Claude Sonnet API за рубли: подключение за 10 минут

Если ты пишешь production-код на LLM из России — у тебя три проблемы одновременно: карта Anthropic не принимает, нужны закрывающие документы на юр.лицо, и хочется платить в рублях по понятному курсу, без сюрпризов от валютного контроля. В этой статье разбираем, как подключить Claude Sonnet 4.6 через Promptra за 10 минут, со счётом на ООО, и почему сейчас Sonnet — самая разумная ставка для большинства боевых сценариев в 2026 году.

Дальше — конкретные числа, рабочий Python-код, который ты можешь скопировать в свой проект прямо сейчас, и три реальных сценария с расчётом стоимости в рублях по курсу ЦБ.

Что такое Claude Sonnet 4.6 и почему сейчас

Sonnet 4.6 — это релиз Anthropic от 17 февраля 2026 года, средняя по мощности модель в линейке Claude 4-го поколения. По официальной странице модели у неё три ключевых параметра, которые делают её sweet-spot'ом для большинства задач.

Контекст. Стандартное окно — 200K токенов, beta-режим — 1M токенов (передаётся через header anthropic-beta: context-1m-2025-08-07). На практике это значит: ты можешь скормить модели весь свой репозиторий целиком — типичный Next.js-проект на 50-80K строк TypeScript умещается в 700-800K токенов с запасом.

Качество. По бенчмарку SWE-Bench Verified (стандарт для оценки агентов на реальных GitHub-issue) Sonnet 4.6 показывает 79.6% — это в районе топ-3 на момент написания. Opus 4.6 даёт 80.8%, разница чуть больше одного пункта, но цена за токены у Opus в 5 раз выше. То есть на 95% задач Sonnet — это «80% качества Opus за 20% цены».

Скорость. Time-to-first-token у Sonnet 4.6 — порядка 0.6-1.2 секунды, output — 50-80 tokens/sec в зависимости от региона. Для интерактивных сценариев (чат, copilot, агент) это критично — Opus заметно медленнее и для UX обычно избыточен.

Use-case sweet-spot. Где Sonnet 4.6 правда выигрывает:

1. Длинный контекст без боли — 1M tokens позволяет анализировать большие codebase, длинные транскрипты звонков, многостраничные документы в один проход.
2. Agent loops с tool-calling — Sonnet хорошо держит контекст между шагами, не теряет цель, корректно вызывает функции по схеме.
3. Code review и refactoring — на SWE-Bench показывает 79.6%, что в production-сценариях транслируется в осмысленные ревью без галлюцинаций.

Цена в рублях: разбор по 1M токенов

Официальные цены Anthropic, платформа Claude:

• Input: $3.00 за 1M токенов
• Output: $15.00 за 1M токенов
• Cache write: $3.75 / 1M tokens (1h TTL)
• Cache read: $0.30 / 1M tokens

По курсу ЦБ на 28.05.2026 — 70.9012 ₽ за доллар. Считаем:

Через Promptra ты платишь ровно эти цены в рублях по курсу ЦБ на момент пополнения баланса. Сервисная комиссия 5% берётся только при пополнении (по сути — комиссия за конвертацию + расчётно-кассовое обслуживание), без наценки на каждый запрос. Это принципиально отличает нас от моделей с фиксированной маржой 30-300% на токены, как у некоторых российских реселлеров.

Сравнение с GPT-5.4 (OpenAI) — для контекста, потому что для большинства задач это два главных конкурента:

По output цены одинаковые. На input GPT-5.4 на 17% дешевле, но это даёт экономию только если у тебя соотношение input/output больше 5:1 (типично для RAG с большим контекстом). Для обычных чат-сценариев экономия в пределах статпогрешности.

Подробный разбор экономики Claude API в долларовой зоне есть в статье CloudZero — рекомендую если хочется глубже понять, как считаются cache hits, batch discounts и priority tiers.

Подключение за 10 минут: drop-in замена для OpenAI SDK

Главное, что нужно знать: Promptra даёт OpenAI-compatible endpoint — то есть тот самый openai SDK (Python, JS, Go, любой другой), которым ты уже пользуешься, работает без изменений в коде. Меняешь только api_key и base_url.

Это официальный паттерн Anthropic — он же поддерживается у Promptra. Сам Anthropic в документации называет это «drop-in replacement» — то есть твой production-код продолжит работать.

Шаг 1: получи API-ключ

Регистрация на promptra.ru занимает минуту. После подтверждения телефона дашборд выдаёт ключ формата promptra_live_xxx.... Ключ универсальный — работает для всех моделей в каталоге (Claude, GPT, Gemini, DeepSeek), биллинг идёт с одного баланса.

Шаг 2: установи или обнови SDK

pip install --upgrade openai
# или для JS:
npm install openai

Версия openai>=1.50.0 для Python и openai@^5.0.0 для JS — этого достаточно.

Шаг 3: Python

Минимальный рабочий код, 8 строк:

from openai import OpenAI

client = OpenAI(
    api_key="promptra_live_xxx...",       # ключ из дашборда Promptra
    base_url="https://api.promptra.ru/v1", # вместо api.anthropic.com
)

response = client.chat.completions.create(
    model="claude-sonnet-4-6",            # имя модели через дефис
    messages=[{"role": "user", "content": "Привет, Claude. Кратко: что такое идемпотентность?"}],
)

print(response.choices[0].message.content)

Запускаешь — получаешь ответ. Никакой магии, никаких прокси-обёрток, никаких отдельных клиентских библиотек. Тот же openai.OpenAI(), та же chat.completions.create() — только base_url другой.

Шаг 4: JavaScript / TypeScript

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.PROMPTRA_API_KEY!,
  baseURL: "https://api.promptra.ru/v1",
});

const response = await client.chat.completions.create({
  model: "claude-sonnet-4-6",
  messages: [{ role: "user", content: "Привет, Claude" }],
});

console.log(response.choices[0].message.content);

Работает в Node.js 20+, в edge-runtime (Vercel, Cloudflare Workers), в Deno — всё, что умеет fetch с TLS.

Шаг 5: streaming

Для UX в чатах нужен стриминг — добавляешь stream: True:

stream = client.chat.completions.create(
    model="claude-sonnet-4-6",
    messages=[{"role": "user", "content": "Объясни SOLID на примерах"}],
    stream=True,
)

for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="", flush=True)

Это всё. Если у тебя уже есть код на OpenAI SDK — миграция занимает 2 строки. Никаких рефакторингов, никакого переписывания контрактов.

Кейс №1 — длинный контекст: review большого codebase

Самая недооценённая фича Sonnet 4.6 — это 1M токенов context window в beta. Что это значит на практике: ты можешь засунуть весь монорепозиторий в один запрос и попросить модель сделать архитектурный review, найти антипаттерны, предложить рефакторинги.

Сценарий. Допустим, у тебя Next.js-приложение на 60K строк TypeScript. Это примерно 800K токенов (грубая оценка — 13-15 токенов на строку для TS). Раньше для такого review нужно было резать на куски, делать map-reduce, склеивать результаты с потерей контекста. Теперь — один запрос.

Расчёт стоимости:

• Input: 800K tokens × $3 / 1M = $2.40
• Output (детальный review на 5K tokens): 5K × $15 / 1M = $0.075
• Итого: $2.475 ≈ 175 ₽ за полный architectural review codebase

Это меньше, чем стоит чашка кофе в Москве. Для команды, где тимлид раньше тратил 4 часа на ручной review, экономия очевидна.

Код:

from openai import OpenAI
from pathlib import Path

client = OpenAI(
    api_key="promptra_live_xxx...",
    base_url="https://api.promptra.ru/v1",
)

# Собираем весь codebase в один промт
def collect_codebase(root: str, exts=(".ts", ".tsx", ".py")) -> str:
    parts = []
    for path in Path(root).rglob("*"):
        if path.suffix in exts and "node_modules" not in str(path):
            content = path.read_text(encoding="utf-8", errors="ignore")
            parts.append(f"\n// === {path} ===\n{content}")
    return "\n".join(parts)

codebase = collect_codebase("./src")
prompt = f"""Сделай архитектурный review следующего codebase.
Найди: code smells, повторяющиеся паттерны для извлечения, нарушения SOLID,
точки риска по перформансу, опасные места по безопасности.

Кодовая база:
{codebase}

Дай структурированный ответ: 5-10 главных проблем с конкретными file:line ссылками."""

response = client.chat.completions.create(
    model="claude-sonnet-4-6",
    messages=[{"role": "user", "content": prompt}],
    max_tokens=8000,
    extra_headers={"anthropic-beta": "context-1m-2025-08-07"},  # включаем 1M
)

print(response.choices[0].message.content)
print(f"\n--- Использовано: {response.usage.prompt_tokens} input + "
      f"{response.usage.completion_tokens} output tokens")

Pro-tip. Используй prompt_caching для итеративных сессий — если ты будешь спрашивать про этот codebase несколько раз подряд в течение часа, кэшированный input стоит $0.30 / 1M вместо $3.00. Экономия — 90%. То есть второй и далее запросы по тому же codebase будут стоить ~17 ₽, а не 170 ₽.

Кейс №2 — агенты: tool-calling, structured output

Sonnet 4.6 — одна из лучших моделей для построения агентов, потому что она хорошо держит state между шагами и аккуратно вызывает функции по схеме. У OpenAI-compatible endpoint это всё работает так же, как привычный function calling.

Замер overhead на tool-calling. По нашим тестам на boilerplate-сценарии (три инструмента, простой запрос) Sonnet 4.6 добавляет ~346 input tokens при tool_choice: "auto" — это служебная разметка инструментов, которую модель должна «увидеть» каждый раз. На стоимости это сказывается мало (около 0.07 ₽ за запрос), но если у тебя 100K вызовов в день — стоит закладывать в смету.

Типичный agent loop:

• 5 шагов в одном диалоге
• 50K tokens среднего контекста (накапливается tool results)
• output 1K tokens в шаг

Стоимость одного полного agent-run:

• Input: 5 × 50K × $3 / 1M = $0.75
• Output: 5 × 1K × $15 / 1M = $0.075
• Total: ~$0.825 = ~59 ₽

Если у тебя production-агент обрабатывает 1000 запросов в день — это 59 000 ₽ в месяц. Терпимо для B2B-инструмента, который автоматизирует работу 3-5 человек.

Код:

from openai import OpenAI
import json

client = OpenAI(
    api_key="promptra_live_xxx...",
    base_url="https://api.promptra.ru/v1",
)

tools = [
    {
        "type": "function",
        "function": {
            "name": "search_database",
            "description": "Ищет записи в базе по запросу",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string"},
                    "limit": {"type": "integer", "default": 10},
                },
                "required": ["query"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "send_email",
            "description": "Отправляет email клиенту",
            "parameters": {
                "type": "object",
                "properties": {
                    "to": {"type": "string"},
                    "subject": {"type": "string"},
                    "body": {"type": "string"},
                },
                "required": ["to", "subject", "body"],
            },
        },
    },
]

def execute_tool(name: str, args: dict) -> str:
    """Заглушка — в реальности тут вызовы в твою систему"""
    if name == "search_database":
        return json.dumps({"results": [{"id": 1, "name": "Иван"}]})
    if name == "send_email":
        return json.dumps({"sent": True, "id": "abc-123"})
    return "Unknown tool"

messages = [
    {"role": "system", "content": "Ты ассистент техподдержки. Используй инструменты."},
    {"role": "user", "content": "Найди клиента Иван и отправь ему письмо про подтверждение заказа."},
]

# Agent loop
for step in range(10):  # max 10 шагов
    response = client.chat.completions.create(
        model="claude-sonnet-4-6",
        messages=messages,
        tools=tools,
        tool_choice="auto",
    )
    msg = response.choices[0].message
    messages.append(msg.model_dump())

    if not msg.tool_calls:
        print(f"Финальный ответ: {msg.content}")
        break

    for tool_call in msg.tool_calls:
        result = execute_tool(
            tool_call.function.name,
            json.loads(tool_call.function.arguments),
        )
        messages.append({
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": result,
        })

Structured output. Если нужен гарантированно валидный JSON — используй response_format:

response = client.chat.completions.create(
    model="claude-sonnet-4-6",
    messages=[{"role": "user", "content": "Извлеки имя, телефон и email из текста: ..."}],
    response_format={"type": "json_object"},
)
data = json.loads(response.choices[0].message.content)

Sonnet 4.6 в этом режиме почти не делает ошибок валидации — в наших боевых тестах на 10K запросов было всего 3 случая невалидного JSON, и все были на edge-case промтах с противоречивой инструкцией.

Кейс №3 — ревью кода (best fit)

Это тот сценарий, где Sonnet 4.6 действительно блестит. На SWE-Bench Verified — стандартном бенчмарке для оценки агентов на реальных GitHub-issues — модель показывает 79.6%. Для сравнения, Opus 4.6 — 80.8%, GPT-5.4 — в районе 74-82% (зависит от настроек reasoning).

Разница между Sonnet и Opus в один пункт. Цена — в 5 раз меньше. Поэтому для review кода в CI/CD pipeline или в IDE-расширении Sonnet — оптимальный выбор по соотношению цена/качество.

Сценарий. Pull request с diff на 50K токенов (это примерно изменения в 800-1000 строк кода). Хочешь автоматический review: найти баги, edge-кейсы, style issues, missing tests.

Расчёт:

• Input: 50K × $3 / 1M = $0.15 = 10.6 ₽
• Output: 2K × $15 / 1M = $0.03 = 2.1 ₽
• Итого: ~13 ₽ за полный review PR

При 50 PR в неделю команда платит 650 ₽ — это меньше, чем стоит час работы джуна на ревью.

Код:

from openai import OpenAI
import subprocess

client = OpenAI(
    api_key="promptra_live_xxx...",
    base_url="https://api.promptra.ru/v1",
)

# Берём diff текущего PR относительно main
diff = subprocess.check_output(
    ["git", "diff", "main...HEAD"],
    text=True,
)

system_prompt = """Ты senior-инженер на ревью pull request.
Фокус: корректность, безопасность, перформанс, читаемость.
Игнорируй: форматирование, переименования переменных, мелкий рефакторинг.

Формат ответа:
1. CRITICAL (баги/security) — если есть
2. MAJOR (потенциальные проблемы) — если есть
3. MINOR (улучшения) — кратко
4. Резюме: approve / request changes / needs discussion"""

response = client.chat.completions.create(
    model="claude-sonnet-4-6",
    messages=[
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": f"Diff для review:\n\n```diff\n{diff}\n```"},
    ],
    max_tokens=3000,
    temperature=0.2,  # для review низкая температура — меньше «творчества»
)

print(response.choices[0].message.content)

Интеграция с GitHub Actions. Этот скрипт легко завернуть в action и комментировать PR автоматически. Пример workflow:

name: AI review
on: pull_request
jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
        with: { fetch-depth: 0 }
      - uses: actions/setup-python@v5
        with: { python-version: "3.12" }
      - run: pip install openai
      - run: python scripts/ai_review.py
        env:
          PROMPTRA_API_KEY: ${{ secrets.PROMPTRA_API_KEY }}
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}

Когда Sonnet выигрывает у GPT-5.4: таблица по 4 задачам

Без религиозного спора «какая модель лучше» — у каждой свой sweet-spot. Реальная картина по основным сценариям:

Когда брать Sonnet:

• У тебя длинный контекст (>100K tokens) — Sonnet стабильнее на edge'ах окна.
• У тебя долгие agent loops с tool-calling — Sonnet реже «теряет цель».
• Ты делаешь code-related задачи — SWE-Bench выше, output чище.
• Ты делаешь итеративные диалоги — cache discount 90% против 75% даёт реальную экономию.

Когда брать GPT-5.4:

• Short-form задачи на «здравый смысл» (саммаризация новостей, классификация).
• Тебе важен абсолютный минимум latency на input-heavy запросах.
• У тебя уже всё на OpenAI SDK и нет причин что-то менять (хотя — Sonnet ставится в две строки, см. выше).

Реалистично: для большинства команд правильный ответ — «используй обе через один endpoint». Promptra даёт это из коробки: ты пишешь fallback-логику, на типы запросов отправляешь подходящую модель, биллинг идёт с одного баланса.

def smart_route(task_type: str, payload: dict):
    model = {
        "code_review": "claude-sonnet-4-6",
        "long_context": "claude-sonnet-4-6",
        "quick_classify": "gpt-5-4-mini",
        "default": "claude-sonnet-4-6",
    }.get(task_type, "claude-sonnet-4-6")

    return client.chat.completions.create(model=model, **payload)

Calculator: сколько мне будет стоить 1M запросов в месяц

Самый частый вопрос от тех, кто оценивает миграцию: «А сколько мне это будет стоить в production?» Считаем для типового сценария.

Допущения:

• Типовой запрос — чат-агент или RAG-помощник
• 5K input tokens (системный промт + retrieved context + история диалога)
• 1K output tokens (нормальный ответ ассистента)
• 1 миллион запросов в месяц (~33K/день, ~23 запроса/мин в среднем)

Стоимость на Claude Sonnet 4.6 через Promptra:

• Input: 5K × 1M × $3 / 1M / 1M = $15 000
• Output: 1K × 1M × $15 / 1M / 1M = $15 000
• Subtotal: $30 000
• В рублях по курсу ЦБ (70.9012): 2 127 036 ₽
• Сервисная комиссия Promptra (5%, разовая при пополнении): +106 352 ₽
• Итого: ~2 233 388 ₽ в месяц

С prompt caching (типичный сценарий — большой system prompt + RAG):

Если 4K из 5K input tokens — это стабильный системный промт + знаниевая база, которая кэшируется (TTL 1h, cache hit ratio ~70% за час окна):

• Cache hits (70% от cacheable части): 4K × 1M × 0.7 × $0.30 / 1M = $840
• Cache misses (30% от cacheable части): 4K × 1M × 0.3 × $3 / 1M = $3 600
• Non-cacheable input (1K на запрос): 1K × 1M × $3 / 1M = $3 000
• Output: $15 000
• Total: ~$22 440 ≈ 1 591 023 ₽
• Сервисная комиссия 5%: +79 551 ₽
• Итого с кэшированием: ~1 670 574 ₽ (экономия 25% относительно «в лоб»)

Сравнение с ProxyAPI (премиум-реселлер с наценкой):

По публичным тарифам ProxyAPI берёт примерно $7.70/1M input и $38.50/1M output для Sonnet — это ~2.5× наценка. На том же миллионе запросов:

• Input: 5K × 1M × $7.70 / 1M = $38 500 ≈ 2 729 696 ₽
• Output: 1K × 1M × $38.50 / 1M = $38 500 ≈ 2 729 696 ₽
• Итого: ~5 459 392 ₽

Разница: 5 459 392 − 2 233 388 = 3 226 004 ₽ экономии в месяц при переходе с ProxyAPI на Promptra. Это зарплата 3-4 разработчиков. Чисто за счёт того, что мы не наценяем токены, а берём 5% при пополнении баланса.

Закрывающие документы и юр.лицо

Кратко, потому что это самый часто задаваемый вопрос от B2B-клиентов:

• Договор оферты — публичный, на сайте.
• Счёт на оплату — выставляется по запросу из дашборда (название юрлица, ИНН, КПП).
• Счёт-фактура / УПД — высылается ежемесячно автоматически.
• Акт выполненных работ — в составе УПД.
• ЭДО (Диадок, СБИС, Контур) — подключаем по запросу в течение 2 рабочих дней.

Юрлицо-исполнитель: ООО «ТРАФИК АГРЕГАТОР» (резидент РФ, полный пакет закрывающих документов через ЭДО). Деньги принимаем по обычной банковской платёжке с расчётного счёта, валютный контроль не нужен — это рублёвый контракт с резидентом РФ. Всё закрыто по 152-ФЗ (данные в РФ), персональные данные пользователей API через Promptra не уходят за границу — мы выступаем процессинговым звеном с собственной DPA.

Итого: твой ближайший шаг

Если ты дошёл до этой части — у тебя есть план:

1. Зарегистрируйся на promptra.ru — займёт минуту.
2. Получи ключ в дашборде, скопируй.
3. Поменяй 2 строки в существующем коде: api_key и base_url.
4. Запусти тест — claude-sonnet-4-6 начнёт отвечать через тот же openai SDK, без переписывания.
5. Закажи счёт на юрлицо если нужно — за 5 минут получишь полный пакет документов.

Если стек сложнее (несколько провайдеров, fallback-логика, тонкая настройка caching) — напиши CEO напрямую в Telegram: @nesterov_av. Помогаем мигрировать и считать экономику для команд от 5 разработчиков.

Promptra

Готовы попробовать Promptra?

Один API-ключ ко всем флагманским LLM. Оплата на юр.лицо, цены в рублях по курсу ЦБ. Тестовые токены бесплатно.

Promptra

Готовы попробовать Promptra?

Один API-ключ ко всем флагманским LLM. Оплата на юр.лицо, цены в рублях по курсу ЦБ. Тестовые токены бесплатно.