از تاریخچه آنتروپیک و نسل‌های مختلف مدل تا ابزارها، کاربردها، نکات حرفه‌ای، محدودیت‌ها و آینده

آخرین به‌روزرسانی محتوایی: ۴ ژوئیه ۲۰۲۶

فهرست مطالب

1. مقدمه
2. ۱. Claude AI دقیقاً چیست و چه تفاوتی با یک چت‌بات معمولی دارد؟
3. ۲. شرکت Anthropic؛ سازنده Claude چه فلسفه‌ای دارد؟
4. ۳. Constitutional AI چیست و چرا برای شناخت Claude مهم است؟
5. ۴. تاریخچه Claude از سال ۲۰۲۱ تا ۲۰۲۶؛ مسیر تبدیل یک مدل به اکوسیستم کاری
6. ۵. چرا نام این مدل «Claude» است؟ روایت قطعی و روایت مشهور
7. ۶. خانواده مدل‌های Claude در سال ۲۰۲۶؛ Haiku، Sonnet، Opus، Fable و Mythos
8. ۷. چگونه مدل مناسب را انتخاب کنیم؟ یک راهنمای عملی به‌جای انتخاب احساسی
9. ۸. پنجره زمینه چیست و چرا یک میلیون توکن اهمیت دارد؟
10. ۹. Extended Thinking و Adaptive Thinking؛ وقتی Claude برای سؤال دشوارتر بیشتر محاسبه می‌کند
11. ۱۰. Artifacts؛ خروجی را فقط نخوانید، آن را ببینید و ویرایش کنید
12. ۱۱. Projects؛ هر پروژه یک حافظه و پایگاه دانش مستقل
13. ۱۲. Memory؛ وقتی Claude لازم نیست هر بار شما را از اول بشناسد
14. ۱۳. جست‌وجوی وب و تحقیق عمیق؛ عبور از محدودیت دانش آموزشی
15. ۱۴. Claude Code؛ از گفت‌وگو درباره کد تا کار روی مخزن واقعی
16. ۱۵. Claude Cowork؛ Claude Code برای کارهای غیرکدنویسی
17. ۱۶. Model Context Protocol یا MCP؛ درگاه استاندارد اتصال هوش مصنوعی به ابزارها
18. ۱۷. Computer Use و Claude for Chrome؛ وقتی مدل با رابط کاربری کار می‌کند
19. ۱۸. ایجاد و ویرایش فایل؛ از پاسخ متنی تا خروجی آماده استفاده
20. ۱۹. Skills؛ آموزش فرایندهای تکراری به Claude
21. ۲۰. Claude برای اکسل، مایکروسافت ۳۶۵ و کارهای سازمانی
22. ۲۱. Claude Design، Claude Science و محصولات تخصصی‌تر
23. ۲۲. Claude چه کارهایی را در دنیای واقعی بهتر انجام می‌دهد؟
24. ۲۳. چگونه برای Claude پرامپت حرفه‌ای بنویسیم؟ چارچوبی که تقریباً همیشه جواب می‌دهد
25. ۲۴. برای پروژه‌های بزرگ، Claude را چگونه هدایت کنیم؟
26. ۲۵. بایدهای استفاده حرفه‌ای از Claude
27. ۲۶. نبایدهای مهم؛ اشتباهاتی که می‌توانند پرهزینه باشند
28. ۲۷. امنیت، حریم خصوصی و مدیریت دسترسی
29. ۲۸. محدودیت‌های واقعی Claude که نباید فراموش شوند
30. ۲۹. آیا Claude می‌تواند تصویر یا ویدیو تولید کند؟ پاسخ دقیق‌تر از یک «بله» یا «خیر»
31. ۳۰. پلن‌های Claude؛ Free، Pro، Max، Team و Enterprise
32. ۳۱. پرسش‌های پرتکرار درباره Claude AI
33. ۳۲. آینده Claude به کدام سمت می‌رود؟
34. ۳۳. جمع‌بندی نهایی؛ Claude را چگونه باید دید؟
35. منابع رسمی منتخب

مقدمه: Claude دیگر فقط یک پنجره چت نیست

چند سال پیش، وقتی نام Claude AI مطرح می‌شد، بسیاری از کاربران آن را صرفاً یک چت‌بات دیگر در کنار ChatGPT، Gemini و سایر ابزارهای هوش مصنوعی می‌دانستند. اما این تصویر دیگر کامل نیست. Claude امروز فقط برای پاسخ دادن به سؤال‌ها ساخته نشده است؛ می‌تواند اسناد طولانی را بررسی کند، روی فایل‌های واقعی کار کند، کد بنویسد و اصلاح کند، به سرویس‌های بیرونی متصل شود، در مرورگر و محیط دسکتاپ وظایف چندمرحله‌ای انجام دهد، فایل‌های کاری تولید کند و در برخی محیط‌ها مانند یک همکار دیجیتال، بخشی از یک پروژه را از ابتدا تا پایان پیش ببرد.

کاربری که Claude را تنها برای نوشتن یک متن کوتاه یا خلاصه‌کردن چند پاراگراف استفاده می‌کند، معمولاً فقط بخش کوچکی از ظرفیت واقعی این اکوسیستم را می‌بیند. قابلیت‌هایی مانند Projects، Artifacts، Memory، Claude Code، Cowork، اتصال‌های مبتنی بر MCP، جست‌وجوی وب، تولید و ویرایش فایل، استفاده از ابزارها و مدل‌های تخصصی‌تر، Claude را از یک چت‌بات ساده به یک محیط کاری چندمنظوره تبدیل کرده‌اند.

این مقاله یک معرفی سطحی نیست. در ادامه، Claude را از پایه می‌شناسیم، تاریخچه آن را مرور می‌کنیم، تفاوت خانواده‌های مختلف مدل را توضیح می‌دهیم، ابزارهای اصلی را بررسی می‌کنیم، کاربردهای واقعی را می‌بینیم، روش صحیح پرامپت‌نویسی را یاد می‌گیریم و در پایان، محدودیت‌ها، ملاحظات امنیتی و مسیر احتمالی آینده آن را تحلیل می‌کنیم.

۱. Claude AI دقیقاً چیست و چه تفاوتی با یک چت‌بات معمولی دارد؟

Claude نام خانواده‌ای از مدل‌های هوش مصنوعی و همچنین مجموعه‌ای از محصولات نرم‌افزاری شرکت Anthropic است. این خانواده در اصل بر پایه مدل‌های زبانی بزرگ ساخته شده، اما کاربرد آن فقط به تولید متن محدود نمی‌شود. مدل‌های جدید Claude می‌توانند متن، تصویر، نمودار، اسناد، کد و داده‌های ساختاریافته را درک کنند و در صورت اتصال به ابزارهای مناسب، روی فایل‌ها و سرویس‌های واقعی نیز عمل انجام دهند.

در ساده‌ترین حالت، Claude مانند یک دستیار مکالمه‌ای کار می‌کند: کاربر درخواستش را می‌نویسد و مدل پاسخ می‌دهد. اما در سطح پیشرفته‌تر، Claude می‌تواند:

• چندین سند یا فایل را هم‌زمان تحلیل کند؛
• اطلاعات پراکنده را کنار هم قرار دهد و نتیجه‌گیری ساختاریافته ارائه دهد؛
• کد موجود را بخواند، باگ پیدا کند و فایل‌های پروژه را تغییر دهد؛
• با استفاده از جست‌وجوی وب، اطلاعات به‌روز و دارای منبع پیدا کند؛
• در قالب Artifact یک صفحه وب، نمودار، ابزار تعاملی یا سند قابل ویرایش بسازد؛
• با کمک اتصال‌ها و MCP به سرویس‌هایی مانند گیت‌هاب، گوگل‌درایو، اسلک، ایمیل، تقویم یا پایگاه داده دسترسی پیدا کند؛
• در Cowork یا Claude Code وظایف طولانی‌تر و چندمرحله‌ای را دنبال کند؛
• فایل‌هایی مانند صفحه گسترده، سند متنی، ارائه و PDF ایجاد یا ویرایش کند.

بنابراین بهتر است Claude را نه صرفاً یک «ربات پاسخ‌گو»، بلکه یک لایه هوشمند برای فهم اطلاعات، تولید خروجی و اجرای بخشی از کارهای دیجیتال در نظر بگیریم.

ساخت و ویرایش تصویر با هوش مصنوعی همین حالا ایده‌تان را در استودیو پندید اجرا کنید ورود به استودیو ←

۲. شرکت Anthropic؛ سازنده Claude چه فلسفه‌ای دارد؟

Anthropic در سال ۲۰۲۱ تأسیس شد. شماری از بنیان‌گذاران و پژوهشگران اولیه آن سابقه فعالیت در OpenAI داشتند. از چهره‌های اصلی شرکت می‌توان به داریو آمودی، مدیرعامل، و دنیلا آمودی، رئیس شرکت، اشاره کرد.

Anthropic از ابتدا تلاش کرد هویت خود را بر سه محور اصلی بنا کند:

نخست، توسعه مدل‌های قدرتمند و رقابت‌پذیر؛

دوم، تحقیق جدی درباره ایمنی، هم‌راستایی و رفتار مدل‌ها؛

سوم، ساخت محصولاتی که بتوانند در محیط واقعی و سازمانی استفاده شوند.

این شرکت خود را یک Public Benefit Corporation معرفی می‌کند؛ یعنی ساختار حقوقی آن فقط بر سود مالی متمرکز نیست و در اسناد رسمی، توسعه مسئولانه هوش مصنوعی را نیز بخشی از مأموریت خود می‌داند.

تمرکز Anthropic بر ایمنی به این معنا نیست که Claude هرگز اشتباه نمی‌کند یا استفاده از آن بدون ریسک است. بلکه نشان می‌دهد شرکت از همان ابتدا، کنترل رفتار مدل، ارزیابی خطرها، مقاومت در برابر سوءاستفاده و قابل‌پیش‌بینی‌تر کردن پاسخ‌ها را بخشی از فرایند توسعه دانسته است.

۳. Constitutional AI چیست و چرا برای شناخت Claude مهم است؟

یکی از مهم‌ترین مفاهیمی که با نام Anthropic شناخته می‌شود، Constitutional AI یا «هوش مصنوعی قانون‌اساسی‌محور» است.

در روش‌های متداول آموزش مدل‌های زبانی، انسان‌ها نمونه پاسخ‌های خوب و بد را ارزیابی می‌کنند و از این بازخورد برای اصلاح رفتار مدل استفاده می‌شود. این رویکرد معمولاً با نام RLHF یا یادگیری تقویتی از بازخورد انسانی شناخته می‌شود.

Constitutional AI یک لایه دیگر به این فرایند اضافه می‌کند. در این روش، مجموعه‌ای از اصول و قواعد به مدل داده می‌شود تا پاسخ خود را براساس آن‌ها نقد، اصلاح و مقایسه کند. به‌طور ساده، مدل فقط یاد نمی‌گیرد که «این پاسخ مورد پسند ارزیاب انسانی بود»، بلکه با اصولی روبه‌رو می‌شود که قرار است رفتار آن را در موقعیت‌های مختلف هدایت کنند.

فرایند کلی می‌تواند شامل این مراحل باشد:

۱. مدل یک پاسخ اولیه تولید می‌کند.

۲. پاسخ خود را براساس مجموعه‌ای از اصول نقد می‌کند.

۳. نسخه اصلاح‌شده‌ای می‌نویسد.

۴. از نمونه‌های بهتر برای آموزش بیشتر استفاده می‌شود.

۵. مدل‌های ارزیاب می‌توانند میان پاسخ‌ها مقایسه انجام دهند.

هدف این روش، ساخت مدلی است که مفید، صادق و کم‌خطرتر باشد، بدون آن‌که برای هر موقعیت ممکن به برچسب‌گذاری مستقیم انسان نیاز باشد.

البته Constitutional AI یک راه‌حل جادویی و کامل نیست. مدل همچنان ممکن است پاسخ نادرست، ناقص، بیش‌ازحد محتاطانه یا حتی گمراه‌کننده ارائه کند. اما این رویکرد توضیح می‌دهد که چرا لحن Claude در بسیاری از موقعیت‌ها با تأکید بر احتیاط، شفاف‌سازی عدم قطعیت و توجه به پیامدهای درخواست شکل گرفته است.

۴. تاریخچه Claude از سال ۲۰۲۱ تا ۲۰۲۶؛ مسیر تبدیل یک مدل به اکوسیستم کاری

برای درک جایگاه فعلی Claude، باید مسیر رشد آن را مرحله‌به‌مرحله مرور کنیم.

۴.۱. سال‌های ۲۰۲۱ و ۲۰۲۲؛ شکل‌گیری Anthropic و پژوهش‌های ایمنی

در این دوره، تمرکز اصلی Anthropic بیشتر پژوهشی بود. شرکت روی روش‌های آموزش مدل‌های مفید و کم‌خطر، ارزیابی رفتار مدل‌ها، RLHF، Constitutional AI و آزمون‌های ایمنی کار می‌کرد. مقاله Constitutional AI در دسامبر ۲۰۲۲ منتشر شد و یکی از پایه‌های هویت فنی Anthropic را شکل داد.

۴.۲. سال ۲۰۲۳؛ ورود Claude به بازار عمومی

در مارس ۲۰۲۳، Claude به‌صورت عمومی‌تر معرفی شد. نسخه‌های اولیه توجه زیادی را به‌دلیل توانایی کار با متن‌های طولانی جلب کردند. در همان سال، Claude 2 و بعد Claude 2.1 عرضه شدند و ظرفیت پنجره زمینه به ۲۰۰ هزار توکن رسید.

در آن زمان، داشتن چنین زمینه بزرگی اهمیت زیادی داشت؛ زیرا کاربر می‌توانست گزارش‌ها، قراردادها، مقالات یا مجموعه بزرگی از متن را در یک مکالمه وارد کند و از مدل بخواهد ارتباط میان بخش‌های مختلف را حفظ کند.

۴.۳. سال ۲۰۲۴؛ تولد خانواده Haiku، Sonnet و Opus

در مارس ۲۰۲۴، Claude 3 معرفی شد و ساختار سه‌رده‌ای Haiku، Sonnet و Opus را تثبیت کرد.

Haiku برای سرعت و هزینه کمتر طراحی شد.

Sonnet تعادل میان قدرت، سرعت و هزینه را هدف گرفت.

Opus برای کارهای سنگین‌تر و استدلال پیچیده‌تر در نظر گرفته شد.

Claude 3 همچنین توانایی درک تصویر را به شکل جدی‌تری وارد خانواده مدل‌ها کرد. از آن پس، کاربر می‌توانست نمودار، اسکرین‌شات، تصویر سند، رابط کاربری یا عکس حاوی اطلاعات را به مدل بدهد و درباره آن سؤال بپرسد.

در ژوئن ۲۰۲۴، Claude 3.5 Sonnet معرفی شد و به‌دلیل توانایی بالا در کدنویسی، تحلیل و کارهای بصری توجه زیادی گرفت. در همان دوره، Artifacts نیز معرفی شد؛ قابلیتی که خروجی‌های قابل مشاهده و ویرایش را در پنلی جدا از چت نمایش می‌داد.

در اکتبر ۲۰۲۴، نسخه جدید Claude 3.5 Sonnet همراه با Computer Use معرفی شد. این قابلیت به مدل اجازه می‌داد با مشاهده صفحه، کلیک‌کردن، تایپ و حرکت در رابط‌های نرم‌افزاری، وظایف مشخصی را انجام دهد.

در ۲۵ نوامبر ۲۰۲۴، Anthropic استاندارد Model Context Protocol یا MCP را متن‌باز کرد. MCP بعدها به یکی از مهم‌ترین استانداردهای اتصال مدل‌های هوش مصنوعی به داده‌ها و ابزارهای بیرونی تبدیل شد.

۴.۴. سال ۲۰۲۵؛ ظهور استدلال ترکیبی و Claude Code

در ۲۴ فوریه ۲۰۲۵، Claude 3.7 Sonnet معرفی شد. Anthropic آن را یک مدل Hybrid Reasoning نامید؛ یعنی مدلی که می‌توانست هم سریع پاسخ دهد و هم برای مسائل دشوارتر، زمان و محاسبه بیشتری صرف کند.

هم‌زمان، Claude Code به‌صورت پیش‌نمایش پژوهشی معرفی شد. Claude Code یک ابزار خط فرمان بود که به توسعه‌دهنده اجازه می‌داد مدل را مستقیماً وارد محیط واقعی کدنویسی کند. برخلاف چت معمولی، Claude Code می‌توانست فایل‌های مخزن را بخواند، تغییر ایجاد کند، تست اجرا کند و با Git تعامل داشته باشد.

در مارس ۲۰۲۵، جست‌وجوی وب Claude معرفی شد و در ماه مه همان سال برای همه پلن‌ها در دسترس قرار گرفت. این قابلیت فاصله میان دانش آموزش‌دیده مدل و اطلاعات روز را کاهش داد.

در ماه مه ۲۰۲۵، Claude 4 شامل Sonnet 4 و Opus 4 معرفی شد. این نسل بر کدنویسی، کارهای agentic، وظایف طولانی و استفاده از ابزارها تمرکز بیشتری داشت.

در ادامه سال ۲۰۲۵، محصولات و قابلیت‌های دیگری مانند مدل‌های 4.5، Skills، ایجاد فایل، اتصال‌های سازمانی، کار با اکسل و محیط‌های مایکروسافت توسعه یافتند. در دسامبر ۲۰۲۵ نیز MCP به بنیاد Agentic AI Foundation زیرمجموعه Linux Foundation اهدا شد تا مسیر آن به‌عنوان استانداردی باز و فروشنده‌خنثی ادامه یابد.

۴.۵. سال ۲۰۲۶؛ Claude به یک مجموعه کامل از همکاران تخصصی تبدیل می‌شود

در سال ۲۰۲۶، سرعت توسعه محصولات Anthropic به‌طور محسوسی افزایش یافت.

Claude Cowork به‌عنوان محیط agentic برای کارهای دانشی و اداری گسترش یافت. مدل‌های Opus 4.6، Sonnet 4.6، Opus 4.7 و Opus 4.8 عرضه شدند. پنجره زمینه یک میلیون توکنی برای برخی مدل‌ها به حالت عمومی رسید. محصولات آزمایشی و تخصصی مانند Claude Design، Claude Science و Claude Tag نیز معرفی شدند.

در آوریل ۲۰۲۶، Anthropic مدل Claude Mythos Preview را در چارچوب Project Glasswing و با دسترسی محدود آزمایش کرد. Mythos به‌عنوان رده‌ای بالاتر از Opus مطرح شد.

در ۹ ژوئن ۲۰۲۶، Claude Fable 5 و Claude Mythos 5 معرفی شدند. Fable 5 یک مدل از کلاس Mythos بود که با محافظت‌های بیشتر برای عرضه گسترده‌تر آماده شده بود، درحالی‌که Mythos 5 همچنان دسترسی محدودتری داشت.

در ۱۲ ژوئن، یک دستور دولتی آمریکا باعث تعلیق دسترسی به Fable 5 و Mythos 5 شد. این محدودیت در ۳۰ ژوئن برداشته شد و Fable 5 از اول ژوئیه دوباره به‌طور جهانی در محصولات Claude در دسترس قرار گرفت.

در ۳۰ ژوئن ۲۰۲۶، Claude Sonnet 5 نیز معرفی شد. Sonnet 5 به‌عنوان مدل عمومی جدید با تمرکز بر ترکیب سرعت، توانایی، کدنویسی، کار agentic و کارهای حرفه‌ای عرضه شد و در پلن‌های Free و Pro به مدل پیش‌فرض تبدیل شد.

ساخت و ویرایش تصویر با هوش مصنوعی همین حالا ایده‌تان را در استودیو پندید اجرا کنید ورود به استودیو ←

۵. چرا نام این مدل «Claude» است؟ روایت قطعی و روایت مشهور

سال‌هاست گفته می‌شود نام Claude اشاره‌ای به Claude Shannon، ریاضی‌دان و بنیان‌گذار نظریه اطلاعات، دارد. این ارتباط از نظر مفهومی منطقی به نظر می‌رسد؛ زیرا نظریه اطلاعات یکی از پایه‌های علوم کامپیوتر، ارتباطات دیجیتال و پردازش داده است.

بااین‌حال، بهتر است این موضوع را با دقت بیان کنیم. Anthropic در یک بیانیه رسمی و صریح نگفته است که نام Claude تنها و قطعاً برای بزرگداشت Claude Shannon انتخاب شده است. گزارش‌های رسانه‌ای جدیدتر از «روایت درون‌شرکتی» یا company lore صحبت می‌کنند که براساس آن، نام Claude تا حدی به Claude Shannon اشاره دارد و درعین‌حال نامی دوستانه و انسانی به نظر می‌رسد.

بنابراین عبارت دقیق‌تر این است:

«رایج‌ترین و معتبرترین روایت این است که نام Claude تا حدی از Claude Shannon الهام گرفته شده، اما این موضوع سال‌ها به‌صورت یک توضیح رسمی و کامل از سوی Anthropic منتشر نشده بود.»

۶. خانواده مدل‌های Claude در سال ۲۰۲۶؛ Haiku، Sonnet، Opus، Fable و Mythos

یکی از مهم‌ترین نکات در استفاده حرفه‌ای از Claude، شناخت تفاوت مدل‌ها است. انتخاب مدل اشتباه می‌تواند باعث هزینه بیشتر، پاسخ کندتر یا کیفیت نامتناسب شود.

۶.۱. Haiku؛ سریع، سبک و مناسب کارهای پرتعداد

Haiku سبک‌ترین خانواده سنتی Claude است. این رده برای موقعیت‌هایی مناسب است که سرعت، تعداد درخواست بالا و هزینه کمتر اهمیت بیشتری از استدلال بسیار عمیق دارند.

نمونه کاربردهای مناسب Haiku:

• دسته‌بندی پیام‌ها و تیکت‌ها؛
• استخراج نام، تاریخ، شماره سفارش یا داده مشخص از متن؛
• تولید پاسخ‌های کوتاه و استاندارد؛
• خلاصه‌سازی ساده؛
• پردازش حجم زیادی از ورودی‌های مشابه؛
• تشخیص موضوع یا احساس متن؛
• اتوماسیون‌های کم‌ریسک و تکراری.

Haiku لزوماً برای معماری پیچیده نرم‌افزار، تحلیل حقوقی عمیق یا پروژه‌های چندساعته بهترین انتخاب نیست، اما در مقیاس بالا می‌تواند بسیار اقتصادی باشد.

۶.۲. Sonnet؛ انتخاب متعادل برای بیشتر کاربران

Sonnet معمولاً محبوب‌ترین رده Claude است؛ زیرا تعادل خوبی میان قدرت، سرعت، هزینه و کیفیت ایجاد می‌کند.

Sonnet برای این کارها مناسب است:

• نویسندگی و ویرایش حرفه‌ای؛
• برنامه‌نویسی روزمره؛
• تحلیل سند و داده؛
• طراحی ساختار پروژه؛
• تحقیق و جست‌وجوی چندمرحله‌ای؛
• تولید فایل و ارائه؛
• کارهای agentic با پیچیدگی متوسط تا بالا؛
• استفاده در محصولات عمومی و سازمانی.

در وضعیت ۴ ژوئیه ۲۰۲۶، Sonnet 5 جدیدترین مدل Sonnet است. این مدل یک پنجره زمینه یک میلیون توکنی و خروجی بسیار بلند را در API پشتیبانی می‌کند و برای بسیاری از کاربران، بهترین نقطه شروع محسوب می‌شود.

۶.۳. Opus؛ برای پروژه‌های دشوار، حساس و چندمرحله‌ای

Opus در خانواده کلاسیک Claude برای کارهایی طراحی شده که به استدلال عمیق‌تر، قضاوت بهتر و پایداری در وظایف طولانی نیاز دارند.

نمونه‌ها:

• معماری نرم‌افزارهای بزرگ؛
• تحلیل چند سند پیچیده و متعارض؛
• پژوهش‌های چندمرحله‌ای؛
• کدنویسی سنگین و اصلاح کد در مقیاس مخزن؛
• کارهای حقوقی، مالی یا سازمانی با نظارت انسانی؛
• طراحی و ارزیابی سیستم‌های agentic؛
• بررسی سناریوهای مبهم و نیازمند قضاوت.

در میانه سال ۲۰۲۶، Opus 4.8 مدل اصلی این رده بود. این مدل برای کارهای agentic، کدنویسی و محیط‌های سازمانی تقویت شده و از زمینه یک میلیون توکنی پشتیبانی می‌کند.

۶.۴. Mythos؛ رده‌ای فراتر از Opus با دسترسی کنترل‌شده

Mythos نام یک کلاس جدید از مدل‌های Claude است که Anthropic آن را بالاتر از Opus از نظر توانایی معرفی کرده است. نخستین نمونه، Mythos Preview بود که در چارچوب Project Glasswing و با تمرکز ویژه بر قابلیت‌ها و خطرهای امنیت سایبری آزمایش شد.

Mythos را نباید یک مدل عمومی عادی مانند Sonnet تصور کرد. دسترسی به آن کنترل‌شده‌تر است و به‌دلیل سطح توانایی، محافظت‌های اضافی و ارزیابی‌های خاص برای آن در نظر گرفته می‌شود.

۶.۵. Fable؛ توانایی کلاس Mythos برای عرضه گسترده‌تر

Fable 5 از نظر کلاس توانایی، در خانواده Mythos قرار می‌گیرد، اما Anthropic آن را با لایه‌های ایمنی و محافظت‌هایی طراحی کرده که امکان عرضه گسترده‌تر را فراهم می‌کند.

این نکته مهم است: Fable یک رده پایین‌تر از Mythos نیست. Fable 5 یک مدل Mythos-class است که برای استفاده عمومی‌تر آماده شده است. در ابتدای ژوئیه ۲۰۲۶، Fable 5 یکی از قوی‌ترین مدل‌های Claude با دسترسی گسترده محسوب می‌شود.

۷. چگونه مدل مناسب را انتخاب کنیم؟ یک راهنمای عملی به‌جای انتخاب احساسی

مدل قوی‌تر همیشه انتخاب بهتر نیست. انتخاب باید براساس نوع کار، حساسیت، بودجه، سرعت و حجم استفاده انجام شود.

برای انتخاب، این پنج سؤال را بپرسید:

۱. کار من چقدر پیچیده است؟

اگر فقط استخراج چند فیلد یا خلاصه کوتاه می‌خواهید، مدل سبک کافی است. اگر مسئله چندلایه، مبهم یا طولانی است، Sonnet یا Opus مناسب‌تر خواهد بود.

۲. اشتباه چقدر هزینه دارد؟

برای یک کپشن غیرحساس، خطا قابل اصلاح است. برای تحلیل قرارداد، کد production یا گزارش مالی، باید مدل قوی‌تر، منبع معتبر و بازبینی انسانی در نظر گرفته شود.

۳. چند بار این درخواست تکرار می‌شود؟

در یک سیستم با هزاران درخواست روزانه، اختلاف هزینه کوچک می‌تواند بسیار مهم باشد. گاهی بهتر است مرحله اول با Haiku انجام شود و فقط موارد پیچیده به Sonnet یا Opus فرستاده شوند.

۴. سرعت مهم‌تر است یا عمق؟

برای پشتیبانی زنده، تأخیر کم اهمیت دارد. برای طراحی معماری یک سامانه، چند ثانیه یا چند دقیقه بیشتر ممکن است ارزش کیفیت بالاتر را داشته باشد.

۵. آیا مدل باید ابزار استفاده کند یا فقط پاسخ متنی بدهد؟

کارهای agentic و چندمرحله‌ای معمولاً از مدل‌های قوی‌تر سود بیشتری می‌برند؛ زیرا مدل باید برنامه‌ریزی کند، ابزار مناسب را انتخاب کند، خطا را تشخیص دهد و کار را ادامه دهد.

قاعده پیشنهادی:

• Haiku برای کارهای سریع، پرتعداد و کم‌ریسک؛
• Sonnet برای بیشتر کارهای روزمره و حرفه‌ای؛
• Opus برای پروژه‌های دشوار، حساس و طولانی؛
• Fable برای وظایف بسیار پیشرفته‌ای که دسترسی به آن فراهم است؛
• Mythos برای محیط‌های محدود و پروژه‌های تأییدشده خاص.

ساخت و ویرایش تصویر با هوش مصنوعی همین حالا ایده‌تان را در استودیو پندید اجرا کنید ورود به استودیو ←

۸. پنجره زمینه چیست و چرا یک میلیون توکن اهمیت دارد؟

پنجره زمینه یا Context Window مقدار اطلاعاتی است که مدل می‌تواند در یک درخواست یا نشست در نظر بگیرد. این اطلاعات می‌تواند شامل پیام‌های قبلی، اسناد، کد، نتایج ابزارها و دستورالعمل‌ها باشد.

هرچه پنجره زمینه بزرگ‌تر باشد، مدل می‌تواند حجم بیشتری از اطلاعات را هم‌زمان ببیند. اما بزرگ‌بودن زمینه به‌تنهایی تضمین نمی‌کند که مدل همه جزئیات را با دقت یکسان به یاد بسپارد یا بهترین نتیجه را ارائه دهد.

در سال ۲۰۲۶، برخی مدل‌های جدید Claude مانند Sonnet 5، Opus 4.8، Fable 5 و Mythos 5 از پنجره زمینه یک میلیون توکنی پشتیبانی می‌کنند. این ظرفیت برای کارهایی مانند موارد زیر بسیار مهم است:

• تحلیل یک مخزن کد بزرگ؛
• بررسی صدها سند یا تعداد زیادی صفحه PDF؛
• مقایسه نسخه‌های متعدد یک قرارداد؛
• تحقیق روی مجموعه عظیمی از گزارش‌ها؛
• حفظ زمینه در یک فرایند agentic طولانی؛
• استخراج الگو از تاریخچه گسترده پروژه.

بااین‌حال، چند نکته را باید در نظر گرفت:

نخست، واردکردن اطلاعات بیشتر همیشه بهتر نیست. داده اضافی و بی‌ربط می‌تواند مدل را منحرف کند.

دوم، ساختاردهی اطلاعات اهمیت زیادی دارد. فایل‌های نام‌گذاری‌شده، دستورالعمل روشن و خلاصه‌های مرحله‌ای نتیجه را بهتر می‌کنند.

سوم، زمینه بسیار بزرگ می‌تواند هزینه و زمان پردازش را افزایش دهد.

چهارم، بهتر است برای پروژه‌های طولانی از Projects، Memory، فایل‌های مرجع و خلاصه‌های به‌روز استفاده شود، نه این‌که هر بار همه‌چیز بدون نظم وارد شود.

۹. Extended Thinking و Adaptive Thinking؛ وقتی Claude برای سؤال دشوارتر بیشتر محاسبه می‌کند

Claude 3.7 Sonnet مفهوم پاسخ سریع در کنار تفکر طولانی‌تر را به‌صورت عمومی مطرح کرد. در نسل‌های بعدی، این ایده تکامل یافت و با تنظیماتی مانند effort و Adaptive Thinking انعطاف‌پذیرتر شد.

در عمل، همه درخواست‌ها به یک میزان محاسبه نیاز ندارند. نوشتن یک عنوان کوتاه با حل یک مسئله پیچیده برنامه‌نویسی یکسان نیست. مدل‌های جدید می‌توانند بسته به تنظیمات و نوع مسئله، مقدار بیشتری از منابع خود را به برنامه‌ریزی، بررسی و حل مسئله اختصاص دهند.

برای کاربر، نتیجه مهم‌تر از مشاهده تفکر خصوصی مدل است. به‌جای درخواست «تمام افکار درونی‌ات را نشان بده»، بهتر است بخواهید:

• فرضیات را شفاف کند؛
• مراحل اجرایی را توضیح دهد؛
• معیارهای تصمیم‌گیری را بنویسد؛
• عدم قطعیت‌ها را مشخص کند؛
• نتیجه را با داده یا آزمون بررسی کند؛
• یک خلاصه قابل ممیزی از دلایل ارائه دهد.

این روش هم خروجی قابل اعتمادتر می‌سازد و هم شما را درگیر جزئیات غیرضروری یا غیرقابل‌اتکا نمی‌کند.

۱۰. Artifacts؛ خروجی را فقط نخوانید، آن را ببینید و ویرایش کنید

Artifacts یکی از مهم‌ترین تفاوت‌های تجربه Claude با یک چت ساده است. وقتی Claude تشخیص دهد خروجی بهتر است در فضایی جدا نمایش داده شود، می‌تواند آن را به‌صورت Artifact بسازد.

Artifact می‌تواند شامل این موارد باشد:

• کد؛
• سند متنی؛
• صفحه HTML؛
• نمودار؛
• رابط کاربری؛
• برنامه کوچک تعاملی؛
• SVG؛
• جدول یا گزارش ساختاریافته؛
• محتوای قابل اشتراک.

مزیت اصلی Artifacts این است که خروجی از میان پیام‌های طولانی چت جدا می‌شود. کاربر می‌تواند نسخه فعلی را ببیند، از Claude بخواهد بخش خاصی را تغییر دهد و نتیجه را بدون کپی‌کردن مداوم بررسی کند.

برای مثال، به‌جای گفتن «یک صفحه فرود پیشنهاد بده»، می‌توانید بنویسید:

«یک صفحه فرود واکنش‌گرا به‌صورت Artifact بساز. ساختار شامل بخش قهرمان، مزایا، نمونه کار، قیمت‌گذاری و پرسش‌های پرتکرار باشد. متن فارسی و راست‌چین باشد و کد در یک فایل HTML قابل اجرا قرار بگیرد.»

در این حالت، Claude می‌تواند چیزی قابل مشاهده و آزمایش تولید کند، نه فقط یک توضیح نظری.

۱۱. Projects؛ هر پروژه یک حافظه و پایگاه دانش مستقل

Projects برای کارهایی ساخته شده که یک گفت‌وگوی کوتاه نیستند. هر Project می‌تواند تاریخچه چت، فایل‌ها، دستورالعمل‌ها و پایگاه دانش مخصوص خود را داشته باشد.

مثلاً برای یک کسب‌وکار می‌توان پروژه‌های جدا ساخت:

• پروژه تولید محتوای برند؛
• پروژه توسعه اپلیکیشن؛
• پروژه تحلیل مالی؛
• پروژه پشتیبانی مشتریان؛
• پروژه تحقیق بازار؛
• پروژه نگارش کتاب یا پایان‌نامه.

در هر پروژه می‌توانید اسناد پایه را قرار دهید؛ مانند لحن برند، توضیح محصول، فایل‌های فنی، قوانین نگارشی، قراردادها یا داده‌های مرجع. سپس چت‌های جدید در همان فضای کاری با زمینه مناسب آغاز می‌شوند.

در سال ۲۰۲۶، Projects برای همه کاربران در دسترس است و کاربران رایگان نیز می‌توانند تعداد محدودی پروژه ایجاد کنند.

برای استفاده حرفه‌ای، بهتر است در ابتدای هر Project یک فایل «راهنمای پروژه» داشته باشید که شامل این موارد باشد:

• هدف پروژه؛
• مخاطب؛
• محدودیت‌ها؛
• اصطلاحات ثابت؛
• لحن مورد انتظار؛
• منابع معتبر؛
• چیزهایی که نباید تغییر کنند؛
• فرمت خروجی‌های استاندارد.

۱۲. Memory؛ وقتی Claude لازم نیست هر بار شما را از اول بشناسد

Memory به Claude اجازه می‌دهد براساس تاریخچه مکالمات، برخی اطلاعات پایدار و مفید را برای همکاری‌های بعدی نگه دارد. تا ژوئن ۲۰۲۶، حافظه مبتنی بر تاریخچه چت برای همه کاربران Claude، شامل Free، Pro، Max، Team و Enterprise، در وب، دسکتاپ و موبایل در دسترس قرار گرفت.

حافظه می‌تواند برای این موارد مفید باشد:

• ترجیح لحن رسمی یا دوستانه؛
• نوع کسب‌وکار؛
• پروژه‌های درحال انجام؛
• ابزارهای فنی مورد استفاده؛
• محدودیت‌های همیشگی؛
• روش دلخواه ارائه پاسخ؛
• اطلاعاتی که مرتباً تکرار می‌شوند.

اما حافظه باید مدیریت شود. ممکن است اطلاعات قدیمی شود یا برداشت مدل دقیق نباشد. بنابراین بهتر است دوره‌ای حافظه را بررسی، اصلاح یا حذف کنید.

همچنین نباید حافظه را جایگزین مستندسازی پروژه بدانید. اطلاعات حیاتی باید در فایل‌ها، سیستم مدیریت پروژه یا اسناد رسمی نگهداری شوند. حافظه برای شخصی‌سازی و کاهش تکرار مفید است، نه برای نگهداری امن و قطعی داده‌های حساس.

۱۳. جست‌وجوی وب و تحقیق عمیق؛ عبور از محدودیت دانش آموزشی

مدل زبانی به‌تنهایی همیشه از رویدادهای جدید، قیمت‌های فعلی، قوانین تازه، نسخه جدید نرم‌افزارها یا اخبار روز اطلاع ندارد. جست‌وجوی وب این مشکل را تا حدی حل می‌کند.

وقتی Web Search فعال باشد، Claude می‌تواند:

• اطلاعات تازه پیدا کند؛
• چند منبع را مقایسه کند؛
• به صفحات اصلی مراجعه کند؛
• پاسخ خود را با ارجاع به منبع ارائه دهد؛
• درباره اخبار، محصولات، پژوهش‌ها و تغییرات جدید تحقیق کند.

برای نتیجه بهتر، درخواست باید دقیق باشد. به‌جای این‌که بگویید «درباره این شرکت تحقیق کن»، بهتر است بنویسید:

«وضعیت این شرکت را تا امروز بررسی کن. منابع رسمی، گزارش‌های مالی و دو رسانه معتبر را مقایسه کن. تاریخ انتشار هر منبع را بررسی کن و اگر اطلاعات متناقض بود، اختلاف را توضیح بده.»

حتی با جست‌وجوی وب نیز راستی‌آزمایی مهم است. منبع ضعیف، تاریخ قدیمی یا برداشت نادرست می‌تواند به نتیجه اشتباه منجر شود. برای موضوعات حساس، اولویت را به منابع رسمی، اسناد اصلی و داده‌های قابل بررسی بدهید.

۱۴. Claude Code؛ از گفت‌وگو درباره کد تا کار روی مخزن واقعی

Claude Code یکی از مهم‌ترین محصولات Anthropic برای توسعه‌دهندگان است. این ابزار در ترمینال و محیط‌های توسعه اجرا می‌شود و می‌تواند مستقیماً با پروژه واقعی کار کند.

قابلیت‌های معمول Claude Code شامل این موارد است:

• خواندن ساختار مخزن؛
• جست‌وجو در فایل‌ها؛
• توضیح معماری پروژه؛
• پیدا کردن باگ؛
• ایجاد یا ویرایش فایل؛
• اجرای تست؛
• اجرای دستورات خط فرمان؛
• بررسی خطاهای build؛
• نوشتن migration؛
• بازآرایی کد؛
• ساخت feature؛
• کمک در Git و Pull Request؛
• هماهنگی چند عامل یا subagent در برخی قابلیت‌های پیشرفته.

تفاوت Claude Code با کپی‌کردن کد در چت بسیار مهم است. در چت، مدل فقط بخش‌هایی را می‌بیند که شما ارسال کرده‌اید. در Claude Code، مدل می‌تواند با اجازه کاربر، ساختار واقعی پروژه و ارتباط فایل‌ها را بررسی کند.

برای استفاده امن:

• ابتدا در یک branch جدا کار کنید؛
• دسترسی‌ها را محدود نگه دارید؛
• تغییرات را قبل از commit بررسی کنید؛
• تست‌ها را اجرا کنید؛
• secrets و کلیدها را از دسترس غیرضروری دور نگه دارید؛
• برای عملیات مخرب یا production تأیید انسانی اجباری داشته باشید.

Claude Code می‌تواند سرعت توسعه را بالا ببرد، اما مسئولیت نهایی کد همچنان با تیم انسانی است.

۱۵. Claude Cowork؛ Claude Code برای کارهای غیرکدنویسی

Cowork یک محیط agentic برای کارهای دانشی و اداری است. می‌توان آن را تا حدی معادل Claude Code برای کاربرانی دانست که کار اصلی‌شان برنامه‌نویسی نیست.

Cowork در دسکتاپ اجرا می‌شود و می‌تواند با اجازه کاربر به یک فضای کاری، فایل‌های محلی و برنامه‌های متصل دسترسی داشته باشد. کاربر هدف را مشخص می‌کند و Cowork تلاش می‌کند مراحل لازم را برنامه‌ریزی و اجرا کند.

نمونه وظایف مناسب Cowork:

• جمع‌آوری اطلاعات از چند فایل و ساخت گزارش؛
• تبدیل داده‌ها به صفحه گسترده؛
• ساخت ارائه از روی اسناد؛
• مرتب‌سازی مجموعه فایل‌ها؛
• استخراج اطلاعات از PDFها؛
• آماده‌کردن پیش‌نویس سند؛
• ترکیب داده‌های محلی، ابزارهای ابری و وب؛
• انجام چند کار مرتبط در یک جریان کاری.

تفاوت اصلی Cowork با چت این است که چت بیشتر بر تعامل نوبتی تمرکز دارد، اما Cowork برای واگذاری یک هدف و اجرای چندمرحله‌ای آن طراحی شده است.

بااین‌حال، Cowork نیز نباید بدون مرز به همه فایل‌ها دسترسی داشته باشد. بهترین روش این است که یک پوشه مشخص برای هر کار ایجاد کنید، فقط فایل‌های لازم را در آن بگذارید و قبل از اجرای عملیات حساس، خروجی یا برنامه کار را بررسی کنید.

۱۶. Model Context Protocol یا MCP؛ درگاه استاندارد اتصال هوش مصنوعی به ابزارها

MCP را می‌توان به زبان ساده «USB-C برای برنامه‌های هوش مصنوعی» دانست. همان‌طور که یک استاندارد واحد می‌تواند دستگاه‌های مختلف را متصل کند، MCP نیز روشی استاندارد برای اتصال مدل‌های هوش مصنوعی به داده‌ها، ابزارها و جریان‌های کاری ارائه می‌دهد.

MCP در نوامبر ۲۰۲۴ توسط Anthropic متن‌باز شد و بعدها به یک استاندارد گسترده‌تر در صنعت تبدیل شد.

در معماری MCP معمولاً دو بخش اصلی وجود دارد:

MCP Client: برنامه‌ای مانند Claude Desktop، Claude Code یا یک ابزار هوش مصنوعی دیگر که می‌خواهد از سرویس بیرونی استفاده کند.

MCP Server: سرویسی که منابع، ابزارها یا داده‌ها را به شکلی استاندارد در اختیار Client قرار می‌دهد.

یک MCP Server می‌تواند به این موارد متصل باشد:

• فایل‌های محلی؛
• پایگاه داده؛
• GitHub؛
• Google Drive؛
• Slack؛
• Notion؛
• سیستم CRM؛
• مرورگر؛
• ابزارهای طراحی؛
• سرویس‌های داخلی شرکت.

مزیت MCP این است که توسعه‌دهنده مجبور نیست برای هر مدل و هر ابزار یک اتصال کاملاً اختصاصی بسازد. بااین‌حال، MCP خطرهای امنیتی خاص خود را نیز دارد. یک Server مخرب یا بدپیکربندی‌شده می‌تواند داده حساس را در معرض خطر قرار دهد یا ابزار نامناسبی در اختیار مدل بگذارد.

برای استفاده امن:

• فقط Serverهای معتبر را نصب کنید؛
• مجوزها را حداقلی نگه دارید؛
• کلیدها را در محیط امن ذخیره کنید؛
• عملیات write و delete را کنترل کنید؛
• لاگ و ممیزی داشته باشید؛
• خروجی ابزار را نیز غیرقابل‌اعتماد فرض کنید تا بررسی شود.

۱۷. Computer Use و Claude for Chrome؛ وقتی مدل با رابط کاربری کار می‌کند

Computer Use به Claude اجازه می‌دهد صفحه را ببیند و در محیطی کنترل‌شده با رابط کاربری تعامل کند. این تعامل می‌تواند شامل کلیک، تایپ، اسکرول و حرکت میان صفحات باشد.

Claude for Chrome این مفهوم را به مرورگر نزدیک‌تر می‌کند. کاربردهای احتمالی آن شامل پرکردن فرم، جست‌وجو در سامانه‌های تحت وب، جمع‌آوری داده و اجرای وظایف تکراری است.

اما کنترل مرورگر یکی از حساس‌ترین کاربردهای هوش مصنوعی است. صفحه وب می‌تواند حاوی دستورهای مخرب، محتوای گمراه‌کننده یا Prompt Injection باشد. برای مثال، یک متن مخفی در صفحه ممکن است تلاش کند مدل را متقاعد کند داده محرمانه را ارسال کند یا از دستور کاربر منحرف شود.

بنابراین برای استفاده از عامل مرورگر:

• حساب‌های حساس را جدا نگه دارید؛
• عملیات مالی یا حقوقی را بدون تأیید انجام ندهید؛
• اجازه ارسال نهایی، پرداخت یا حذف را محدود کنید؛
• از محیط آزمایشی استفاده کنید؛
• دامنه‌های مجاز را مشخص کنید؛
• قبل از اقدام نهایی، خلاصه عملیات را بخواهید.

۱۸. ایجاد و ویرایش فایل؛ از پاسخ متنی تا خروجی آماده استفاده

Claude در محصولات جدیدتر می‌تواند فایل‌های کاری ایجاد و ویرایش کند. این قابلیت شامل مواردی مانند:

• فایل اکسل و صفحه گسترده؛
• سند متنی؛
• PowerPoint؛
• PDF؛
• فایل‌های داده؛
• گزارش و جدول؛
• اسناد قابل دانلود.

Claude می‌تواند داده خام را به یک گزارش تبدیل کند، فرمول پیشنهاد دهد، نمودار بسازد، ساختار ارائه را طراحی کند یا متن یک سند را اصلاح کند.

برای دریافت خروجی بهتر، مشخص کنید:

• فایل برای چه کسی است؛
• هدف آن چیست؛
• چه ستون‌ها یا بخش‌هایی لازم است؛
• چه محاسباتی باید انجام شود؛
• چه فرمت و نام‌گذاری‌ای می‌خواهید؛
• آیا منبع داده باید در خروجی ذکر شود؛
• کدام قسمت‌ها نباید تغییر کنند.

پس از دریافت فایل، آن را باز کنید و فرمول‌ها، جمع‌ها، لینک‌ها، تاریخ‌ها، نمودارها و قالب‌بندی را بررسی کنید. تولید خودکار فایل به معنی صحت خودکار محتوای آن نیست.

۱۹. Skills؛ آموزش فرایندهای تکراری به Claude

Skills بسته‌هایی از دستورالعمل‌ها و قابلیت‌ها هستند که Claude می‌تواند برای انجام بهتر وظایف مشخص استفاده کند. Anthropic برای کارهایی مانند ساخت اسناد، اکسل، ارائه و PDF مهارت‌های آماده ارائه کرده و توسعه‌دهندگان نیز می‌توانند Skills اختصاصی بسازند.

Skill می‌تواند شامل این موارد باشد:

• دستورالعمل مرحله‌به‌مرحله؛
• استاندارد خروجی؛
• قالب فایل؛
• نمونه‌ها؛
• اسکریپت یا ابزار؛
• قواعد اعتبارسنجی؛
• محدودیت‌های برند یا سازمان.

برای مثال، یک شرکت می‌تواند Skill تهیه گزارش ماهانه بسازد که به Claude بگوید:

۱. داده را از منابع مشخص دریافت کند.

۲. مقادیر ناقص را علامت بزند.

۳. شاخص‌ها را با فرمول ثابت محاسبه کند.

۴. نمودارها را با ساختار استاندارد بسازد.

۵. جمع‌بندی مدیریتی یک‌صفحه‌ای بنویسد.

۶. خروجی را با نام‌گذاری مشخص ذخیره کند.

Skills باعث می‌شوند دانش فرایندی فقط در ذهن یک کارمند یا در یک پرامپت موقت باقی نماند و بتوان آن را به شکلی تکرارپذیر استفاده کرد.

۲۰. Claude برای اکسل، مایکروسافت ۳۶۵ و کارهای سازمانی

Claude در سال‌های ۲۰۲۵ و ۲۰۲۶ حضور خود را در ابزارهای سازمانی گسترش داد. قابلیت‌های مرتبط با Excel و Microsoft 365 می‌توانند برای تحلیل داده، ساخت فرمول، پیدا کردن خطا، ویرایش صفحه گسترده و جست‌وجو در اسناد سازمانی استفاده شوند.

کاربردهای معمول:

• توضیح فرمول‌های پیچیده؛
• ساخت فرمول جدید؛
• پاک‌سازی داده؛
• شناسایی سلول‌های مشکوک؛
• مقایسه چند شیت؛
• ساخت تحلیل مدیریتی؛
• تبدیل داده به نمودار و ارائه؛
• جست‌وجو در فایل‌ها، ایمیل‌ها و مکالمات سازمانی با مجوز مناسب.

در محیط سازمانی، مهم‌ترین موضوع فقط توانایی مدل نیست؛ بلکه حاکمیت داده، سطح دسترسی، محل ذخیره اطلاعات، لاگ فعالیت، سیاست نگهداری داده و کنترل مدیر سازمان نیز اهمیت دارد.

۲۱. Claude Design، Claude Science و محصولات تخصصی‌تر

Anthropic در سال ۲۰۲۶ چند محیط تخصصی‌تر را نیز معرفی کرد که نشان می‌دهند آینده Claude فقط یک رابط عمومی چت نخواهد بود.

Claude Design برای همکاری روی کارهای بصری و طراحی معرفی شد. این محصول در پیش‌نمایش پژوهشی می‌تواند در ساخت خروجی‌های گرافیکی، ترکیب‌بندی و کارهای بصری کمک کند.

Claude Science به‌عنوان محیط کاری برای پژوهشگران علمی معرفی شد؛ محیطی که ابزارها، بسته‌های محاسباتی، منابع و خروجی‌های قابل ممیزی را در یک جریان کاری ترکیب می‌کند.

Claude Tag نیز برای شکل جدیدی از همکاری تیم‌ها با Claude معرفی شد.

این محصولات نشان می‌دهند Anthropic به‌جای ساخت یک ابزار واحد برای همه، به سمت محیط‌های تخصصی برای گروه‌های مختلف حرکت می‌کند: توسعه‌دهنده، تحلیل‌گر، پژوهشگر، طراح، کاربر اداری و تیم سازمانی.

۲۲. Claude چه کارهایی را در دنیای واقعی بهتر انجام می‌دهد؟

توانایی واقعی یک ابزار زمانی مشخص می‌شود که بدانیم در چه سناریوهایی مفید است.

۲۲.۱. توسعه نرم‌افزار

Claude می‌تواند در توضیح کد، دیباگ، نوشتن تست، معماری، refactor، migration، مستندسازی و بررسی Pull Request کمک کند. با Claude Code، این توانایی از سطح پیشنهاد به سطح کار روی مخزن واقعی منتقل می‌شود.

۲۲.۲. تولید محتوا و ویراستاری

Claude در نگارش مقاله، بازنویسی، خلاصه‌سازی، ساخت لحن برند، تولید سناریو، ایمیل و محتوای آموزشی توانمند است. کیفیت زمانی بهتر می‌شود که نمونه سبک، مخاطب، هدف و محدودیت‌ها را دریافت کند.

۲۲.۳. تحلیل اسناد

قرارداد، گزارش، سیاست‌نامه، مقاله پژوهشی و اسناد طولانی می‌توانند تحلیل شوند. Claude می‌تواند بندها را مقایسه کند، موارد مبهم را مشخص کند و خلاصه مدیریتی بسازد. بااین‌حال، در کار حقوقی یا مالی، خروجی باید توسط متخصص بررسی شود.

۲۲.۴. تحقیق و جمع‌آوری اطلاعات

با جست‌وجوی وب و اتصال به منابع داخلی، Claude می‌تواند تحقیق چندمنبعی انجام دهد، جدول مقایسه بسازد و اطلاعات متناقض را نشان دهد.

۲۲.۵. تحلیل داده و صفحه گسترده

Claude می‌تواند CSV و XLSX را بررسی کند، فرمول پیشنهاد دهد، الگوها را توضیح دهد و گزارش بسازد. تحلیل آماری حساس باید با ابزار و روش قابل بازتولید انجام شود.

۲۲.۶. کارهای اداری

خلاصه جلسات، آماده‌سازی دستور جلسه، پاسخ ایمیل، تنظیم برنامه، دسته‌بندی فایل و ساخت گزارش از جمله کاربردهای رایج هستند.

۲۲.۷. آموزش

Claude می‌تواند مفاهیم را در سطوح مختلف توضیح دهد، تمرین بسازد، بازخورد بدهد و برنامه یادگیری طراحی کند. بهتر است به‌عنوان معلم کمکی استفاده شود، نه منبع نهایی و بدون بررسی.

۲۲.۸. بازاریابی و فروش

تحلیل مخاطب، ساخت پیشنهاد ارزش، تدوین تقویم محتوا، مقایسه رقبا، آماده‌سازی متن فروش و دسته‌بندی بازخورد مشتری از کاربردهای مفید است.

۲۲.۹. پژوهش علمی

خلاصه مقاله، استخراج روش، مقایسه نتایج، ساخت کد تحلیل و کمک در مستندسازی ممکن است. اما استناد ساختگی، تفسیر غلط نمودار و اشتباه آماری همچنان خطر جدی هستند.

۲۳. چگونه برای Claude پرامپت حرفه‌ای بنویسیم؟ چارچوبی که تقریباً همیشه جواب می‌دهد

پرامپت خوب الزاماً طولانی نیست؛ باید روشن، کامل و قابل اجرا باشد. یک چارچوب کاربردی شامل شش بخش است:

۱. نقش

بگویید Claude در این کار چه نقشی دارد.

مثال: «به‌عنوان ویراستار ارشد فارسی عمل کن.»

۲. هدف

نتیجه نهایی را مشخص کنید.

مثال: «این متن را به مقاله‌ای آموزشی و مناسب مدیران کسب‌وکار تبدیل کن.»

۳. زمینه

اطلاعاتی را بدهید که مدل بدون آن نمی‌تواند تصمیم درست بگیرد.

مثال: مخاطب، محصول، بازار، سطح دانش، محدودیت فنی.

۴. الزامات

بگویید چه مواردی حتماً باید رعایت شوند.

مثال: «هر بخش تیتر شماره‌دار داشته باشد، لحن رسمی ولی روان باشد، از ادعاهای بدون منبع پرهیز شود.»

۵. ممنوعیت‌ها

مواردی را که نمی‌خواهید صریح بنویسید.

مثال: «از لحن تبلیغاتی اغراق‌آمیز، جمله‌های کلیشه‌ای و تکرار نتیجه خودداری کن.»

۶. فرمت خروجی

ساختار نهایی را تعیین کنید.

مثال: «خروجی شامل عنوان، مقدمه، ۱۲ بخش اصلی، پرسش‌های پرتکرار و جمع‌بندی باشد.»

نمونه پرامپت کامل:

«به‌عنوان یک نویسنده تخصصی فناوری عمل کن. متن پیوست‌شده را به یک مقاله جامع برای کاربران فارسی‌زبان تبدیل کن. مخاطب مقاله افرادی هستند که Claude را در حد چت ساده می‌شناسند. مقاله باید آموزشی، دقیق و روان باشد. همه تیترهای اصلی شماره‌دار باشند. تاریخ‌ها و نام محصولات را راستی‌آزمایی کن. هر قابلیت را همراه با کاربرد، مزیت، محدودیت و یک مثال توضیح بده. از اغراق و ادعای بدون منبع خودداری کن. در پایان، بخش پرسش‌های پرتکرار و جمع‌بندی اجرایی اضافه کن.»

۲۴. برای پروژه‌های بزرگ، Claude را چگونه هدایت کنیم؟

یک اشتباه رایج این است که همه نیازها را در یک پرامپت بسیار بزرگ قرار دهیم و انتظار داشته باشیم خروجی نهایی در اولین تلاش بی‌نقص باشد.

روش بهتر، کار مرحله‌ای است:

مرحله اول: تعریف هدف و خروجی نهایی

مشخص کنید چه چیزی باید ساخته شود و معیار موفقیت چیست.

مرحله دوم: تحلیل ورودی

از Claude بخواهید ابهام‌ها، کمبود داده و ریسک‌ها را فهرست کند.

مرحله سوم: طراحی ساختار

قبل از نگارش یا اجرا، طرح کلی، معماری یا برنامه کار ساخته شود.

مرحله چهارم: اجرای بخش‌به‌بخش

هر بخش جداگانه تولید و بررسی شود.

مرحله پنجم: اعتبارسنجی

از Claude بخواهید خروجی را با معیارها، فایل‌های مرجع، تست یا منبع مقایسه کند.

مرحله ششم: بازبینی انسانی

یک فرد مسئول باید تصمیم نهایی، ادعاهای مهم و عملیات حساس را تأیید کند.

مرحله هفتم: ثبت نتیجه

نسخه نهایی، فرضیات، منابع و تغییرات در فایل یا سیستم پروژه ذخیره شوند.

این فرایند احتمال خطا را کاهش می‌دهد و باعث می‌شود اصلاح خروجی آسان‌تر باشد.

۲۵. بایدهای استفاده حرفه‌ای از Claude

۱. هدف را واضح بنویسید.

مدل نباید حدس بزند که شما چه می‌خواهید.

۲. مخاطب را مشخص کنید.

پاسخ برای مدیر، توسعه‌دهنده، مشتری یا دانش‌آموز یکسان نیست.

۳. مثال واقعی بدهید.

یک نمونه خوب معمولاً بهتر از چند پاراگراف توضیح مبهم است.

۴. منبع و فایل مرجع اضافه کنید.

برای اطلاعات خاص سازمان، مدل بدون داده واقعی نمی‌تواند پاسخ دقیق بدهد.

۵. فرمت خروجی را تعیین کنید.

جدول، JSON، مقاله، ایمیل، گزارش یا فایل را از ابتدا مشخص کنید.

۶. عدم قطعیت را بخواهید.

بگویید موارد نامطمئن، فرضیات و داده‌های ناقص را جدا کند.

۷. خروجی حساس را راستی‌آزمایی کنید.

پزشکی، حقوقی، مالی، امنیتی و کد production نیاز به متخصص دارند.

۸. کارهای طولانی را مرحله‌ای کنید.

برنامه، اجرا، تست و بازبینی را جدا کنید.

۹. برای اطلاعات روز از وب استفاده کنید.

حافظه مدل را با اطلاعات لحظه‌ای اشتباه نگیرید.

۱۰. سطح دسترسی را محدود کنید.

مدل فقط به داده و ابزاری دسترسی داشته باشد که برای کار لازم است.

۱۱. نسخه‌های تغییرات را نگه دارید.

در کد، سند یا فایل مالی امکان بازگشت ضروری است.

۱۲. از Project و Skill برای کار تکراری استفاده کنید.

پرامپت‌های مهم نباید هر بار از نو ساخته شوند.

۲۶. نبایدهای مهم؛ اشتباهاتی که می‌توانند پرهزینه باشند

۱. Claude را منبع صددرصد درست ندانید.

مدل می‌تواند با اعتمادبه‌نفس اشتباه کند.

۲. اطلاعات ساختگی را با پاسخ روان اشتباه نگیرید.

کیفیت نگارش، صحت واقعیت را تضمین نمی‌کند.

۳. داده محرمانه را بدون بررسی سیاست‌ها وارد نکنید.

ابتدا بدانید داده کجا می‌رود و چه کسی به آن دسترسی دارد.

۴. دسترسی کامل به سیستم ندهید.

اصل حداقل دسترسی را رعایت کنید.

۵. عملیات نهایی را کاملاً خودکار نکنید.

پرداخت، حذف، ارسال عمومی، تغییر production و امضای سند باید کنترل شوند.

۶. به یک خروجی واحد برای تصمیم حساس تکیه نکنید.

از منبع دوم، ابزار مستقل یا متخصص استفاده کنید.

۷. مدل قوی‌تر را همیشه انتخاب نکنید.

هزینه و سرعت باید متناسب با کار باشند.

۸. فایل خروجی را بدون بازکردن تحویل ندهید.

فرمول، لینک، صفحه‌بندی و محتوای نهایی باید بررسی شوند.

۹. Prompt Injection را نادیده نگیرید.

محتوای وب، ایمیل و فایل می‌تواند تلاش کند عامل را منحرف کند.

۱۰. از Claude نخواهید چیزی را که انجام نداده، تأیید کند.

برای مثال، «بگو تست‌ها موفق شدند» کافی نیست؛ باید واقعاً تست اجرا و نتیجه ثبت شود.

۲۷. امنیت، حریم خصوصی و مدیریت دسترسی

هرچه Claude از چت ساده به عامل اجرایی نزدیک‌تر می‌شود، امنیت مهم‌تر می‌شود.

۲۷.۱. داده حساس

رمز عبور، کلید API، اطلاعات سلامت، داده مشتری، اسناد محرمانه و اطلاعات مالی را فقط در محیطی وارد کنید که سیاست و قرارداد آن را بررسی کرده‌اید.

۲۷.۲. حداقل دسترسی

اگر Cowork به یک پوشه نیاز دارد، کل درایو را در اختیارش نگذارید. اگر یک MCP Server فقط باید داده بخواند، مجوز نوشتن ندهید.

۲۷.۳. جداسازی محیط

برای کارهای آزمایشی از حساب، مخزن، پایگاه داده و پوشه جدا استفاده کنید.

۲۷.۴. تأیید انسانی

عملیات برگشت‌ناپذیر باید نیازمند تأیید باشند.

۲۷.۵. ثبت رویداد

در سازمان‌ها، لاگ ابزارها، تغییرات، درخواست‌ها و خروجی‌ها باید قابل بررسی باشد.

۲۷.۶. مقابله با Prompt Injection

هر محتوای بیرونی می‌تواند دستور مخرب داشته باشد. مدل باید بداند محتوای صفحه یا فایل، داده است و نباید بر دستور اصلی کاربر غلبه کند.

۲۷.۷. مدیریت حافظه

اطلاعات ذخیره‌شده در Memory را دوره‌ای بررسی کنید و داده قدیمی یا نامناسب را حذف کنید.

۲۸. محدودیت‌های واقعی Claude که نباید فراموش شوند

Claude با وجود پیشرفت زیاد، محدودیت‌های بنیادی دارد.

ممکن است اطلاعات نادرست تولید کند.

ممکن است منبعی را بد تفسیر کند.

ممکن است بخشی از دستور را فراموش کند.

ممکن است در محاسبه یا شمارش خطا کند.

ممکن است در یک پروژه طولانی از هدف منحرف شود.

ممکن است ابزار اشتباه انتخاب کند.

ممکن است فایل سالم ولی محتوای نادرست بسازد.

ممکن است در برابر داده متناقض قضاوت ضعیفی داشته باشد.

ممکن است لحن مطمئن‌تری از میزان واقعی اطمینان خود داشته باشد.

همچنین زمینه بزرگ، حافظه و ابزارها مشکل صحت را به‌طور کامل حل نمی‌کنند. آن‌ها فقط امکان انجام کارهای پیچیده‌تر را فراهم می‌کنند. هرچه قدرت اجرایی بیشتر شود، طراحی کنترل و ارزیابی نیز باید جدی‌تر شود.

۲۹. آیا Claude می‌تواند تصویر یا ویدیو تولید کند؟ پاسخ دقیق‌تر از یک «بله» یا «خیر»

Claude از مدت‌ها قبل می‌تواند تصویر را ببیند و تحلیل کند. برای مثال می‌تواند نمودار، اسکرین‌شات، عکس سند یا رابط کاربری را بررسی کند.

در زمینه تولید تصویر، باید میان چند نوع خروجی تفاوت بگذاریم:

• Claude می‌تواند SVG، HTML، CSS، نمودار و گرافیک مبتنی بر کد تولید کند.
• می‌تواند در Artifact خروجی‌های بصری تعاملی بسازد.
• Claude Design برای همکاری روی کارهای بصری معرفی شده است.
• می‌تواند فایل ارائه و چیدمان بصری تولید کند.

اما Claude به‌طور سنتی یک مدل تخصصی تولید تصویر فوتورئال مانند مدل‌های text-to-image نبوده است. برای تولید عکس واقع‌گرایانه، تصویر هنری یا ویدیو از متن، معمولاً ابزارهای تخصصی تصویر و ویدیو انتخاب مناسب‌تری هستند.

بنابراین پاسخ دقیق این است:

Claude توانایی‌های بصری، طراحی و تولید خروجی گرافیکی دارد، اما برای تولید مستقیم تصاویر فوتورئال یا ویدیو، بسته به محصول و نوع خروجی، ممکن است همچنان به مدل تخصصی دیگری نیاز باشد.

۳۰. پلن‌های Claude؛ Free، Pro، Max، Team و Enterprise

Claude چند سطح دسترسی دارد. جزئیات قیمت و محدودیت می‌تواند براساس کشور، زمان و محصول تغییر کند، اما ساختار اصلی شامل این موارد است:

Free: مناسب استفاده گاه‌به‌گاه با محدودیت مصرف.

Pro: مناسب استفاده منظم فردی و دسترسی بیشتر به مدل‌ها و امکانات.

Max: برای کاربران بسیار فعال، با ظرفیت بالاتر در دو سطح رایج.

Team: برای تیم‌ها، با مدیریت سازمانی، اتصال‌های کاری و امکانات همکاری.

Enterprise: برای سازمان‌های بزرگ، با کنترل امنیتی، حاکمیت داده، ظرفیت و پشتیبانی سفارشی.

در میانه سال ۲۰۲۶، قیمت پایه Pro در آمریکا ۲۰ دلار در ماه اعلام شده بود و Max در سطوح بالاتر عرضه می‌شد. بااین‌حال، پیش از تصمیم خرید باید صفحه رسمی قیمت‌گذاری را بررسی کنید؛ زیرا محدودیت‌ها، مدل‌های شامل‌شده و قابلیت‌های هر پلن می‌توانند تغییر کنند.

انتخاب پلن باید براساس این عوامل باشد:

• تعداد استفاده روزانه؛
• نیاز به Claude Code یا Cowork؛
• نوع مدل مورد نیاز؛
• استفاده شخصی یا تیمی؛
• سطح امنیت و مدیریت؛
• نیاز به اتصال‌های سازمانی؛
• بودجه و اهمیت کار.

۳۱. پرسش‌های پرتکرار درباره Claude AI

پرسش ۱: آیا Claude رایگان است؟

بله. پلن رایگان وجود دارد، اما محدودیت مصرف و برخی محدودیت‌های دسترسی دارد.

پرسش ۲: بهترین مدل Claude کدام است؟

بهترین مدل وابسته به کار است. Sonnet معمولاً بهترین تعادل عمومی را دارد. Opus برای کارهای دشوار مناسب‌تر است. Fable 5 از قوی‌ترین مدل‌های عرضه‌شده گسترده در ابتدای ژوئیه ۲۰۲۶ است.

پرسش ۳: Mythos چیست؟

رده‌ای بالاتر از Opus با توانایی بسیار پیشرفته و دسترسی کنترل‌شده‌تر است.

پرسش ۴: فرق Fable و Mythos چیست؟

هر دو در کلاس Mythos قرار می‌گیرند، اما Fable با محافظت‌هایی برای عرضه عمومی‌تر آماده شده و Mythos دسترسی محدودتری دارد.

پرسش ۵: فرق Claude Code و Cowork چیست؟

Claude Code برای توسعه نرم‌افزار و کار با مخزن کد طراحی شده است. Cowork برای کارهای دانشی، فایل‌ها و وظایف اداری چندمرحله‌ای مناسب‌تر است.

پرسش ۶: MCP چیست؟

استانداردی باز برای اتصال برنامه‌های هوش مصنوعی به داده‌ها، ابزارها و سرویس‌های بیرونی است.

پرسش ۷: آیا Claude اینترنت دارد؟

در صورت فعال‌بودن جست‌وجوی وب یا ابزار مناسب، می‌تواند اطلاعات اینترنتی به‌روز پیدا کند.

پرسش ۸: آیا Claude فایل اکسل و پاورپوینت می‌سازد؟

در محصولات و پلن‌های پشتیبانی‌شده، می‌تواند فایل‌های صفحه گسترده، ارائه، سند و PDF ایجاد یا ویرایش کند.

پرسش ۹: آیا Claude به گفت‌وگوهای قبلی دسترسی دارد؟

با قابلیت Memory و جست‌وجوی تاریخچه، می‌تواند از زمینه مکالمات قبلی استفاده کند؛ البته این ویژگی قابل مدیریت است.

پرسش ۱۰: آیا Claude برای برنامه‌نویسی خوب است؟

بله. کدنویسی یکی از نقاط قوت اصلی Claude است، به‌ویژه در Claude Code و مدل‌های Sonnet، Opus و Fable.

پرسش ۱۱: آیا Claude اشتباه می‌کند؟

بله. مانند هر مدل زبانی، ممکن است اطلاعات نادرست یا کد معیوب تولید کند.

پرسش ۱۲: آیا می‌توان به تحلیل حقوقی یا پزشکی Claude اعتماد کرد؟

می‌توان از آن برای جمع‌بندی و آماده‌سازی استفاده کرد، اما تصمیم نهایی باید با متخصص واجد صلاحیت باشد.

پرسش ۱۳: آیا Claude می‌تواند روی کامپیوتر من کار کند؟

با محصولاتی مانند Cowork، Computer Use و اتصال‌های دسکتاپ، در محیط و محدوده مجاز می‌تواند روی فایل‌ها و برنامه‌ها کار کند.

پرسش ۱۴: آیا Claude می‌تواند کل یک پروژه را خودکار انجام دهد؟

می‌تواند بخش بزرگی از پروژه‌های مشخص را انجام دهد، اما پروژه‌های واقعی معمولاً به نظارت، تصمیم‌گیری و تأیید انسانی نیاز دارند.

پرسش ۱۵: آیا داده من برای آموزش استفاده می‌شود؟

این موضوع به نوع حساب، تنظیمات، قرارداد و سیاست جاری Anthropic بستگی دارد. قبل از واردکردن داده حساس، تنظیمات حریم خصوصی و شرایط سرویس را بررسی کنید.

پرسش ۱۶: آیا Claude از فارسی پشتیبانی می‌کند؟

بله. Claude می‌تواند فارسی را درک و تولید کند، هرچند کیفیت ممکن است بسته به مدل، موضوع و نوع نگارش متفاوت باشد.

پرسش ۱۷: آیا زمینه یک میلیون توکنی یعنی می‌توانم هر تعداد فایل وارد کنم؟

خیر. محدودیت فایل، نوع فایل، حجم، پلن و محصول همچنان وجود دارد. همچنین ظرفیت زیاد به معنی دقت کامل روی همه جزئیات نیست.

پرسش ۱۸: آیا Claude جایگزین کارمند یا متخصص می‌شود؟

در بسیاری از وظایف نقش آن بیشتر تقویت‌کننده، دستیار یا عامل اجرایی تحت نظارت است. جایگزینی کامل به نوع شغل، ریسک و ساختار سازمان بستگی دارد.

۳۲. آینده Claude به کدام سمت می‌رود؟

روند محصولات Anthropic چند مسیر روشن را نشان می‌دهد.

مسیر اول، حرکت از پاسخ‌گویی به اجرا است. Claude کمتر فقط درباره کار توضیح می‌دهد و بیشتر خود کار را در محیط‌های مجاز انجام می‌دهد.

مسیر دوم، تخصصی‌شدن محیط‌ها است. Claude Code برای توسعه‌دهنده، Cowork برای کار دانشی، Claude Science برای پژوهشگر و Claude Design برای کار بصری نمونه‌های این مسیر هستند.

مسیر سوم، افزایش طول و پیچیدگی وظایف است. مدل‌ها می‌توانند زمینه بزرگ‌تر، ابزارهای بیشتر و فرایندهای طولانی‌تری را مدیریت کنند.

مسیر چهارم، استفاده از چند عامل است. قابلیت‌هایی مانند subagent و dynamic workflows نشان می‌دهند یک مدل مرکزی می‌تواند کار را میان چند عامل تقسیم کند.

مسیر پنجم، رشد استانداردهای اتصال مانند MCP است. هوش مصنوعی آینده احتمالاً در یک پنجره جدا زندگی نمی‌کند، بلکه در ابزارهای روزمره، پایگاه‌های داده، مرورگر، ایمیل، فایل‌ها و نرم‌افزارهای سازمانی حضور خواهد داشت.

مسیر ششم، کنترل بیشتر روی مدل‌های بسیار قدرتمند است. تجربه Mythos و Fable نشان می‌دهد هرچه توانایی مدل بالاتر می‌رود، موضوع دسترسی، مقررات، ایمنی و سیاست نیز پررنگ‌تر می‌شود.

۳۳. جمع‌بندی نهایی؛ Claude را چگونه باید دید؟

Claude در سال ۲۰۲۶ دیگر فقط یک چت‌بات نیست. این نام به مجموعه‌ای از مدل‌ها، ابزارها، استانداردها و محیط‌های کاری اشاره دارد که می‌توانند از یک پاسخ کوتاه تا اجرای وظیفه‌ای چندمرحله‌ای را پوشش دهند.

Haiku، Sonnet و Opus امکان انتخاب میان سرعت، هزینه و قدرت را فراهم می‌کنند. Fable و Mythos مرز توانایی‌های پیشرفته‌تر را نشان می‌دهند. Projects و Memory همکاری بلندمدت را آسان‌تر می‌کنند. Artifacts خروجی را از متن ساده به یک محصول قابل مشاهده تبدیل می‌کند. Claude Code توسعه نرم‌افزار را وارد محیط واقعی می‌کند. Cowork انجام کارهای دانشی را هدف می‌گیرد. MCP اتصال به ابزارها و داده‌ها را استاندارد می‌کند.

بااین‌حال، مهم‌ترین مهارت کاربر هنوز «استفاده آگاهانه» است. مدل قوی بدون دستور روشن، داده مناسب، کنترل دسترسی و بازبینی انسانی می‌تواند خروجی ضعیف یا خطرناک تولید کند. در مقابل، حتی یک مدل سبک، اگر در جریان کاری درست قرار بگیرد، می‌تواند زمان و هزینه زیادی ذخیره کند.

Claude را نه یک جعبه جادویی و نه یک منبع بی‌خطا بدانید. آن را یک همکار دیجیتال بسیار توانمند در نظر بگیرید که برای بهترین عملکرد به هدف روشن، زمینه مناسب، ابزار کنترل‌شده و نظارت انسانی نیاز دارد.

منابع رسمی منتخب برای به‌روزرسانی و راستی‌آزمایی

1. Anthropic – Introducing Claude
2. Anthropic – Constitutional AI: Harmlessness from AI Feedback
3. Anthropic – Introducing the Model Context Protocol
4. Anthropic – Claude 3.7 Sonnet and Claude Code
5. Anthropic – Introducing Claude 4
6. Anthropic – Claude Fable 5 and Claude Mythos 5
7. Anthropic – Introducing Claude Sonnet 5
8. Anthropic – Introducing Claude Opus 4.8
9. Anthropic Support – Claude Memory
10. Anthropic Support – Projects
11. Anthropic Support – Artifacts
12. Claude Platform Docs – Models Overview