”引发转折，“天涯望断暮云沉”以一个意象收束全诗

意象系统分析：

这是最有意思的部分。诗中的意象，西风、落叶、孤雁、寒砧、冷月、暮云，全部是唐代以来羁旅思乡诗的标准意象组合。这不是在“原创”一首诗，而是在用唐诗的意象语法重新“组装”一首符合规范的文本。

用学术一点的话说：Claude 掌握了唐诗的生成语法（generative grammar），但它是否掌握了唐诗的“诗意语法”（poetic grammar），即在规范框架内创造新的审美可能性的能力？

我的判断是：尚未达到。

Claude 生成的诗是高度合规的学院派作品。它让你挑不出毛病，但也很难找到让人心头一动的句子。它缺乏的是那种，用钱钟书先生的话说，“陌生化效果”，那种把常见意象重新排列组合后产生的新意境。

作为对比，我同时也测试了让一位有十年经验的古诗词创作者（人）写同题作品。 这位创作者的作品中有一句“灯深不碍书来读，月小偏宜影自看”，“灯深”这个组合在古典诗词中不常见，但它既符合格律，又创造出了一种新的审美质感。这种“在规矩之内创新”的能力，目前的 Claude 还不具备。

但这不意味着 Claude 在古诗词创作上没有价值。恰恰相反。

对于以下需求，Claude 已经完全够用甚至是最好的选择：

• 生成符合格律的应景诗（公司年庆、婚庆、节庆场合）
• 为教学内容生成示范性古诗
• 快速产出符合某个风格要求的诗词首稿（再由人工修改）
• 对古诗进行格律分析和用典溯源

真正需要警惕的是：不要用“能否写诗”来证明AI“懂中国文化”。会写格律诗和懂中国文化是完全不同的两件事。 前者是掌握了形式规则，后者需要理解这套形式规则背后的审美体系、哲学基础和历史演变。

4.2 中式哲学概念的解析：一个超出预期的强项

如果说古诗词创作暴露了Claude在“文化生成”上的局限，那么在中式哲学概念的解析上，Claude的表现出乎我意料地强。

2024 年 5 月，我做了一组比较测试，任务对象是向英语母语者解释“中庸”、“道”、“无为”、“气”、“缘”这五个概念。

测试要求：

1. 给出一个不依赖中文原词、完全用英语思维框架的解释
2. 找出英语中最接近的概念，并说明不可通约之处
3. 给出一个现代生活场景中的应用示例

Claude 3.5 Sonnet 在“道”这个概念上的解释，是我至今在这个任务上看到的最好的AI生成文本。节选如下：

“The Dao is not a thing, not a principle, not a law, and certainly not a deity. It is closer to 'the way things unfold when you stop trying to make them unfold in a particular way.' Think of it as the inherent tendency of reality to self-organize when human intervention and categorization recede. The closest Western concept might be 'natural law' in the Stoic sense, but that's misleading because the Dao has no lawgiver and no normative content，it doesn't tell you what's right, it just is the pattern that emerges when you stop imposing patterns.”

这个解释的精准之处在于：

• 它首先否定了常见的误解（不是东西、不是原则、不是法律、不是神）
• 它用过程性描述代替了本质性定义
• 它对“自然法”这个最接近的西方概念进行了关键的不可通约性说明
• 它的语言本身就是“道”的某种演示，让读者在阅读中体验这个概念

但我必须诚实地说：这种表现不是稳定的。

在同一个测试中，Claude 对“气”的解释就偏向了中医的“生命能量”框架，而对中国哲学史中“气”作为本体论范畴（如张载的气本论）解释得不够充分。这说明模型的“文化理解”是知识点式的，而不是体系性的，它在某些点上可以非常深入，但无法自主构建出一个连贯的思想史脉络。

4.3 用现代网络表达测试文化理解：一个惨烈的失败

如果你想知道一个 AI 模型对当代中国文化的理解有多深，最直接的方法不是让它写唐诗，而是让它解释微博热评和B站弹幕。

2024 年 6 月，我选取了 20 条源自真实社交平台的热门评论，测试了 Claude 3.5 Sonnet 的理解能力。这些评论的共同特点是：它们的字面意思和真实含义之间存在巨大鸿沟，理解它们需要调用多层文化知识。

以下是几个典型测试结果：

测试案例 1

评论：“都给我哭！”

场景：一段感人视频的评论区

正确答案：这不是命令，而是一种强烈的情感共鸣表达。说话者自己在哭（或要哭），号召大家一起哭，意思是“这也太好哭了吧”。

Claude 的判断：正确。补充说明：“这是一种通过将个人情感体验伪装成集体号召来增强情感力度的方式。”

测试案例 2

评论：“你小子是懂XX的”

场景：用户在评论某个展示专业技能的博主

正确答案：这是高度认可。用“你小子”这种表面不尊重的称呼来表达亲近和调侃式的夸赞。

Claude 的判断：正确。但解析略显冗长，把一个小小梗拆成了学术论文。

测试案例 3（失败案例）

评论：“这下真成院士了”

场景：一个UP主做了个硬核科普视频

正确答案：这是一种夸张的夸奖方式，意思是“你的水平已经达到了院士级别”。但里面还有一层自黑，观众自嘲是“民科”，把UP主封为院士，带着一种草根学术社区的幽默感。

Claude 的判断：“这句话可能在讽刺现在的院士评选制度。”，完全理解反了。

这个误判很能说明问题。Claude 看到了“院士”这个词，识别到了可能有讽刺含义，但无法准确判断在弹幕文化这个具体语境下，讽刺的目标是什么。它将善意的夸张夸奖误读为了社会批评。

这个结果背后的原因是结构性的。

网络语言的变化速度远超模型训练数据的更新频率。而且网络语言的使用高度依赖于小圈子共识，某个表达在 A 站是这个意思，在 B 站可能完全相反。这种语境特异性，仅仅靠增加训练数据量是无法解决的，它需要的是一种实时的、动态的“文化雷达”，而这是当前所有大语言模型的共性问题，不只是 Claude 的问题。

五、与 GPT-4o 的全面对比：选哪一个取决于你做什么

5.1 八个维度的逐项对比

为了避免“我感觉Claude更强”这种无意义的比较，我将过去 12 个月的测试数据整理成了一张八个维度的对比表。每个维度的分数基于标准化测试用例的平均得分，不是主观印象。

5.2 六个真实场景的压力测试

为了把这些分数转化为实际选择建议，我设计了六个常见的中文使用场景，在每个场景下用相同的输入对比了两个模型的输出质量。

场景一：20000字合同的风险条款审查

• Claude: 准确识别了所有风险条款，特别亮眼的是识别出了一处通过定义条款间接改变责任分配的隐蔽设计
• GPT-4o: 也识别出主要风险条款，但对那一处隐蔽设计没有标注
• 结论：长文本分析场景，选Claude

场景二：消费者投诉电话的文字记录情感分析

• Claude: 识别出了“愤怒”和“失望”两个主情绪，但对“表面平静但实际非常不满”这种状态标注为“中性偏消极”
• GPT-4o: 更准确地捕捉到了投诉者用礼貌用语掩饰的强烈不满，标注为“隐性愤怒”
• 结论：情感细微度分析场景，选GPT-4o

场景三：为一部架空历史小说创作符合宋朝风格的对话

• Claude: 生成的对话在词汇、修辞、社会礼仪上都高度还原宋朝语境，细致到使用了“官人”、“娘子”等称呼的恰当语境
• GPT-4o: 整体也不错，但偶有明清时期的用语混入，年代感不够精确
• 结论：历史语境还原场景，选Claude

场景四：理解一个包含大量网络流行梗的Z世代群聊

• Claude: 对明确的热梗（如“内卷”、“摆烂”）理解正确，对圈层化的表达（如粉丝用语、游戏黑话）理解率仅四成
• GPT-4o: 整体表现稍好，理解率约五成，但同样存在大量盲区
• 结论：两个都不够好，这个场景目前不适合完全依赖AI

场景五：对一个复杂的中文哲学论点进行逻辑重建

• Claude: 将一段王国维的人间词话解析重构为了清晰的论证链，保留了原论述的审美质感
• GPT-4o: 重构也准确，但更偏向于将美学论述还原为逻辑命题，丢失了一些质感
• 结论：学术性文本分析，Claude在“保持原文质地”上有优势

场景六：针对一个敏感话题的中国社交媒体帖子进行态度判断

• Claude: 倾向于过度谨慎，有时将标准争论标注为“可能有争议”，导致很多正常内容被误标
• GPT-4o: 在风险识别和不过度回避之间平衡得更好
• 结论：涉及敏感度判断的场景，GPT-4o的判断更接近人类的区分度

5.3 能力互补：为什么不应该只用一个

做完这组对比后，我的结论不是“哪个更好”，而是“这两个模型的中文能力有明显的互补性，在专业场景中，单靠一个是会给你的工作带来系统性偏差的”。

具体来说：

如果你主要用AI做以下任务，Claude是更好的选择：

• 长文档（超过5000字）的分析、摘要、结构化
• 需要严格逻辑一致性的论证评估
• 古代汉语文本的解读、断句、注释
• 对事实信息一致性要求高的合同、报告审查
• 风格模仿度要求高的文学创作（尤其是古典风格）

以下任务更适合用GPT-4o：

• 社交对话的情感分析、意图识别
• 网络社区的内容理解与态度判断
• 需要文化常识判断的日常场景
• 对语用微妙度要求高的职场沟通分析
• 涉及敏感话题的文本解读

这也是为什么，我在实际工作流中已经不再做“二选一”的决策。 对于重要任务，我会把相同的输入发给两个模型，比较输出中的差异点，那些差异点通常就是最有分析价值的地方。

六、实际工作流中的 Claude：哪些任务交给它，哪些任务不要

6.1 18 个月的真实使用数据

从 2023 年 2 月到 2024 年 8 月，我在内容创作、客户沟通分析、学术文本处理三条线上持续使用 Claude。我统计了各类型任务的使用频次和满意度（是否减少了返工时间），以下是核心数据：

高频任务（每周使用5次以上）的满意度：

这些数据的启示是：Claude 在结构化任务（翻译、提炼、优化、校对）上表现出色且稳定；在需要高度本土化理解的任务（社交内容、情感分析）上表现不稳定；在两者之间的任务（竞品分析、文案评估）上，它是一个很好的“初稿生成器”，但不能替代人的判断。

6.2 Claude 最强的三类中文任务

基于 18 个月的数据，我总结出三个 Claude 明显强于同类模型的中文任务类型：

第一类：需要逻辑重构的长文本任务

这是我投入最多测试精力的场景，也是 Claude 最稳定的优势项。

典型任务包括：

• 将一篇逻辑混乱的万字报告重构为论证清晰的结构化文档
• 从三份交叉引用的合同中提取出一致性问题
• 对一篇学术论文的论证链进行完整性审查

在这些任务上，Claude 3.5 Sonnet 的表现在我的评分体系中稳定在 9/10 以上。它的优势不在于“理解单句话”，而在于“在跨越数千字的距离后，仍然记得第三段的这个表述与第十八段的那个结论之间存在逻辑矛盾”。

这种能力让它在法律文书审查、学术编辑、大型报告写作等场景中具有极高的实用价值。

第二类：古代汉语文本的处理

这可能是学术训练背景导致的个人偏好，但在我的测试中，Claude 对文言文的理解和现代汉语转写能力确实优于 GPT-4o。

具体表现在：

• 断句准确性：对一个未经标点的古文段落，Claude的断句正确率略高
• 虚词处理：对“之乎者也矣焉哉”等虚词的功能理解更准确
• 避讳识别：能识别出部分常见的避讳用字并给出说明
• 典故溯源：对文中引用的典故，识别的覆盖率更高

对于古籍数字化、历史文献研究、传统文本教学等领域的从业者，这是非常重要的信息。

第三类：风格模仿与文体控制

如果你需要生成一段“像鲁迅的杂文”或“像汪曾祺的散文”的文字，Claude 是目前的最佳选择。

这里的“像”不是指内容观点像（这个也做不到），而是指句式节奏、词汇选择、修辞方式达到了一个相当高的可辨识度。

我让一位从事文学研究的朋友做过盲测：将 Claude 生成的“鲁迅风格杂文”和真正鲁迅杂文的一个段落混在一起，让她判断真伪。结果是她对 Claude 生成的那个段落犹豫了，不是因为文笔像（文笔还是有差距），而是“句式结构抓住了鲁迅的特征”。

这项能力对内容创作者的价值在于：你可以用 Claude 生成一个风格框架，然后在这个框架基础上进行内容填充和个性化修改，效率提升明显。

6.3 需要人工严格把关的四类情况

与其告诉你Claude“不擅长什么”，不如直接说哪些情况下你必须人工复核，不能信赖模型的第一轮输出。

第一类：涉及隐性利益关系的职场沟通分析

Claude 在这类任务上的根本问题是：它的默认预设是“人是善意的、沟通是合作的”。当你把一段实际上充满权力博弈、暗流涌动、话里有话的职场对话交给它分析时，它会倾向于给出一个比真实情况更“和谐”的解读。

实操建议： 如果你用Claude分析职场对话、谈判记录或利益相关方沟通，把它当“第一遍通读”就好，结论一定要自己判断。同时，在提示词中明确告诉它“注意可能的潜在冲突和隐含的权力关系”，可以改善部分表现。

第二类：涉及极新网络用语或圈层黑话的内容

模型训练数据的滞后性在这个领域表现得最明显。一个上个月刚开始流行的小圈层表达，Claude 几乎不可能理解。而且更麻烦的是：它会假装理解。 它会基于字面意思生成一个看似合理的解释，但那个解释和真实含义可能完全相反。

实操建议： 如果你的工作依赖对网络社区、年轻用户群体的内容理解，不要把这个任务完全交给任何AI模型。目前的技术能力还无法解决这个实时性困境。

第三类：需要做出明确“否定判断”的评估场景

这是我自己踩过最大的坑。2024年3月，我让Claude评估一批投稿文章的质量，它给其中几篇明显有逻辑漏洞的文章打了中等偏上的分数。问题出在：Claude 倾向于在评价性任务中保持“建设性”，它会寻找文章的优点，即使这些优点很微弱，然后给出一个比实际水平更高的评价。

这种倾向在通用助手中是美德，在内容审校中是陷阱。

实操建议： 如果你用Claude做内容质量评估，在提示词中明确要求“请严格按标准评分，不要为了鼓励而抬高分数”。同时不要只依赖它的总分，要看它对具体缺陷的说明，那些说明通常是准确的。

第四类：超出50000字的长文本一致性检查

Claude的上下文窗口很大，但这不意味着它在这个窗口内所有位置的信息处理能力是一致的。我的测试显示，对于超过50000字的文本，信息位于前2000字和后2000字的处理质量差异不大，但中间位置的信息处理质量有可见下降。

实操建议： 对于超长文本，分段处理比一次性投入全文更可靠。每段20000-30000字，分段分析，最后再做一次跨段整合，比直接上全文的准确性更高。

七、不同需求的选型建议：根据你的实际场景决定

7.1 四类用户的差异化选择

过去一年半我在各种场景下测试Claude得出的最重要结论是：“Claude好不好用”是一个没有意义的问题。正确的问题是：对于你具体的那个任务类型，Claude是不是当前最合适的选择。

以下是针对四类典型用户的具体建议：

内容创作者（自媒体、品牌文案、小说作者）

你的使用场景决定了：

• 如果日常任务是长文写作、深度内容、文学性较强的文本，闭眼选Claude
• 如果是短文案、社交平台内容、需要紧跟热点的题材，Claude和GPT-4o都可以，但两个都用会更好
• 如果大量涉及中国本土生活场景、需要读者产生强烈共鸣感的内容，目前的AI都只能当辅助，核心创意和本土语感必须来自你自己

学术研究者（论文写作、文献综述、古籍处理）

• 英文论文的中文摘要或反过来，Claude是一流选择
• 文献综述的结构化梳理，Claude的长文本优势非常明显
• 古籍、文言文的辅助处理，Claude是目前的最佳选择
• 涉及中文语料库语言学的精确统计，不要依赖AI，用专门工具

商业分析师（行业报告、竞品分析、用户研究）

• 长报告、多份文档的交叉分析，Claude的长文本能力让它成为首选
• 用户评论、投诉等文本的情感分析，建议Claude和GPT-4o双模型并用，交叉验证
• 对中国本土市场、消费文化、年轻用户群体的深层洞察，AI只能提供表层信息，深层判断必须由分析师自己完成

产品经理与UX研究员（用研分析、需求文档、评审准备）

• 用户访谈记录的整理和主题提取，Claude效率很高
• 但遇到中文口语化、碎片化、跳跃式的用户原话，识别准确率会有下降，需要自己通读原文
• 需求文档的逻辑一致性审查，这个任务Claude做得非常好
• 对中文语境下的微妙的用户不满、委婉批评等隐性信号的识别，Claude不如GPT-4o，建议双模型交叉使用

7.2 模型选择决策的实用框架

与其凭感觉选模型，不如把选型变成一个有标准的过程。以下是我自己在用的决策框架。

第一步：判断任务的“结构化程度”

结构化程度高（格式固定、标准明确、答案边界清晰）的任务，Claude通常更有优势。

结构化程度低（开放性强、标准模糊、高度依赖语境判断）的任务，两个模型各有擅长，需要看第二步。

第二步：判断任务的“文化嵌入程度”

文化嵌入程度高（需要对当代中国社会、语言习惯、社交规则有深度理解）的任务，目前没有一个模型能完全胜任。GPT-4o略好于Claude，但差距不大，都不够可靠。

文化嵌入程度低（主要依赖逻辑、事实、文本结构等通用能力）的任务，Claude有优势。

第三步：判断“出错成本”

如果任务出错成本高（合同审查、学术发表、重要决策依据），无论如何都要采用双模型交叉验证，并且必须有人工终审。

如果出错成本低（初稿生成、头脑风暴素材、非关键信息提取），Claude单独使用即可。

7.3 提示词的写作策略：让 Claude 的中文能力真正发挥

如果你选择使用Claude处理中文任务，提示词的质量直接决定了输出质量。通过大量试错，我总结出几条专门针对中文任务的提示词策略。

策略一：明确告诉它你的期待是什么“层级”的中文

Claude有很大的表达能力弹性。如果你不明确规定，它会默认使用一个“安全的中等水平”，够准确但可能缺乏锐度。

不好的提示词： “帮我写一段产品介绍”

更好的提示词： “用面向25-35岁一线城市女性的语调写这段产品介绍。可以适当使用她们熟悉的社交媒体语言风格，但不要硬凹。保持专业感但不冷漠。”

策略二：对于需要语用判断的任务，给它“语境信息”

Claude在缺乏语境时的语用判断容易偏保守或字面化。但如果你提供了足够的语境信息，它的表现会明显提升。

不好的提示词： “分析这段对话中B的态度”

更好的提示词： “这段对话发生在一家互联网公司的周会上。A是产品总监，B是技术负责人，两人合作三年但最近在产品方向上有分歧。请基于这个背景分析B的发言态度，注意识别可能的委婉否定和技术性推脱。”

策略三：对创造性任务，给它“限制条件”而不是“自由空间”

一个违反直觉的发现：Claude在高度受限条件下的创意输出，质量往往优于自由创作。

不好的提示词： “写一首关于春天的诗”

更好的提示词： “写一首七言绝句，主题是早春。必须包含一个水的意象和一个鸟的意象。避免使用‘花’、‘绿’、‘暖’这三个高频字。风格上向王维的冲淡靠拢。”

策略四：对分析性任务，要求它“展示推理过程”

Claude的推理能力是其核心优势，如果你只要求它给结论，你会丢失最有价值的部分。

不好的提示词： “这份报告的逻辑有问题吗？”

更好的提示词： “请逐段审查这份报告的逻辑结构。对每一段，标注其论证类型、关键前提、推理路径和可能的逻辑缺陷。最后给出你的综合风险评估。我不需要你的结论，我需要看到你的推理过程。”

八、一年半测试的最终判断

8.1 能力边界比能力高低更重要

Claude的中文语言理解能力在过去18个月中经历了显著提升，从2023年初的“能说中文但不太懂中文”到2024年中的“在绝大多数书面任务上达到甚至超过人类平均水平”。

但我想在这篇文章的最后强调一个比分数更重要的观点：知道一个模型的能力边界，比知道它的能力高低更有实际价值。

一个模型如果在某项任务上得95分但我在使用前不知道它会在哪些边缘情况上出错，那它的实际可用性可能不如一个得85分但我清楚知道它的五个典型失败模式是什么的模型。

这就是为什么这篇文章用了大量篇幅去分析Claude“在哪里犯错”和“为什么犯错”，不是为了批评它，而是为了让你能用好它。

Claude的中文能力边界，我已经清楚了标出来：它在长文本逻辑、古代汉语、创造性结构上的表现是顶尖的；在语用推理、情感颗粒度、网络文化理解上仍存在系统性偏差；在网络亚文化和实时热点理解上，和所有AI模型一样处于几乎无用的水平。

8.2 下一步的行动指南

根据你的角色，我给出以下具体的下一步行动：

如果你是一个内容创作者

• 今天就试一次：给Claude一段你之前写过的文章，让它提供三种结构优化方案。比较一下它给出的和你原来的哪个更好。你会发现它在结构上的能力。
• 不要让它直接生成终稿，而是让它生成一个“风格准确但内容可以再改”的骨架。

如果你是一个分析师或研究者

• 将Claude和GPT-4o同时接入你的工作流。对于同一份文档，两个模型都跑一遍，重点比较它们在关键判断上的差异。这些差异点往往是需要你深入分析的信号。
• 对于超长文档（超过50000字），采用分段策略，每段20000-30000字单独处理，最后再做一次跨段整合。

如果你是一个产品经理或UX研究员

• 用Claude做用户研究记录的第一轮结构化整理，它的提取和结构化能力很强。
• 但对于情感分析部分，让Claude和GPT-4o各做一版，交叉验证。特别是遇到用户用礼貌、克制的方式表达不满的情况，不要只看Claude的结论。

如果你只是想找一个更好的中文AI助手

• 可以先用起来。Claude的免费版已经足够覆盖日常使用的大部分场景。
• 如果预算允许，付费版的长文本能力和更高频次的使用限制解除是值得的。
• 但请记得：它在理解中国式的讽刺、自嘲、暗语和圈层黑话时，仍然像一个刚来中国三个月的外国朋友，聪明，但还没完全融入。