اگر آموزش Claude را از روی تجربه‌ی Copilot شروع کنید، اولین هفته‌ی استفاده از Claude Code را با ناامیدی تمام می‌کنید. این ابزار برای پیشنهاد خط‌به‌خط کد ساخته نشده؛ قدرت آن در حلقه‌ی ایجنت است — کشف، برنامه‌ریزی، اجرا و راستی‌آزمایی. تغییر همین یک مدل ذهنی، مرز بین «به‌دردنخور» و «غیرقابل‌جایگزین» را تعیین می‌کند.

Claude Code یک autocomplete نیست: تفاوت مدل ذهنی با Cursor و Copilot#

Claude Code یک ایجنت ترمینال‌محور (Terminal-based Agent) با حلقه‌ی چندمرحله‌ای است، نه افزونه‌ی تکمیل کد. تفاوت بنیادی در معماری تعامل نهفته است: Copilot یک پیشنهاد در لحظه تولید می‌کند، اما Claude Code خودش فایل می‌خواند، تصمیم می‌گیرد، کد می‌نویسد و نتیجه را بررسی می‌کند. این تفاوت در سطح معماری است، نه در سطح کیفیت مدل.

معماری agent loop در مقابل autocomplete#

در مدل autocomplete، جریان کار یک‌طرفه است: شما تایپ می‌کنید، مدل پیش‌بینی می‌کند، شما Tab می‌زنید. نقطه‌ی شروع و پایان مشخص است. در مدل agent loop، ایجنت خودش چرخه را تعریف می‌کند و شما فقط ورودی اولیه را می‌دهید.

حلقه‌ی کار Claude Code چهار مرحله دارد:

  1. Explore: ایجنت فایل‌ها را می‌خواند، ساختار پروژه را درک می‌کند و وابستگی‌ها را شناسایی می‌کند.
  2. Plan: بر اساس آنچه کشف کرده، یک برنامه‌ی گام‌به‌گام برای تغییرات لازم می‌سازد.
  3. Execute: فایل‌ها را ویرایش یا ایجاد می‌کند، دستورات ترمینال اجرا می‌کند.
  4. Verify: نتیجه را با اجرای تست یا بررسی خروجی راستی‌آزمایی می‌کند.

این چرخه ممکن است چند بار تکرار شود. ایجنت اگر تستی شکست بخورد، دوباره به مرحله‌ی Plan برمی‌گردد. این رفتار در هیچ ابزار autocomplete وجود ندارد.

جدول مقایسه‌ی Claude Code، Cursor، GitHub Copilot و Windsurf#

معیارClaude CodeCursorGitHub CopilotWindsurf
مدل تعاملایجنت ترمینال‌محورویرایشگر با chat و autocompleteافزونه‌ی IDEویرایشگر با agent mode
دسترسی به فایل‌سیستمخواندن و نوشتن مستقیماز طریق context ویرایشگرمحدود به فایل بازاز طریق ویرایشگر
اجرای دستوراتبله، با تأیید کاربربله، از ترمینال داخلیخیربله
مدیریت contextCLAUDE.md + خواندن خودکار فایل‌هاCodebase indexingContext از فایل بازCascade memory
بهترین کاربردپروژه‌های CLI، refactor، code reviewتوسعه‌ی روزمره در IDEتکمیل سریع کدپروژه‌های متوسط با agent

چه زمانی هر ابزار را انتخاب کنید#

سؤال عملی این نیست که «کدام قوی‌تر است»، بلکه این است که «الان در چه وضعیتی هستید». اگر کار شما نوشتن یک تابع در یک فایل باز است، Copilot یا autocomplete در Cursor سریع‌ترند. اگر باید چند فایل هم‌زمان تغییر کند، تست بنویسید، و خروجی را بررسی کنید، Claude Code ابزار درست است. اگر پروژه‌ی شما اصلاً ترمینال ندارد و همه‌چیز در GUI است، هیچ‌کدام از این ابزارها به‌خوبی کار نمی‌کنند.

نصب و پیکربندی Claude Code#

Claude Code از طریق npm نصب می‌شود و با یک API Key یا اشتراک Pro/Max احراز هویت می‌کند. پیکربندی اصلی در فایل CLAUDE.md در ریشه‌ی پروژه انجام می‌شود و این فایل به‌عنوان حافظه‌ی پروژه (Project Memory) در ابتدای هر جلسه بارگذاری می‌شود.

پیش‌نیازها و مراحل نصب در macOS و Linux#

Node.js نسخه‌ی 18 یا بالاتر پیش‌نیاز اصلی است. پس از نصب، دستور زیر ابزار را در دسترس قرار می‌دهد:

npm install -g @anthropic-ai/claude-code

برای کاربران Windows، اجرای بومی پشتیبانی نمی‌شود. راه‌حل عملی استفاده از WSL2 (Windows Subsystem for Linux) است. مستندات رسمی Anthropic جزئیات نسخه‌های سازگار را به‌روزرسانی می‌کنند؛ قبل از نصب، صفحه‌ی GitHub پروژه را بررسی کنید.

احراز هویت با API Key و اشتراک#

دو مسیر برای دسترسی وجود دارد:

  • API Key: از حساب console.anthropic.com تولید می‌شود. هزینه بر اساس مصرف توکن محاسبه می‌گردد. برای پروژه‌های سنگین و خودکارسازی مناسب‌تر است.
  • اشتراک Pro یا Max: از طریق Claude.ai مدیریت می‌شود. دسترسی به Claude Code به‌صورت bundled در این اشتراک‌ها قرار دارد. برای استفاده‌ی روزمره و تعاملی ساده‌تر است.

انتخاب بین این دو به الگوی استفاده‌تان بستگی دارد. اگر روزانه چند ساعت کدنویسی می‌کنید، اشتراک اقتصادی‌تر تمام می‌شود. اگر ایجنت خودکار روی CI/CD اجرا می‌کند، API Key انعطاف بیشتری دارد.

ساخت CLAUDE.md و تنظیمات اولیه#

فایل CLAUDE.md مهم‌ترین ابزار پیکربندی است. محتوای آن در ابتدای هر جلسه به ایجنت داده می‌شود. چه چیزی باید در این فایل بنویسید:

  • معماری پروژه و الگوهای طراحی
  • قوانین کدنویسی (نام‌گذاری، linting، فرمت)
  • ساختار پوشه‌ها و نقش هر پوشه
  • دستورات اجرا، تست و build
  • هر زمینه‌ای که ایجنت باید از ابتدای جلسه بداند

هرچه CLAUDE.md دقیق‌تر باشد، ایجنت کمتر فرض می‌کند و کمتر اشتباه می‌کند. این فایل را مثل README برای همکار جدید بنویسید — نه برای خودتان، برای کسی که هیچ پیش‌زمینه‌ای ندارد.

آموزش Claude: پرامپت XML به‌جای نقش‌دادن#

Claude به ساختاردهی سلسله‌مراتبی با XML tags پاسخ بهتری می‌دهد نسبت به پرامپت‌های Markdown یا نقش‌محور. این تفاوت از معماری مدل ناشی می‌شود، نه ترجیح سلیقه‌ای. در آموزش Claude برای استفاده‌ی حرفه‌ای، این اصل را جدی بگیرید.

چرا XML tags در Claude مؤثرتر از Markdown است#

مدل‌های Claude در مرحله‌ی آموزش، الگوهای ساختاری XML را در داده‌های تمرینی فرا گرفته‌اند. وقتی شما با تگ‌های <context>، <task>، <constraints> و <output_format> ورودی را بخش‌بندی می‌کنید، مدل دقیقاً می‌فهمد کدام بخش زمینه است، کدام دستور، و کدام محدودیت.

در مقابل، پرامپت‌های «تو یک متخصص Python هستی» (role prompting) در Claude اثر کمتری دارند. این الگو بیشتر برای مدل‌های GPT طراحی شده بود و در Claude گاهی باعث رفتارهای کلیشه‌ای می‌شود. در کلاس‌های آموزشی مکرر دیده شده که توسعه‌دهندگان با عادت از GPT، پرامپت نقش‌محور می‌نویسند و خروجی Claude را «ضعیف» ارزیابی می‌کنند — در حالی که مشکل از پرامپت است، نه مدل.

ساختار System Prompt مؤثر#

یک نمونه‌ی ساختاردهی‌شده:

<project_context>
پروژه یک API REST با FastAPI است. ساختار پوشه‌ها: routers/, services/, models/, tests/.
</project_context>

<coding_rules>
از type hints استفاده کن. docstring برای هر تابع الزامی. تست‌ها در tests/ با pytest.
</coding_rules>

<task>
یک endpoint جدید برای /users/{id}/preferences بنویس.
</task>

این ساختار به ایجنت اجازه می‌دهد هر بخش را جداگانه پردازش کند. وقتی task عوض می‌شود، context و rules دست‌نخورده می‌مانند.

Few-shot Prompting در Claude Code#

اگر الگوی خاصی از کدنویسی دارید که ایجنت باید تکرار کند، یک یا دو نمونه‌ی کامل در CLAUDE.md یا در پرامپت اولیه بگذارید. Claude به الگوهای تکرارشونده‌ی ساختاریافته بسیار دقیق‌تر از توضیحات متنی پاسخ می‌دهد.

مدیریت context در codebase‌های بزرگ#

Context Window 200K توکن در مدل‌های Claude فضای قابل‌توجهی فراهم می‌کند، اما در پروژه‌های واقعی با صدها فایل، این فضا به‌سرعت پر می‌شود. راه‌حل عملی file-level summarization و selective context loading است، نه پر کردن context با هر فایل موجود.

استراتژی file-level summarization#

به‌جای ارسال کل فایل، خلاصه‌ی ساختاری هر فایل را نگه دارید. مثلاً:

src/services/auth.py → کلاس AuthService، متدهای login/refresh/revoke، وابستگی به JWT و Redis

ایجنت بر اساس این خلاصه تصمیم می‌گیرد کدام فایل را واقعاً بخواند. این الگو در پروژه‌های بزرگ‌مقیاسی که اعضای کامیونیتی گزارش داده‌اند، تفاوت بین یک جلسه‌ی موفق و یک session که context را هدر می‌دهد را مشخص می‌کند.

Selective Context Loading و نقش CLAUDE.md#

CLAUDE.md به‌عنوان لایه‌ی اول context عمل می‌کند. ایجنت در ابتدای جلسه آن را می‌خواند و بر اساس آن تصمیم می‌گیرد کدام فایل‌ها را برای task فعلی load کند. اگر task مربوط به auth است، نیازی نیست فایل‌های frontend بارگذاری شوند.

نکته‌ی عملی: در CLAUDE.md مسیر فایل‌های کلیدی و نقش هر کدام را ذکر کنید. این کار ایجنت را از guess work نجات می‌دهد.

Chunking و retrieval در پروژه‌های بزرگ#

وقتی پروژه‌ی شما از حدی بزرگ‌تر می‌شود که حتی خلاصه‌ها هم context را پر کنند، باید از ابزارهای خارجی کمک بگیرید. MCP Server (بخش بعد) می‌تواند یک لایه‌ی retrieval اضافه کند — ایجنت به‌جای خواندن فایل، از یک API جست‌وجو استفاده می‌کند.

Model Context Protocol: اتصال Claude به ابزارهای سازمانی#

MCP یک پروتکل client-server است که Claude را به دیتابیس، APIهای داخلی و ابزارهای DevOps وصل می‌کند. نوشتن یک MCP Server ساده در Python یا TypeScript عملی‌ترین قدم برای شروع است و مستندات رسمی Anthropic نمونه‌های آماده دارد.

معماری client-server در MCP#

در معماری MCP، سه نقش وجود دارد:

  • Host: برنامه‌ای که ایجنت را اجرا می‌کند (مثل Claude Code یا Claude Desktop).
  • Server: سرویسی که ابزارها و منابع را در اختیار قرار می‌دهد (مثلاً سروری که به دیتابیس Postgres وصل است).
  • Client: لایه‌ی ارتباطی بین Host و Server.

ایجنت از طریق Server می‌تواند query اجرا کند، فایل بخواند، یا به API داخلی سازمان دسترسی پیدا کند — بدون اینکه همه‌ی این‌ها در context جا شوند.

ساخت MCP Server ساده (Python/TypeScript)#

SDK رسمی برای هر دو زبان موجود است. یک Server ساده می‌تواند یک tool expose کند:

tool: query_database(sql: str) → results: list[dict]

ایجنت وقتی به داده‌ی ساختاریافته نیاز دارد، به‌جای حدس زدن، این tool را صدا می‌زند. این الگو در پروژه‌هایی که schema دیتابیس بزرگ است، عملاً ضروری است.

محدودیت‌های فعلی ecosystem#

اکوسیستم MCP هنوز در حال رشد است. سرورهای آماده برای ابزارهای محبوب (GitHub, Slack, Notion) وجود دارند، اما پوشش کامل نیست. اگر ابزار سازمانی شما MCP Server ندارد، باید خودتان بنویسید. این کار ساده است ولی زمان می‌برد.

Extended Thinking و ساخت ایجنت چندمرحله‌ای#

Extended Thinking در مدل‌های جدید Claude، مرحله‌ی استدلال عمیق‌تری قبل از تولید پاسخ نهایی اضافه می‌کند. نکته‌ی کلیدی: این لایه‌ی thinking قبل از هر پاسخ — شامل پاسخ‌هایی که tool call دارند — فعال می‌شود و زمان تولید را افزایش می‌دهد. بنابراین ایجنت چندمرحله‌ای باید لایه‌ی planning و لایه‌ی execution را جدا کند تا تأخیر thinking در گام‌های اجرایی تکرار نشود.

زنجیره‌ی گره‌های نورانی متصل که مراحل متوالی تفکر چندمرحله‌ای را به تصویر می‌کشد
هر گره یک تصمیم است، نه یک پیشنهاد

Trade-off بین latency و quality#

فعال کردن Extended Thinking زمان پاسخ را افزایش می‌دهد. برای کارهای ساده — یک typo، یک rename — این تأخیر بی‌مورد است. برای کارهای پیچیده — refactor یک module، طراحی الگوریتم — کیفیت خروجی به‌طور محسوسی بهتر می‌شود.

الگوی عملی: thinking را فقط در مرحله‌ی planning فعال کنید. مرحله‌ی execution می‌تواند بدون thinking کار کند چون تصمیمات از قبل گرفته شده‌اند.

الگوی planning → execution در ایجنت چندمرحله‌ای#

در یک ایجنت چندمرحله‌ای (Multi-step Agent)، جریان کار این‌طور طراحی می‌شود:

  1. مرحله‌ی اول: ایجنت task را تحلیل می‌کند و plan می‌سازد. Extended Thinking در این مرحله فعال است.
  2. مرحله‌ی دوم: ایجنت plan را گام‌به‌گام اجرا می‌کند. Tool call‌ها در این مرحله انجام می‌شوند.
  3. مرحله‌ی سوم: ایجنت خروجی را بررسی و در صورت نیاز اصلاح می‌کند.

این الگو را می‌توانید با Claude API و tool use مستقیماً پیاده‌سازی کنید.

Tool Use و orchestration با Claude API#

API Claude از tool use بومی پشتیبانی می‌کند. شما تعریف می‌کنید ایجنت چه tool‌هایی در دسترس دارد، و مدل خودش تصمیم می‌گیرد کدام را صدا بزند. برای orchestration چند ایجنت (Subagent)، می‌توانید یک ایجنت coordinator داشته باشید که کار را بین چند ایجنت تخصصی تقسیم کند.

Claude Code برای چه کارهایی مناسب نیست#

پروژه‌های بدون CLI، کارهایی که نیاز به GUI تعاملی دارند، تیم‌های غیرفنی و کد یک‌بارمصرف از نقاط ضعف Claude Code هستند. بهترین نتیجه معمولاً از ترکیب exploration با Claude Code و implementation دستی به دست می‌آید.

محدودیت‌های ساختاری#

Claude Code یک ابزار ترمینال‌محور است. اگر workflow شما در Figma، Notion یا یک IDE گرافیکی خاص اتفاق می‌افتد، این ابزار دسترسی مستقیمی به آن محیط‌ها ندارد. همچنین اگر پروژه‌ی شما اصلاً فایل‌سیستم قابل‌دسترسی از CLI ندارد (مثلاً در یک پلتفرم no-code)، Claude Code عملاً بی‌کار است.

پادالگوی کد یک‌بارمصرف#

اگر کدی می‌نویسید که قرار است یک‌بار اجرا شود و بعد دور ریخته شود — مثلاً یک اسکریپت migration یک‌باره — استفاده از Claude Code معمولاً گران‌تر از نوشتن دستی تمام می‌شود. حلقه‌ی explore → plan → execute → verify برای کدی ارزش دارد که قرار است در codebase بماند.

الگوی ترکیبی: exploration + implementation دستی#

بسیاری از توسعه‌دهندگان حرفه‌ای این الگو را کشف کرده‌اند: از Claude Code برای فهمیدن کد موجود، پیدا کردن باگ، و طراحی راه‌حل استفاده می‌کنند، اما خودِ نوشتن کد نهایی را دستی انجام می‌دهند. این ترکیب، سرعت exploration ایجنت را با کنترل و دقت implementation انسانی جمع می‌کند.

هزینه‌ی واقعی API و اشتراک#

Claude API برای کارهای coding با output token بالا — مثل نوشتن یک فایل کامل — بدون streaming و prompt caching گران‌تر از OpenAI تمام می‌شود. این تفاوت در مقایسه‌های سطحیِ «قیمت هر میلیون توکن» دیده نمی‌شود.

ساختار قیمت‌گذاری input/output token#

قیمت‌گذاری Anthropic بر اساس تفکیک input و output token است. Output token معمولاً چند برابر input گران‌تر است. در کارهای coding، بخش عمده‌ی هزینه از output می‌آید چون ایجنت فایل‌های کامل تولید می‌کند.

برای اعداد دقیق و به‌روز، صفحه‌ی pricing در console.anthropic.com را بررسی کنید. قیمت‌ها ممکن است تغییر کرده باشند.

تأثیر streaming و prompt caching بر هزینه#

دو تکنیک که هزینه را به‌طور محسوسی کاهش می‌دهند:

  • Prompt Caching: اگر بخشی از context (مثل CLAUDE.md) در چند request تکرار می‌شود، Anthropic آن بخش را cache می‌کند و هزینه‌ی input آن به‌طور قابل‌توجهی کاهش می‌یابد. این برای جلسات طولانی با ایجنت حیاتی است.
  • Streaming: به‌خودی‌خود هزینه را کم نمی‌کند، اما latency را کاهش می‌دهد و تجربه‌ی کاربری را بهتر می‌کند.

اشتراک Pro/Max در مقابل API مستقیم#

اشتراک Claude Pro یک هزینه‌ی ثابت ماهانه دارد و استفاده‌ی متعارف را پوشش می‌دهد. اگر ایجنت شما ساعت‌ها بدون وقفه اجرا می‌شود یا حجم output بسیار بالاست، API مستقیم با prompt caching ممکن است اقتصادی‌تر باشد. این محاسبه بستگی مستقیم به الگوی مصرف شما دارد.

جمع‌بندی: مدل ذهنی درست، ابزار درست#

آموزش Claude Code بدون تغییر مدل ذهنی، وقت تلف کردن است. اگر این ابزار را مثل Copilot استفاده کنید، هیچ‌وقت به پتانسیل واقعی‌اش نمی‌رسید. حلقه‌ی ایجنت، ساختار XML، CLAUDE.md و مدیریت context — این‌ها ابزارهایی هستند که فقط وقتی ارزش دارند که شما به‌عنوان یک orchestrator فکر کنید، نه به‌عنوان یک تایپیست.

اگر می‌خواهید این مدل ذهنی را با ساختار و تمرین عملی یاد بگیرید، دوره‌ی «آموزش جامع Claude و ابزارهای مشابه» در کامیونیتی Claude اسکول دقیقاً همین مسیر را پوشش می‌دهد — از پرامپت‌نویسی تا ساخت ایجنت و Vibe Coding بدون کدنویسی.