بیشتر کسانی که آموزش Claude را جست‌وجو می‌کنند، ابزار را مثل یک چت‌باکس پیشرفته به‌کار می‌برند: کد را paste می‌کنند، جواب می‌گیرند و می‌روند. این الگو، نه‌تنها ارزش افزوده‌ای نسبت به یک LLM چت معمولی ندارد، بلکه عملاً Claude Code را به یک autocomplete گران‌قیمت تنزل می‌دهد. مشکل از عدم‌شناخت حلقه‌ی عاملی (agentic loop) و مدیریت context است — نه از کم‌بودن دانش prompt‌نویسی.

آموزش Claude Code: چرا «چت در ترمینال» توصیف نادرستی است؟#

Claude Code یک ابزار برنامه‌نویسی عامل‌محور (agentic coding tool) است که در ترمینال اجرا می‌شود. توصیف «چت در ترمینال» نادرست است چون این ابزار منتظر ورودی شما نمی‌ماند؛ خودش فایل‌سیستم را می‌خواند، تصمیم می‌گیرد، ویرایش را اعمال می‌کند و تست اجرا می‌کند. ترمینال فقط رابط ورودی است، نه الگوی تعامل.

حلقه‌ی عاملی در عمل#

وقتی می‌گویید «تابع authentication را refactor کن»، Claude Code این مراحل را طی می‌کند:

  • فایل‌های مرتبط را از فایل‌سیستم می‌خواند
  • بسته به ساختار پروژه، تصمیم می‌گیرد کدام بخش‌ها را تغییر دهد
  • ویرایش را مستقیماً روی فایل‌ها اعمال می‌کند
  • در صورت نیاز، تست‌ها را اجرا و نتیجه را بررسی می‌کند

این چرخه، Claude Code را از هر chat-based coding assistant متمایز می‌کند. قدرت اصلی در capability مدل نیست، در autonomy حلقه است — و اگر این autonomy را با paste کردن کد خنثی کنید، عملاً دارید یک IDE را در ترمینال شبیه‌سازی می‌کنید.

اشتباه رایج: paste کردن کد در چت#

در جلسات آموزشی و گفتگوهای اعضای کامیونیتی، این الگو بارها تکرار شده: کاربر کد را copy-paste می‌کند و انتظار جواب می‌گیرد. این استفاده‌ی نادرست است چون file reading capability مدل را بی‌استفاده می‌گذارد. بهترین workflow یک prompt کوتاه است و بقیه را به خود مدل بسپارید.

پیش‌نیازهای نصب#

Claude Code به Node.js، Git و دسترسی terminal نیاز دارد. نصب از طریق npm انجام می‌شود. برای جزئیات دقیق، مستندات رسمی Anthropic را ببینید، چون نسخه‌ها و روش نصب ممکن است تغییر کند.

تفاوت بنیادی با Cursor و Windsurf#

Cursor یک IDE است که chat را در محیط توسعه ادغام کرده. Windsurf هم در همین دسته قرار می‌گیرد. Claude Code در ترمینال و فایل‌سیستم کار می‌کند — بدون GUI، بدون tab completion، بدون file tree بصری. این یعنی workflow کاملاً متفاوتی دارد و مقایسه‌ی مستقیم این ابزارها، مثل مقایسه‌ی CLI با GUI است: هر دو ابزارند، ولی منطق تعامل‌شان یکی نیست.

مدیریت context window 200K توکنی: چرا «هرچیزی بفرستید» جواب نمی‌گیرد#

Claude 3.5 Sonnet دارای context window 200,000 توکن است، ولی mid-context degradation پدیده‌ای اثبات‌شده است: وقتی فایل‌های زیادی یکجا وارد context می‌شوند، مدل در بخش‌های میانی دچار hallucination می‌شود. «بفرستید هرچه دارید» یک توهم فنی است که از اشتباه‌فهمیدن عدد context window به‌عنوان ظرفیت مؤثر (effective capacity) ناشی می‌شود.

کره‌ی شفاف پر از ذرات نورانی که ظرفیت محدود پنجره‌ی context و سرریز شدن توکن‌ها را نشان می‌دهد
وقتی توکن‌ها از ظرفیت ۲۰۰ هزارتایی فراتر می‌روند، برخی برای همیشه حذف می‌شوند

mid-context degradation چیست؟#

مطالعه‌ی «Lost in the Middle» (Liu et al., Stanford) نشان داده که مدل‌های زبانی در ابتدای و انتهای context دقت بالاتری دارند و در میانه‌ها عملکردشان افت می‌کند. در عمل یعنی اگر 30 فایل را یکجا بفرستید، مدل احتمالاً فایل‌های وسطی را درست تحلیل نمی‌کند — نه چون نمی‌خواند، بلکه چون attention به‌طور یکنواخت توزیع نمی‌شود.

راه‌حل عملی: chunking هوشمند. به‌جای ارسال یکجا، فایل‌ها را به گروه‌های منطقی تقسیم کنید و هر بار scope مشخصی بدهید.

نقش CLAUDE.md در مدیریت context#

فایل CLAUDE.md در ریشه‌ی پروژه، دستورالعمل‌های دائمی مدل را تعریف می‌کند: قوانین کدنویسی، ساختار پوشه‌ها، استثنائات. این فایل در هر session به‌صورت خودکار خوانده می‌شود و از تکرار توضیحات جلوگیری می‌کند. کاربرانی که این فایل را جدی نمی‌گیرند، در هر session مجبورند همان قوانین را از نو بنویسند — و این یعنی هدررفت توکن.

.claudeignore: خط‌دفاع اول در برابر noise#

بدون .claudeignore، Claude Code ممکن است node_modules، build artifacts و فایل‌های موقت را بخواند. این‌ها context را پُر می‌کنند بدون ارزش. یک .claudeignore ساده (شبیه .gitignore) scope مدل را محدود می‌کند و از perspective degradation جلوگیری می‌کند. این کوچک‌ترین تغییر است و بزرگ‌ترین تأثیر را بر کیفیت خروجی دارد.

نقش MCP servers در محدود کردن scope#

هر MCP server یک scope مشخص — مثلاً یک دایرکتوری — را به مدل می‌دهد. به‌جای اینکه مدل کل پروژه را ببیند، فقط بخش‌های مرتبط را در context نگه می‌دارد. این روش، mid-context degradation را به‌طور عملی کاهش می‌دهد.

کدام مدل Claude برای کدنویسی مناسب‌تر است؟ مقایسه‌ی عملی#

Claude 3.5 Sonnet تعادل سرعت و کیفیت برای کدنویسی روزمره است. Opus برای مسائل معماری و چندمرحله‌ای مناسب‌تر عمل می‌کند. Haiku برای تسک‌های سبک و ارزان طراحی شده. استراتژی prompt باید بر اساس مدل انتخاب شود، نه یک نسخه‌ی ثابت برای همه.

مدل بهترین کاربرد استراتژی prompt مؤثر محدودیت
Claude 3.5 Sonnet کدنویسی روزمره، refactoring، debugging XML tags + نقش‌دهی صریح در مسائل چندمرحله‌ی پیچیده ممکن است step بجا بگذارد
Opus طراحی معماری، مسائل منطقی چندمرحله‌ای توضیحات مفهومی + reasoning chain کندتر و گران‌تر؛ برای تسک‌های ساده overhead دارد
Haiku تسک‌های سبک، classification، summarization prompt ساده و کوتاه در کدنویسی پیچیده کیفیت پایین‌تری دارد

چرا استراتژی prompt باید تفکیک شود؟#

مستندات Anthropic نشان می‌دهد که Sonnet با ساختاردهی XML بهتر کار می‌کند — مثلاً <task>، <context>، <output>. Opus برعکس، به توضیحات مفهومی و reasoning chain پاسخ بهتری می‌دهد. یک prompt ثابت برای هر دو مدل، کارایی را کاهش می‌دهد.

این نکته در محتوای فارسی تقریباً پوشش داده نشده و یکی از دلایل اصلی performance ضعیف کاربران ایرانی Claude است.

Extended Thinking: موارد استفاده و هزینه‌ی پنهان#

Extended Thinking حالت تفکر عمیق (deep thinking) است که مدل قبل از پاسخ، reasoning chain داخلی می‌سازد. برای مسائل ریاضی، منطقی و معماری پیچیده توصیه می‌شود. برای کدنویسی معمولی، تأخیر و مصرف توکن بیشتر دارد بدون ارزش افزوده‌ی محسوس.

موارد استفاده‌ی واقعی#

  • طراحی معماری سیستم با چندین constraint
  • debugging مسائل race condition یا dead lock
  • تحلیل الگوریتمی که نیاز به proof correctness دارد

مواردی که نباید فعال شود#

  • refactoring ساده و rename متغیر
  • نوشتن CRUD endpoint
  • تولید boilerplate code

هزینه‌ی پنهان Extended Thinking دو جنبه دارد: تأخیر بیشتر در پاسخ و مصرف توکن بیشتر. نحوه‌ی فعال‌سازی را از مستندات Anthropic بررسی کنید، چون API ممکن است تغییر کند.

MCP: پروتکل متن‌باز اتصال ابزارها به Claude#

Model Context Protocol (MCP) پروتکل متن‌بازی است که Anthropic طراحی کرده. MCP servers، ابزارها و منابع داده را به مدل وصل می‌کنند. تفاوت اصلی با tool use ساده در API این است که MCP یک استاندارد باز است و serverها مستقل از مدل قابل توسعه‌اند.

الگوی عملی: محدود کردن context#

به‌جای اینکه مدل کل فایل‌سیستم را ببیند، یک MCP server تعریف می‌کنید که فقط دایرکتوری‌های مشخصی را expose می‌کند. نتیجه: context تمیزتر، hallucination کمتر، سرعت بالاتر.

نمونه‌های رایج MCP server#

  • Filesystem server: دسترسی به پوشه‌های خاص
  • Database server: query به دیتابیس بدون paste کردن schema
  • API server: اتصال به سرویس‌های خارجی

فعال‌سازی MCP در پیکربندی Claude Code انجام می‌شود. برای جزئیات فنی و نمونه‌های کد، مستندات رسمی MCP را ببینید.

هزینه‌ی Claude Code: اشتراک در برابر token-based pricing#

اشتراک Claude Pro و Max دسترسی به Claude Code را با سقف مشخصی می‌دهد. API با token-based pricing در پروژه‌های بزرگ گاهی مقرون‌به‌صرفه‌تر است، چون سقف اشتراک را ندارد. انتخاب بین این دو، به حجم و نوع کار بستگی دارد.

چه زمانی اشتراک بهتر است؟#

اگر استفاده‌ی روزانه‌ی شما در یک بازه‌ی مشخص است و نمی‌خواهید هر بار هزینه‌ی توکن محاسبه کنید، اشتراک ساده‌تر است.

چه زمانی API بهتر است؟#

پروژه‌هایی با context بسیار طولانی، batch processing، یا نیاز به integration در pipeline — این‌ها سقف اشتراک را می‌شکنند. اعداد دقیق pricing را از صفحه‌ی رسمی Anthropic بگیرید، چون این اعداد تغییر می‌کنند.

اشتباه رایج: مقایسه‌ی بنچمارک‌محور#

مقایسه‌ی مدل‌ها صرفاً بر اساس SWE-bench یا HumanEval اشتباه است. هزینه‌ی واقعی workflow به تعداد توکن‌های مصرفی، تعداد iterations و طول context بستگی دارد — نه صرفاً نمره‌ی benchmark.

گام‌به‌گام: ساخت ایجنت چندمرحله‌ای با Claude API و Tool Use#

ایجنت چندمرحله‌ای با Claude API از ترکیب System Prompt، Tool Use و Agentic Loop ساخته می‌شود. هر مرحله خروجی مرحله‌ی قبل را به‌عنوان context جدید دریافت می‌کند. این الگو پایه‌ی ساخت ایجنت‌های واقعی است.

  1. تعریف tools: هر tool را با نام، توضیح و schema مشخص تعریف کنید. Tool Use در Claude API از JSON schema استفاده می‌کند.
  2. نوشتن System Prompt: رفتار ایجنت، محدودیت‌ها و خروجی مورد انتظار را مشخص کنید. از XML tags برای ساختاردهی استفاده کنید.
  3. اجرای Agentic Loop: مدل را صدا بزنید، خروجی را بررسی کنید. اگر tool call برگشت، آن را execute و نتیجه را در پیام بعدی بفرستید.
  4. مدیریت state: بین مراحل، context را بهینه نگه دارید. تاریخچه‌ی کامل را پاس ندهید؛ فقط state فعلی و نتیجه‌ی مرحله‌ی قبل.
  5. تعریف شرط توقف: Loop بی‌نهایت ممنوع. حداکثر iterations یا شرط موفقیت مشخص تعریف کنید.

نقش Subagent در ایجنت‌های پیچیده#

Subagent یک ایجنت فرعی است که task مشخصی را انجام می‌دهد و نتیجه را به ایجنت اصلی برمی‌گرداند. این الگو، context ایجنت اصلی را سبک نگه می‌دارد و از mid-context degradation جلوگیری می‌کند.

Skills در Claude Code#

Skills قابلیت‌هایی هستند که به Claude Code اضافه می‌شوند — مثلاً نوشتن کد به سبک مشخص، اجرای linting، یا تولید مستندات. Skills در فایل CLAUDE.md یا به‌صورت جداگانه تعریف می‌شوند و رفتار ایجنت را در پروژه‌های خاص تنظیم می‌کنند.

اشتباه رایج: prompt به سبک ChatGPT#

در کلاس‌های آموزشی، این خطا بارها دیده می‌شود: کاربران bullet point و دستورالعمل‌های خطی می‌نویسند — الگویی که برای ChatGPT کار می‌کند. Claude با XML tags و ساختار سلسله‌مراتبی بهتر کار می‌کند. این تفاوت، نتیجه‌ی مستقیم‌ی training methodology است.

چه زمانی Claude Code مناسب نیست و جایگزین‌ها چیست؟#

Claude Code برای پروژه‌هایی با فایل‌سیستم پیچیده و نیاز به ویرایش مستقیم فایل بهترین گزینه است. ولی برای prototyping سریع با GUI یا تسک‌های تک‌فایلی، Cursor یا Windsurf workflow کوتاه‌تری دارند. انتخاب ابزار بر اساس نوع پروژه، نه بر اساس نمره‌ی benchmark.

معیارهای انتخاب#

  • Claude Code: refactoring چندفایلی، automation در ترمینال، پروژه‌هایی با ساختار پیچیده
  • Cursor: workflow IDE-centric، تک‌فایل، نیاز به autocomplete و inline edit
  • Windsurf: prototyping سریع، پروژه‌های کوچک، نیاز به GUI preview

نکته‌ی غیرکالایی#

Performance واقعی به workflow و context management بستگی دارد، نه صرفاً نمره‌ی SWE-bench. یک کاربر Claude Code که mid-context degradation را می‌شناسد و chunking هوشمند اعمال می‌کند، از کاربری که Opus را با 50 فایل یکجا feed می‌کند، نتیجه‌ی بهتری می‌گیرد — حتی اگر مدل ضعیف‌تری استفاده کند.

سه تصمیم عملی که همین الان می‌توانید بگیرید: یک .claudeignore بنویسید، CLAUDE.md پروژه‌تان را تکمیل کنید، و استراتژی prompt را بر اساس مدل انتخاب کنید. این سه تغییر، تفاوت بین استفاده‌ی سطحی و حرفه‌ای از Claude Code را مشخص می‌کند.

اگر می‌خواهید این مفاهیم را در عمل و با پشتیبانی یاد بگیرید، دوره‌ی «آموزش جامع Claude و ابزارهای مشابه» در کامیونیتی Claude اسکول، 53 جلسه‌ی آفلاین دارد که دقیقاً همین حلقه‌ی عاملی، مدیریت context و ساخت ایجنت را پوشش می‌دهد.

سرفصل‌ها و شرایط عضویت در کامیونیتی Claude اسکول قابل مشاهده است.