راهنمای کامل Claude
از طرز فکر، تا ساختن کسب‌وکار

▶ مسیر ۲۱ روزه: از صفر تا اولین نتیجه

قبل از اینکه در دریای امکانات غرق شوید، این نقشه را ببینید. لازم نیست همه‌ی جزوه را یک‌جا بخوانید؛ کافی است هر روز یک قدم کوچک بردارید. این مسیر برای دو نوع خواننده طراحی شده و هرجا لازم بود، تفاوت‌شان را نشان می‌دهیم.

پرسونا ۱: کاربر عمومی/فریلنسر غیرفنی پرسونا ۲: برنامه‌نویس/سازنده

هفته‌ی اول — آشنایی و اولین تکیه‌گاه

هفته‌ی دوم — مهارت و اتوماسیون

هفته‌ی سوم — ارزش‌آفرینی و درآمد

۰ طرز فکر: از «پرامپت‌نویسی» به «سپردنِ نتیجه»

قبل از یادگیری هر دکمه و ابزار، باید یک تغییر ذهنی بدهید. کسانی که از Claude بیشترین بهره را می‌برند، آن‌هایی نیستند که بهترین جمله‌ها را می‌نویسند؛ آن‌هایی‌اند که درست‌ترین کارها را می‌سپارند. این فصل، عینک فلسفی‌ای است که بقیه‌ی جزوه را با آن می‌خوانید.

۰.۱ سه نسل از رابطه‌ی انسان و هوش مصنوعی

برای اینکه بفهمید Claude چه چیزی را ممکن کرده، به این سیر تکامل نگاه کنید:

• نسل اول — جست‌وجو: شما سؤال می‌کردید، ماشین لینک می‌داد. کار را خودتان می‌کردید.
• نسل دوم — چت: شما سؤال می‌کردید، ماشین جواب می‌داد. هنوز کار را خودتان می‌کردید، فقط سریع‌تر.
• نسل سوم — عامل (Agent): شما یک نتیجه را توصیف می‌کنید، و ماشین کار را انجام می‌دهد — فایل می‌سازد، ابزار صدا می‌زند، چند مرحله را خودش طی می‌کند و نتیجه را تحویل می‌دهد.

Claude در هر سه نسل کار می‌کند، اما قدرت واقعی‌اش در نسل سوم است. خودِ Anthropic این تغییر را این‌طور توصیف می‌کند که ابزارهای قدیمی «حول پرامپت» ساخته شده بودند، اما طراحی جدید «حول نتیجه» است. این یعنی شما باید یاد بگیرید مثل یک مدیر فکر کنید، نه یک اپراتور.

۰.۲ استعاره‌ی کلیدی: «به عامل یک کامپیوتر بدهید»

مهم‌ترین اصل طراحی در کل اکوسیستم Claude این جمله است: به عامل یک کامپیوتر بدهید. یک انسانِ دانش‌کار با چه چیزی کار می‌کند؟ یک سیستم‌فایل (برای خواندن و نوشتن فایل)، یک ترمینال (برای اجرای دستور)، یک مرورگر (برای جست‌وجو)، و توانایی نوشتن و اجرای کد. وقتی به Claude همین‌ها را بدهید، می‌تواند تقریباً هر کار دیجیتالی را — مثل یک انسان — انجام دهد.

این توضیح می‌دهد چرا ابزارهایی مثل Claude Code و Cowork این‌قدر قدرتمندند: آن‌ها صرفاً «هوش» نیستند، بلکه «هوش + یک کامپیوتر» هستند. وقتی این عینک را بزنید، یک سؤال طلایی پیدا می‌کنید که با آن می‌توانید هر کاری را بسنجید:

۰.۳ طیف واگذاری: کارتان روی کدام پله است؟

هر کاری را می‌توان روی یک طیف از «کم‌اختیار» تا «پُراختیار» قرار داد. انتخاب درست سطح، کلید موفقیت است. این طیف، ستون فقرات کل این جزوه است:

۰.۴ اصل سادگی: ساده‌ترین چیزی که کار می‌کند

یک وسوسه‌ی رایج این است که سراغ پیچیده‌ترین راه‌حل (یک ایجنت چنداگانه‌ی هوشمند) برویم. اما پژوهش خود Anthropic می‌گوید موفق‌ترین پیاده‌سازی‌ها از فریم‌ورک‌های پیچیده استفاده نمی‌کردند؛ بلکه با الگوهای ساده و قابل‌ترکیب ساخته می‌شدند. عامل‌بودن (Agency) هزینه دارد: کندتر، گران‌تر و کم‌قطعیت‌تر است. فقط وقتی این هزینه را بپذیرید که کار واقعاً به انعطاف و استدلال پویا نیاز دارد. خیلی از کارها با یک ورک‌فلوِ ساده بهتر حل می‌شوند تا یک ایجنت پیچیده.

۰.۵ انسان در حلقه: اعتماد، اما با نظارت

هرچه به عامل اختیار بیشتری بدهید، نظارت مهم‌تر می‌شود. یک معیار عملی و به‌یادماندنی:

این فقط احتیاط نیست؛ مزیت تجاری هم هست. در بخش کسب‌وکار خواهیم دید که همین «انسان در حلقه» چیزی است که به مشتری اطمینان می‌دهد و حق‌الزحمه‌ی بالاتر را توجیه می‌کند.

۰.۶ از پرامپت‌نویسی به «مهندسی زمینه»

مهارت واقعی، نوشتن یک جمله‌ی جادویی نیست؛ بلکه مهندسی زمینه (Context Engineering) است: یافتن کوچک‌ترین مجموعه‌ی نشانه‌های پراطلاعات که احتمال نتیجه‌ی دلخواه را بیشینه کند. یعنی به Claude دقیقاً همان چیزی را بدهید که برای کار لازم دارد — نه کمتر (که گیج می‌شود)، نه بیشتر (که در انبوه اطلاعات گم می‌شود). همه‌ی ابزارهایی که در ادامه می‌بینید — Projects، Skills، Memory، CLAUDE.md — در واقع ابزارهای مهندسی زمینه‌اند.

۱ تشریح اکوسیستم: چهار سطح، دو چسب

Claude دیگر یک «چت‌بات» نیست؛ یک سیستم‌عاملِ کار است. برای اینکه گم نشوید، کل آن را در یک نقشه‌ی ساده می‌بینیم: چهار «سطح» که کار را انجام می‌دهند، و دو «چسب» که همه را به هم و به دنیای بیرون وصل می‌کنند.

۱.۱ چهار سطحِ کار

این چهار سطح یک سلسله‌مراتب نیستند که یکی «بهتر» از دیگری باشد؛ بلکه چهار دروازه به یک موتور واحدند. نکته‌ی جالب این است که همه روی یک هسته‌ی مشترک بنا شده‌اند: همان «ماشین عاملی» که پشت Claude Code است، زیر Cowork و Agent SDK هم کار می‌کند. به همین دلیل، مهارت‌هایی که در یک سطح یاد می‌گیرید (مثل نوشتن Skill یا اتصال MCP) تقریباً عیناً در سطوح دیگر هم به‌کار می‌آیند.

۱.۲ دو چسبِ جهان‌شمول

اینجا قلب درک عمیق اکوسیستم است. دو استاندارد باز وجود دارند که در همه‌ی چهار سطح حضور دارند و دلیل اصلی قدرت ترکیبی Claude‌اند:

• MCP پروتکل زمینه‌ی مدل — استانداردی که Claude را به ابزارها و داده‌های بیرونی وصل می‌کند (Gmail، Drive، Slack، GitHub، دیتابیس‌ها و هر سرویس دلخواه). به آن «درگاهِ USB-C برای هوش مصنوعی» می‌گویند: یک پریزِ استاندارد که همه‌چیز به آن وصل می‌شود.
• Skills مهارت‌های ایجنتی — بسته‌هایی از دستورالعمل و دانش که به Claude یاد می‌دهند یک کار را «به روش شما» انجام دهد. مثل «راهنمای آموزش یک کارمند تازه‌وارد».

این دو را در دو فصل بعدی (پیش از هر سطح دیگری) عمیق می‌کاویم، چون بدون فهمیدن آن‌ها، هیچ‌وقت قدرت ترکیب امکانات را درک نمی‌کنید. و قدرت واقعی Claude دقیقاً در ترکیب است.

۱.۳ معادله‌ی قدرت = ترکیب

یک امکان به‌تنهایی مفید است؛ اما ترکیب چند امکان، توان را چندبرابر می‌کند. چند نمونه که در طول جزوه باز خواهند شد:

Projects + Skills + MCP = یک «همکارِ نقشِ تخصصی» Cowork + Routines + Live Artifacts = یک «دستیارِ همیشه‌بیدار» Agent SDK + MCP + Subagents = یک «تیمِ ایجنتِ محصول» Claude Code + GitHub + Routines = یک «مهندسِ نگه‌داریِ خودکار»

۲ MCP — سیستم عصبیِ اکوسیستم

اگر Claude «مغز» است، MCP «سیستم عصبی» است که آن را به دست‌ها، چشم‌ها و حافظه‌ی بیرونی وصل می‌کند. درک MCP، تفاوت بین کسی است که Claude را یک «چت‌بات باهوش» می‌بیند و کسی که آن را یک «پلتفرم خودکارسازی» می‌بیند.

۲.۱ MCP دقیقاً چیست؟

توضیح ساده: MCP (مخفف Model Context Protocol) یک «زبان مشترک» است که به Claude اجازه می‌دهد با هر ابزار یا منبع داده‌ی بیرونی حرف بزند. Anthropic آن را در نوامبر ۲۰۲۴ به‌صورت یک استاندارد باز منتشر کرد و حالا کل صنعت (از جمله رقبا) آن را پذیرفته‌اند.

چرا «استاندارد باز» مهم است؟ قبل از MCP، هر اتصال بین یک هوش مصنوعی و یک سرویس، یک کار سفارشی و جداگانه بود — مثل دورانی که هر دستگاه کابل شارژ مخصوص خودش را داشت. MCP همان «USB-C» است: یک پریز استاندارد که Gmail، Slack، دیتابیس شما و هر چیز دیگری به آن وصل می‌شوند، بی‌آنکه لازم باشد چرخ را از نو اختراع کنید.

۲.۲ معماری: سرور و کلاینت

MCP دو طرف دارد:

• کلاینت MCP: همان Claude (در اپ، Code، SDK یا API). طرفی که می‌خواهد به ابزار وصل شود.
• سرور MCP: یک برنامه‌ی کوچک که یک سرویس را «در معرض» Claude می‌گذارد. مثلاً «سرور MCP گیت‌هاب» مجموعه‌ای از ابزارها (ساخت Issue، خواندن PR و…) را ارائه می‌دهد.

سرورها دو نوع‌اند:

• سرورهای راه‌دور (Remote): روی اینترنت میزبانی می‌شوند و با OAuth وصل می‌شوند (مثل اتصال به Notion یا Linear). این‌ها همان «Connectorها» در اپ هستند.
• سرورهای محلی (Local): روی کامپیوتر خودتان اجرا می‌شوند (مثلاً دسترسی به یک دیتابیس داخلی یا فایل‌سیستم محلی). در اپ دسکتاپ با افزونه‌های تک‌کلیکی نصب می‌شوند.

۲.۳ Claude با MCP به چه چیزهایی وصل می‌شود؟

اکوسیستم سرورهای MCP بسیار بزرگ است. نمونه‌های پرکاربرد:

GmailGoogle CalendarGoogle Drive SlackGitHubJira NotionAsanaLinear Figmaدیتابیس‌ها (Postgres و…) سیستم‌فایل محلیسرور سفارشی شما

۲.۴ کاربردها در سه سطح

۲.۵ ساختن یک سرور MCP ساده

ساختن سرور آسان‌تر از چیزی است که فکر می‌کنید. این یک نمونه‌ی مفهومی با Python است:

# یک سرور MCP که یک ابزار «قیمت طلا» ارائه می‌دهد
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("gold-tools")

@mcp.tool()
def get_gold_price(karat: int) -> dict:
    """قیمت لحظه‌ای طلا را بر حسب عیار برمی‌گرداند."""
    price = fetch_from_internal_api(karat)   # منطق دلخواه شما
    return {"karat": karat, "price_irr": price}

if __name__ == "__main__":
    mcp.run()

همین. حالا این سرور را به Claude (در اپ دسکتاپ، Code یا SDK) معرفی می‌کنید و Claude می‌تواند هر وقت لازم شد ابزار «قیمت طلا» را صدا بزند.

۲.۶ چرا MCP «چسب» اصلی است؟

چون در هر چهار سطح حضور دارد و الگوی یکسانی دارد:

۳ Skills و Plugins — حافظه‌ی مهارتیِ قابل‌تکرار

اگر MCP به Claude می‌گوید «به چه چیزی وصل شو»، Skills به او می‌گوید «چطور کار را به روش من انجام بده». این همان چیزی است که Claude را از یک دستیار عمومی به یک متخصصِ سفارشی‌شده‌ی شما تبدیل می‌کند.

۳.۱ Skill چیست؟

توضیح ساده: یک Skill یک پوشه است شامل یک فایل دستورالعمل (به نام SKILL.md) و — در صورت نیاز — چند فایل کمکی مثل اسکریپت، قالب یا نمونه. Anthropic آن را به «راهنمای آموزشِ یک کارمند تازه‌وارد» تشبیه می‌کند: شما یک‌بار روش درست انجام کار را می‌نویسید، و از آن به بعد Claude هر وقت لازم شد همان روش را به‌کار می‌برد.

هوشمندیِ کلیدی این است که Claude همه‌ی Skillها را هم‌زمان نمی‌خواند (که زمینه را شلوغ می‌کند)؛ بلکه فقط عنوان و توضیح کوتاه هرکدام را می‌بیند، و زمانی که کاری مرتبط پیش آمد، آن Skill خاص را «باز می‌کند». این دقیقاً همان «مهندسی زمینه»ای است که در فصل فلسفه گفتیم.

۳.۲ ساختار یک Skill

# فایل SKILL.md — قلب یک مهارت
---
name: persian-invoice
description: ساخت فاکتور رسمی فارسی با قالب و قواعد شرکت ما.
  وقتی کاربر می‌خواهد فاکتور یا صورت‌حساب بسازد، فعال شو.
---

# دستورالعمل ساخت فاکتور
1. همیشه از قالب شرکت در فایل template.html استفاده کن.
2. مالیات بر ارزش افزوده ۹٪ را جداگانه محاسبه و نمایش بده.
3. تاریخ را شمسی بنویس. مبالغ را با جداکننده‌ی هزارگان نشان بده.
4. شماره‌ی فاکتور را طبق الگوی INV-YYYY-NNNN بساز.

توضیحِ بخش description حیاتی است: همین جمله تعیین می‌کند که Claude کِی این Skill را فعال کند. نوشتنِ خوبِ آن، مرز بین یک Skill عالی و یک Skill بی‌فایده است.

۳.۳ Skill Creator — ساختن مهارت با کمک خودِ Claude

لازم نیست Skill را دستی بنویسید. یک مهارتِ رسمی به نام Skill Creator وجود دارد که کل چرخه را برایتان اجرا می‌کند: پیش‌نویس SKILL.md را می‌نویسد، با ده‌ها پرسش آزمایشی بررسی می‌کند که آیا درست فعال می‌شود، نتایج «با مهارت» و «بدون مهارت» را مقایسه می‌کند، و توضیحش را بهینه می‌کند تا دقیقاً سرِ بزنگاه روشن شود. یعنی از خود ابزار برای ساختن ابزار استفاده می‌کنید.

۳.۴ مهارت‌های آماده

بعضی مهارت‌ها از پیش ساخته‌شده‌اند و خودکار فعال می‌شوند — مثل ساخت فایل‌های PowerPoint، Excel، Word و PDF با کیفیت حرفه‌ای. وقتی می‌گویید «یک ارائه‌ی ۱۰ اسلایدی بساز»، Claude پشت‌صحنه از مهارت pptx استفاده می‌کند.

۳.۵ Plugins — بسته‌بندیِ یک شغل کامل

توضیح ساده: اگر یک Skill «یک دستورالعمل» است، یک Plugin یک «جعبه‌ابزارِ کامل برای یک شغل» است: چند Skill + چند Connector (MCP) + چند زیرایجنت + دستورات میان‌بر، همه در یک بسته‌ی نصب‌شدنی. Anthropic چندین Plugin آماده برای حوزه‌های فروش، مالی، حقوقی، بازاریابی، منابع‌انسانی، مهندسی، طراحی و عملیات منتشر کرده است.

سازمان‌ها (در پلن Team/Enterprise) می‌توانند «مارکت‌پلیس خصوصی» بسازند تا Pluginهای داخلی‌شان را بین کارکنان توزیع کنند. این یکی از مسیرهای کسب درآمد است که در فصل ۱۲ بازش می‌کنیم.

۳.۶ تفاوت‌ها در یک نگاه

۳.۷ ترکیب طلایی: Projects + Skills + MCP

حالا که هر سه را می‌شناسید، اولین ترکیب قدرتمند را ببینید — ساختن یک «همکارِ تخصصی»:

۴ Claude.ai — اپ وب، موبایل و دسکتاپ

این دروازه‌ای است که اکثر مردم از آن وارد می‌شوند. یک پنجره‌ی گفت‌وگوی ساده، اما با لایه‌لایه امکاناتِ عمیق پشتش. این فصل را بخش‌بخش می‌کاویم و در پایان هر بخش، ترکیب‌هایش را می‌بینیم.

۴.۱ چت و قابلیت‌های چندوجهی

توضیح ساده: هسته‌ی اپ، گفت‌وگوست؛ اما Claude فقط متن نمی‌فهمد. می‌تواند تصویر را ببیند (Vision)، فایل بخواند (PDF، Word، Excel، تصویر، CSV، کد)، و ورودی صوتی بگیرد (Voice). روی پلن‌های پولی، پنجره‌ی متن تا ۲۰۰ هزار توکن (معادل یک کتابِ ۵۰۰ صفحه‌ای) است و در Enterprise بزرگ‌تر.

انواع کاربرد

• نوشتن و بازنویسی: نامه، گزارش، قرارداد، پست شبکه‌ی اجتماعی، شعر، کد.
• تحلیل و خلاصه: فشرده‌کردن یک گزارش طولانی، استخراج نکات کلیدی، مقایسه‌ی چند سند.
• درک تصویر: خواندن جدول از عکس، توضیح یک نمودار، استخراج متن از اسکرین‌شات، تحلیل یک طرح.
• ترجمه و آموزش: ترجمه‌ی روان، توضیح مفهوم پیچیده به زبان ساده، نقش یک معلم خصوصی.

۴.۲ Artifacts — خروجی‌های زنده و قابل‌استفاده

توضیح ساده: وقتی Claude چیزی می‌سازد که ارزش نگه‌داری دارد — کد، یک سند، یک نمودار، یک صفحه‌ی وب کوچک، یک دیاگرام — آن را در یک پنجره‌ی جداگانه به نام Artifact نشان می‌دهد که می‌بینید، ویرایش می‌کنید و دوباره استفاده می‌کنید. از زمان معرفی، صدها میلیون Artifact ساخته شده است.

Artifacts فراتر از یک «پیش‌نمایش» رفته‌اند و حالا به یک سکوی مینی‌اپ تبدیل شده‌اند: می‌توانند داده را به‌صورت پایدار ذخیره کنند، و حتی خودشان فراخوانیِ Claude انجام دهند (یعنی یک اپ کوچک بسازید که درونش هوش مصنوعی کار می‌کند). نکته‌ی اقتصادی جالب: وقتی یک Artifact را با کسی به اشتراک می‌گذارید، مصرفِ او روی اشتراکِ خودش حساب می‌شود، نه شما — پس اشتراک‌گذاری برای سازنده رایگان است.

انواع کاربرد

• ابزارهای تعاملی: ماشین‌حساب، مبدل واحد، آزمونک، چک‌لیست.
• اسناد و گزارش: متن قابل‌ویرایش، جدول، نامه.
• بصری‌ها: نمودار، دیاگرام جریان، فلوچارت، SVG.
• نمونه‌اولیه: صفحه‌ی فرود، فرم، یک کامپوننت رابط کاربری.

۴.۳ Live Artifacts — داشبوردهای همیشه‌زنده

توضیح ساده: یک Artifact معمولی، عکسی ثابت از یک لحظه است. یک Live Artifact (در Cowork) یک داشبورد زنده است که به اپ‌های متصل شما (از طریق MCP) وصل می‌شود و هر بار که بازش می‌کنید، با داده‌ی تازه به‌روز می‌شود. تاریخچه‌ی نسخه‌ها هم دارد تا بتوانید به نسخه‌ی قبلی برگردید.

انواع کاربرد

• داشبورد صبحگاهی: کارهای امروز از Linear + پیام‌های مهم Slack + رویدادهای تقویم، یک‌جا.
• رهگیرِ رقبا: وضعیت قیمت و اخبار رقبا که خودکار تازه می‌شود.
• نمای خط لوله‌ی فروش از CRM.
• تقویم محتوا که از چند منبع داده می‌کشد.

۴.۴ Projects — فضای کاریِ اختصاصی

توضیح ساده: Project یک «اتاق کارِ جدا» برای یک موضوع است که چهار چیز را در خود نگه می‌دارد: دستورالعمل دائمی (System Prompt پروژه)، پایگاه دانش (فایل‌های مرجع)، تاریخچه‌ی گفت‌وگوها، و کتابخانه‌ی Artifactها. به‌علاوه، حافظه‌ی هر Project از بقیه جداست.

چرا مهم است؟ بدون Project، همه‌چیز قاطی می‌شود؛ زمینه‌ی پروژه‌ی «الف» وارد گفت‌وگوی پروژه‌ی «ب» می‌شود. برای یک وکیل یا مشاور، این یک مشکل محرمانگی است. Project هر موضوع را در دیوارهای خودش نگه می‌دارد. ضمناً جلوی «شروع سرد» را می‌گیرد: لازم نیست هر بار اسناد و زمینه را از نو بدهید.

انواع کاربرد

• یک Project برای هر مشتری، هر پرونده، هر محصول، هر پایان‌نامه.
• یک Project «نوشتن به سبک من» با چند نمونه از نوشته‌های قبلی به‌عنوان دانش.
• یک Project «پشتیبانی محصول» با مستندات فنی به‌عنوان دانش.

۴.۵ Memory — حافظه‌ی بین‌گفت‌وگویی

توضیح ساده: Claude می‌تواند نکات مهم درباره‌ی شما و کارتان را از گفت‌وگوهای قبلی به یاد بسپارد — شغل‌تان، زبان‌تان، ابزارهایتان، پروژه‌های جاری — تا لازم نباشد هر بار همه‌چیز را تکرار کنید. این قابلیت برای همه (حتی پلن رایگان) فعال است.

یک ویژگی متمایز Claude این است که به شما می‌گوید کِی از حافظه استفاده کرده («بر اساس آنچه درباره‌ی پروژه‌ی React هفته‌ی پیش گفتی…»). شما کنترل کامل دارید: در تنظیمات می‌بینید چه چیزی به یاد سپرده شده، ویرایش یا حذفش می‌کنید، یا مستقیم می‌گویید «این را به خاطر بسپار».

۴.۶ جست‌وجوی وب و Research عمیق

توضیح ساده: Claude می‌تواند در لحظه وب را بگردد تا اطلاعات تازه با ارجاع بدهد. اما حالت Research عمیق یک پدیده‌ی متفاوت است: به‌جای یک جست‌وجو، یک تیم تحقیقاتی راه می‌اندازد.

پشت‌صحنه، یک ایجنتِ «سرپرست» نقشه می‌کشد و ۳ تا ۵ (و در کارهای پیچیده ۱۰+) زیرایجنتِ متخصص را هم‌زمان می‌فرستد؛ هرکدام چند ابزار را موازی اجرا می‌کنند و یافته‌ها را برمی‌گردانند؛ و در پایان یک ایجنتِ مخصوص، هر ادعا را به منبعش نسبت می‌دهد. همین موازی‌سازی، زمان تحقیقات پیچیده را تا حدود ۹۰٪ کم می‌کند.

انواع کاربرد

• بررسی بازار و تحلیل رقبا پیش از یک تصمیم بزرگ.
• مرور پیشینه‌ی یک موضوع علمی یا حقوقی.
• گزارش جامع با ارجاع برای ارائه به ذی‌نفعان.

۴.۷ سایر امکانات اپ

• Styles (سبک‌ها): لحن و قالب نوشتنِ Claude را به سبک دلخواه خود تنظیم می‌کنید.
• Chat Search: جست‌وجو در گفت‌وگوهای گذشته (روی پلن‌های پولی).
• Incognito: گفت‌وگوی محرمانه که ذخیره نمی‌شود و در آموزش به‌کار نمی‌رود.
• نمودار و دیاگرام درون‌خطی: ساخت نمودار و دیاگرام مستقیم داخل چت.

۴.۸ نقشه‌ی ترکیب‌های این فصل

۵ Cowork — همکارِ دسکتاپِ شما

Cowork مهم‌ترین اتفاق ۲۰۲۶ برای کاربران غیرفنی است: تمام قدرتِ عاملانه‌ی Claude Code — که دنیای برنامه‌نویسی را زیرورو کرد — حالا برای کارهای دانش‌محور و اداری در یک اپ دسکتاپ با رابط ساده در دسترس است. خودِ Anthropic می‌گوید: «اکثر ابزارهای هوش مصنوعی حول پرامپت ساخته شده‌اند؛ Cowork حول نتیجه ساخته شده است.»

۵.۱ Cowork چه فرقی با چت دارد؟

در چت، Claude حرف می‌زند؛ در Cowork، Claude کار می‌کند. با اجازه‌ی صریح شما، به یک پوشه‌ی مشخص روی کامپیوترتان دسترسی می‌گیرد، فایل می‌خواند و می‌سازد و ویرایش می‌کند، چند مرحله را پشت‌سرهم طی می‌کند، زیرایجنت‌های موازی هماهنگ می‌کند، و حتی کارها را زمان‌بندی می‌کند. در یک ماشین مجازیِ ایزوله اجرا می‌شود و قدرتش از مدلِ پیشرفته‌ی Opus می‌آید.

Cowork در آوریل ۲۰۲۶ از مرحله‌ی پیش‌نمایش خارج و روی macOS و Windows عمومی شد و روی همه‌ی پلن‌های پولی (از Pro به بالا) در دسترس است.

۵.۲ امکانات کلیدی

• دسترسی به پوشه (با مجوز): فقط پوشه‌ای که شما تعیین می‌کنید، با سطح دسترسیِ مشخص.
• کارهای زمان‌بندی‌شده: با دستور /schedule کاری را مرتب اجرا کنید (مثلاً هر دوشنبه صبح).
• زیرایجنت‌های موازی: برای کارهای بزرگ، چند ایجنت هم‌زمان کار می‌کنند.
• Skills، Plugins و Connectorها: همه اینجا هم در دسترس‌اند.
• دستورالعمل سراسری و پوشه‌ای: قواعد دائمی برای کل کارها یا یک پوشه‌ی خاص.
• Dispatch (نخِ موبایل): از گوشی‌تان به Cowork کار بسپارید، حتی وقتی پای کامپیوتر نیستید.
• Live Artifacts: داشبوردهای زنده‌ای که در فصل قبل دیدیم، اینجا ساخته و نگه‌داری می‌شوند.

۵.۳ کاربردها در سه سطح

۵.۴ ترکیب با سایر امکانات

۵.۵ امنیت — این بخش را جدی بگیرید

۶ Claude Design و سطوحِ دیگر

Claude به جاهایی که از قبل کار می‌کنید آمده است: مرورگر، اکسل، ورد، و یک محیط طراحیِ اختصاصی. این فصل، این سطوح را پوشش می‌دهد.

۶.۱ Claude Design — طراحیِ گفت‌وگومحور

توضیح ساده: یک محیط با بوم طراحی که در آن Claude (با مدلِ بیناییِ Opus) چیزهای بصری می‌سازد و شما با چت روی آن‌ها تکرار و اصلاح می‌کنید. می‌تواند نمونه‌اولیه، اسلاید، وب‌سایت و دارایی‌های بازاریابی بسازد.

یک قابلیت قدرتمند: می‌تواند با تحلیلِ فایل‌های موجودِ شما، سیستم طراحیِ برند شما را تشخیص و بازتولید کند — یعنی خروجی‌ها با هویت بصری شما هم‌خوان می‌شوند. خروجی را در قالب‌های مختلف می‌دهد و با Canva و Figma هم یکپارچه می‌شود.

انواع کاربرد

• ساخت یک دکِ ارائه با برند شرکت در چند دقیقه.
• طراحی صفحه‌ی فرود برای یک کمپین.
• تولید مجموعه‌ای از پست‌های شبکه‌ی اجتماعی با سبک یکسان.
• ساخت یک سیستم طراحی (رنگ، فونت، کامپوننت) از روی نمونه‌های موجود.

۶.۲ Claude in Chrome — عاملِ مرورگر

توضیح ساده: یک افزونه‌ی مرورگر (نسخه‌ی بتا، روی پلن‌های پولی، برای Chrome و Edge) که در یک پنل کناری صفحات را می‌خواند، کلیک و پیمایش می‌کند، گروه‌های تب را مدیریت می‌کند، و دانشِ آماده‌ای از Gmail/Calendar/Docs/GitHub/Slack دارد. می‌تواند یک ورک‌فلوِ مرورگری را ضبط و کارهای دوره‌ای زمان‌بندی کند، و برای دیباگ، خطاهای کنسول و شبکه را بخواند.

۶.۳ Claude در Excel، Word و Microsoft 365

• Claude in Excel: درکِ کلِ کارپوشه، ارجاع در سطح سلول، و حفظِ فرمول‌ها در میان وابستگی‌های چندبرگه‌ای. برای فرمول‌نویسی، تحلیل، و پاک‌سازیِ داده عالی است.
• Claude for Word: کمک در نگارش و ویرایش مستقیماً داخل ورد.
• Claude for Microsoft 365 / Outlook: کمک در مدیریت و نگارشِ ایمیل و کارهای آفیس.

افزونه‌های Excel و PowerPoint حالا زمینه‌ی گفت‌وگو را با هم به اشتراک می‌گذارند و از Skills پشتیبانی می‌کنند — یعنی می‌توانید داده را در اکسل تحلیل و بلافاصله به اسلاید تبدیل کنید.

۶.۴ نگاه کلی به سطوحِ کار

۷ Claude Code — مهندسیِ نرم‌افزارِ عاملانه

Claude Code همان ابزاری است که الگوی کار با هوش مصنوعی در برنامه‌نویسی را تغییر داد. این فقط یک «دستیار کد» نیست؛ یک مهندسِ همکار است که در ترمینال، IDE، دسکتاپ و وب زندگی می‌کند، کل کدبیس را می‌فهمد و کار را تا انتها می‌برد.

۷.۱ چرا ترمینال؟

به‌جای کپی‌کردن کد از یک پنجره‌ی چت، Claude Code همان‌جایی کار می‌کند که شما کار می‌کنید. به آن می‌گویید چه می‌خواهید؛ خودش نقشه می‌کشد، کد می‌نویسد، تست می‌گیرد، خطاها را می‌خواند، اصلاح می‌کند و commit می‌سازد. حلقه‌ی کارش این است: خواندن فایل ← اجرای تست ← خواندن خطا ← جست‌وجو ← ویرایش ← اجرای دوباره.

۷.۲ نصب و شروع

# macOS / Linux — اسکریپت رسمی
curl -fsSL https://claude.ai/install.sh | bash

# یا با Homebrew
brew install --cask claude-code

# سپس در پوشه‌ی پروژه:
cd your-project
claude

۷.۳ فلسفه‌ی یونیکس: قابل‌ترکیب و قابل‌اسکریپت

Claude Code را می‌توان مثل هر ابزار خط فرمانی «لوله» (pipe) کرد و در اسکریپت و CI گذاشت. پرچم -p یعنی «این کار را بکن و خروجی بده» (حالت بدون گفت‌وگو) — همین، اتوماسیون را ممکن می‌کند:

# تحلیل لاگ و هشدار
tail -200 app.log | claude -p "اگر ناهنجاری دیدی خلاصه کن"

# بازبینی امنیتی فایل‌های تغییرکرده
git diff main --name-only | claude -p "این فایل‌ها را از نظر امنیتی بررسی کن"

# خودکارسازی ترجمه در CI
claude -p "رشته‌های جدید را به فرانسوی ترجمه کن و یک PR بساز"

۷.۴ هفت سیستمِ توسعه‌پذیری

قدرت واقعیِ Claude Code در این هفت سیستم است که می‌توانید با هم ترکیب کنید:

• CLAUDE.md: «قانونِ اساسیِ» پروژه — قواعد، سبک و زمینه که در هر نشست خوانده می‌شود و از فشرده‌سازی جان سالم به‌در می‌برد.
• Plan mode: اول نقشه‌ی کار را نشان می‌دهد تا تأیید کنید (اغلب یک مدلِ قوی نقشه می‌کشد و یک مدلِ سریع اجرا می‌کند).
• Subagents (زیرایجنت‌ها): هر زیرایجنت پنجره‌ی متنِ جدا دارد؛ تا ۱۰ تا می‌توانند موازی کار کنند.
• Agent Teams: زیرایجنت‌هایی که یک فهرستِ کار مشترک دارند و با هم پیام رد و بدل می‌کنند — «Skillها دانش‌اند، Subagentها کارگر، و Agent Teams کارگرهایی که با هم حرف می‌زنند».
• Skills و Plugins: همان مفاهیم فصل ۳.
• Hooks (قلاب‌ها): کدی که قبل/بعد از هر فراخوانی ابزار اجرا می‌شود — جای ایده‌آل برای نگهبان‌ها (مثلاً وتوی rm -rf یا اسکنِ رمز).
• MCP: اتصال به Drive، Jira، Figma، Slack و ابزارهای داخلی.

۷.۵ Routines — اتوماسیونِ ابری

توضیح ساده: یک پیکربندیِ ذخیره‌شده (پرامپت + مخازن + اتصال‌ها) که روی ابرِ Anthropic اجرا می‌شود — لپ‌تاپ‌تان می‌تواند بسته باشد. سه نوع ماشه دارد که می‌توان ترکیب کرد:

• زمان‌بندی: ساعتی/روزانه/هفتگی یا cron (حداقل بازه‌ی ۱ ساعت).
• API: با یک درخواست HTTP فعال می‌شود.
• رویدادهای گیت‌هاب: روی باز شدن PR، push، Issue، release و… .

کاربردها

• بازبینیِ خودکارِ PRها هر صبح.
• تحلیلِ خرابی‌های CI به‌صورت شبانه.
• حسابرسیِ هفتگیِ وابستگی‌ها و ساخت گزارش امنیتی.
• همگام‌سازیِ مستندات بعد از merge شدن هر PR.

۷.۶ یکپارچگی با CI/CD و گیت‌هاب

اکشن رسمیِ گیت‌هاب به منشن‌های @claude، تخصیص Issue و پرامپت‌های خودکار پاسخ می‌دهد و خروجیِ ساختاریافته می‌دهد. با /install-github-app راه‌اندازی می‌شود و روی Anthropic API، Bedrock، Vertex و Foundry کار می‌کند.

۷.۷ مثال‌های سه‌سطحی

claude
> این پروژه چه‌کار می‌کند؟ معماری کلی‌اش را توضیح بده.
> از کجا شروع کنم اگر بخواهم قابلیت X را اضافه کنم؟

> کاربران می‌گویند هنگام پرداخت گاهی خطای 500 می‌گیرند.
  علتش را پیدا کن، رفعش کن، یک تست برایش بنویس،
  و با یک پیامِ commit واضح ثبت کن.

۸ Agent SDK و Managed Agents — ساختنِ ایجنتِ اختصاصی

اینجا از «استفاده‌کننده» به «سازنده» تبدیل می‌شوید. Agent SDK همان موتورِ پشتِ Claude Code را در اختیارتان می‌گذارد تا ایجنت‌های مخصوصِ خودتان را با Python یا TypeScript بسازید — برای محصول، برای کسب‌وکار، یا برای اتوماسیونِ پیچیده‌ی داخلی.

۸.۱ Agent SDK چیست؟

توضیح ساده: یک کتابخانه (با نصبِ pip install claude-agent-sdk برای Python یا npm برای TypeScript) که همان حلقه‌ی ایجنت، ابزارها و مدیریت زمینه‌ی Claude Code را به‌صورت برنامه‌نویسی در اختیار شما می‌گذارد. قبلاً «Claude Code SDK» نام داشت و چون مردم با آن فراتر از کد (دستیار ایمیل، تحقیق، مالی، پشتیبانی) می‌ساختند، به Agent SDK تغییر نام داد.

یاد فصلِ فلسفه بیفتید: به عامل یک کامپیوتر بدهید. دقیقاً همین کار را می‌کند.

۸.۲ ابزارهای داخلیِ آماده

بدون نوشتنِ یک خط، ایجنتِ شما این‌ها را دارد:

ReadWriteEdit BashGlobGrep WebSearchWebFetch AskUserQuestionAgent (زیرایجنت) NotebookEditTodoWrite

به‌علاوه: مدیریت خودکار زمینه (compaction)، کش پرامپت، مدیریت نشست، هوک‌ها، مجوزهای ریزدانه، و اتصال MCP.

۸.۳ دو رابط

• query() — یک‌باره و بدون‌حالت؛ برای اسکریپت‌ها و اتوماسیون.
• ClaudeSDKClient — باحالت و چندمرحله‌ای؛ برای اپ‌های تعاملی و چت‌بات‌ها، با امکان وقفه، ابزار سفارشی و هوک.

۸.۴ مثال‌های سه‌سطحی

import asyncio
from claude_agent_sdk import query

async def main():
    async for msg in query(prompt="فایل‌های بزرگ‌تر از 1MB این پوشه را پیدا کن"):
        print(msg)

asyncio.run(main())

from claude_agent_sdk import query, ClaudeAgentOptions

opts = ClaudeAgentOptions(
    setting_sources=["project"],          # خواندن CLAUDE.md
    allowed_tools=["Read","Edit","Bash","Grep"],
    permission_mode="acceptEdits",
)
async for msg in query(prompt="باگ لاگین را پیدا و رفع کن و تست‌ها را اجرا کن", options=opts):
    print(msg)

from claude_agent_sdk import ClaudeSDKClient, ClaudeAgentOptions

opts = ClaudeAgentOptions(
    system_prompt="تو یک مهندس SRE هستی که حوادث تولید را تریاژ می‌کنی.",
    mcp_servers={"linear": {"url": "https://mcp.example.com/linear"}},
)
async with ClaudeSDKClient(options=opts) as c:
    await c.query("لاگ سرویس پرداخت را بررسی و علت قطعی را پیدا کن")
    async for m in c.receive_response(): handle(m)
    await c.query("حالا یک تیکت Linear با خلاصه‌ی یافته‌ها بساز")  # حفظِ زمینه

۸.۵ Managed Agents — وقتی نمی‌خواهید زیرساخت بسازید

توضیح ساده: به‌جای اینکه خودتان سرور و محیطِ امن برای اجرای ایجنت بسازید، Anthropic این کار را می‌کند. شما یک Agent (مدل + پرامپت + ابزار)، یک Environment (محیطِ ایزوله) و یک Session (یک اجرا) تعریف می‌کنید و از طریق REST صدایش می‌زنید. سشن‌ها طولانی‌مدت‌اند و قطع اتصال را تحمل می‌کنند.

قابلیت‌های پیشرفته‌اش: Orchestration (یک ایجنتِ سرپرست تا حدود ۲۰ زیرایجنت را روی یک فایل‌سیستمِ مشترک هماهنگ می‌کند)، Outcomes (یک معیارِ کیفیت می‌نویسید و یک داورِ جدا نتیجه را تکرار و بهبود می‌دهد)، و حافظه‌ی داخلی.

۸.۶ اعتبارِ ماهانه‌ی Agent SDK (از ۱۵ ژوئن ۲۰۲۶)

۸.۷ چه ایجنت‌هایی می‌توان ساخت؟

ایجنت SRE / فرمانده‌ی حادثهربات بازبینی امنیتی دستیار آنکالبازبینِ کد دستیار حقوقیایجنت مالی دستیار شخصیپشتیبانیِ مشتری ایجنت تحقیقتولید ویدئویادداشت‌برداری

۹ Claude API — هسته‌ی برنامه‌نویسی

API پایه‌ای‌ترین و انعطاف‌پذیرترین دروازه است: پیام می‌فرستید، Claude پاسخ می‌دهد. هر اپ، ربات یا سرویسی که تصور کنید روی این رابط ساخته می‌شود. خودِ Agent SDK هم روی همین API بنا شده است.

۹.۱ Messages API — اولین تماس

# Python
import anthropic
client = anthropic.Anthropic()

msg = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    messages=[{"role":"user","content":"یک شعار برای فروشگاه طلا بنویس"}],
)
print(msg.content[0].text)

۹.۲ مدل‌ها و اقتصادِ توکن

Claude یک خانواده است. انتخابِ مدلِ درست برای هر کار، کلیدِ کیفیت و هزینه است.

۹.۳ Tool Use — پایه‌ی همه‌ی ایجنت‌ها

توضیح ساده: به Claude می‌گویید چه ابزارهایی دارید. وقتی لازم شد، می‌گوید «این ابزار را با این ورودی صدا بزن»؛ شما اجرا می‌کنید و نتیجه را برمی‌گردانید. دو نوع ابزار:

• ابزارهای کلاینت: خودِ اپ شما اجرایشان می‌کند (مثلاً «گرفتن قیمت از سیستم داخلی»).
• ابزارهای سرور: خودِ Anthropic اجرا می‌کند (در بخش بعد).

قابلیت‌های پیشرفته: فراخوانیِ موازیِ ابزارها، tool search (کشفِ ابزار میان صدها ابزار بدون بارگذاریِ همه)، و فراخوانیِ برنامه‌ایِ ابزار.

۹.۴ ابزارهای سمت‌سرور (میزبانیِ Anthropic)

این‌ها را لازم نیست خودتان بسازید:

• Web Search / Web Fetch: جست‌وجو و خواندنِ صفحات وب.
• Code Execution: اجرای Python/Bash در محیطِ امن — برای تحلیل داده، محاسبه و ساختِ فایل.
• Memory tool: حافظه‌ی پایدار بین فراخوانی‌ها (فایل‌های سمتِ کلاینت).
• Bash & Text Editor: اجرای دستور و ویرایش فایل (آموزش‌دیده، پس قابل‌اطمینان‌تر).
• Computer Use: دیدنِ صفحه و کنترلِ ماوس/کیبورد برای خودکارسازیِ هر رابطِ گرافیکی.

این ابزارها برای ترکیب طراحی شده‌اند: جست‌وجو+اجرای‌کد (تحقیق)، ویرایشگرمتن+bash (حلقه‌ی کدنویسی)، و Memory در کنارِ همه‌چیز.

۹.۵ قابلیت‌های کاهشِ هزینه و کنترل

• Prompt Caching: کشِ زمینه‌ی تکراری — خواندن از کش تا حدود ۹۰٪ ارزان‌تر.
• Batch API: کارهای غیرفوری با ۵۰٪ تخفیف (تحویل ظرف ۲۴ ساعت). با کش روی هم تا حدود ۹۵٪ صرفه‌جویی.
• Streaming: دریافتِ زنده‌ی پاسخ.
• Structured Outputs: وادارکردنِ خروجی به JSON دقیق برای استفاده‌ی برنامه‌ای.
• Compaction / Context editing: مدیریتِ پنجره‌ی متن در گفت‌وگوهای بسیار طولانی.
• Token counting: شمارشِ توکن پیش از ارسال برای کنترلِ بودجه.

۹.۶ مثال‌های سه‌سطحی

system = "فقط JSON برگردان، بدون هیچ توضیحی."
prompt = "از این فاکتور: شماره، تاریخ، مبلغ کل و خریدار را استخراج کن."
# خروجی JSON تمیز، آماده‌ی ذخیره در دیتابیس

۱۰ زنجیره‌ها و الگوهای ورک‌فلو

یک فراخوانیِ تنها قدرتمند است، اما کارهای واقعی چندمرحله‌ای‌اند. «زنجیره» یعنی به‌هم‌بستنِ گام‌ها به‌طوری‌که خروجیِ هر گام، ورودیِ گام بعد باشد. Anthropic پنج الگوی ساده و قابل‌ترکیب را به‌عنوان نقشه‌ی راه معرفی کرده — این پنج الگو، الفبای ساختنِ هر سیستمِ هوشمند است.

۱۰.۰ ورک‌فلو در برابر ایجنت

• ورک‌فلو: مدل و ابزارها از مسیرهای کدِ از پیش‌تعریف‌شده عبور می‌کنند — مثل یک دستورِ پخت. قابل‌پیش‌بینی، ارزان، کنترل‌پذیر.
• ایجنت: مدل خودش مسیر و ابزار را به‌صورت پویا انتخاب می‌کند. انعطاف‌پذیر اما گران‌تر و کم‌قطعیت‌تر.

بلوکِ پایه‌ی هردو، «مدلِ تقویت‌شده» است: مدل + بازیابی + ابزار + حافظه. و یادتان باشد (از فصل فلسفه): ساده‌ترین چیزی که کار می‌کند را انتخاب کنید.

۱۰.۱ زنجیره‌ی پرامپت (Prompt Chaining)

چیست: کار را به مراحلِ پشت‌سرهم می‌شکنید؛ خروجیِ هر مدل ورودیِ مدلِ بعد می‌شود. می‌توان بینِ مراحل «دروازه» (بررسیِ کیفیت) گذاشت.

کِی: کارهای کم‌پیچیدگی با مراحلِ مشخص.

مثال: نوشتنِ سند ← گام۱: طرحِ کلی ← دروازه: آیا طرح معیارها را دارد؟ ← گام۲: نوشتنِ متنِ کامل ← گام۳: ویرایشِ لحن. (ترجمه هم همین است: ترجمه ← بازبینی ← اصلاح.)

۱۰.۲ مسیریابی (Routing)

چیست: اول ورودی را دسته‌بندی می‌کنید، بعد به مسیر/پرامپتِ تخصصی می‌فرستید.

کِی: ورودی‌ها دسته‌های متمایز دارند.

مثال: در پشتیبانی، یک مدلِ سبک سؤال را به «فنی/مالی/عمومی» دسته‌بندی می‌کند؛ سؤال‌های ساده به Haiku و پیچیده‌ها به Opus می‌روند. هم کیفیت بالا می‌رود، هم هزینه پایین می‌آید — این مهم‌ترین الگوی صرفه‌جویی است.

۱۰.۳ موازی‌سازی (Parallelization)

چیست: چند مدل هم‌زمان کار می‌کنند و خروجی‌ها ترکیب می‌شوند. دو حالت: بخش‌بندی (تقسیمِ کار به زیرکارهای مستقل) و رأی‌گیری (اجرای چندباره برای اطمینانِ بیشتر).

کِی: وقتی سرعت مهم است یا چند دیدگاه می‌خواهید.

مثال: برای بازبینیِ کد، هم‌زمان سه ایجنت بفرستید — امنیت، کارایی، خوانایی — و گزارش‌ها را یک‌جا کنید.

۱۰.۴ هماهنگ‌کننده–کارگرها (Orchestrator-Workers)

چیست: یک مدلِ «هماهنگ‌کننده» کار را به‌صورت پویا می‌شکند و به «کارگرها» می‌سپارد، بعد نتایج را جمع می‌کند. برخلاف موازی‌سازیِ ساده، زیرکارها از پیش معلوم نیستند.

کِی: کارهای با پیچیدگیِ غیرقابل‌پیش‌بینی، مثل تغییراتِ چندفایلی یا تحقیقِ باز.

مثال: همان سیستمِ Research عمیق که در فصل ۴ دیدیم؛ یا ایجنت‌های کدنویسی که یک Issue را در چند فایل حل می‌کنند. این همان مکانیزمِ Subagents است.

۱۰.۵ ارزیاب–بهینه‌ساز (Evaluator-Optimizer)

چیست: یک مدل خروجی تولید می‌کند و مدلِ دیگری آن را نقد می‌کند؛ این چرخه‌ی بازخورد تکرار می‌شود تا کیفیت به حدِ مطلوب برسد.

کِی: وقتی معیارِ کیفیت روشن است و تکرار واقعاً نتیجه را بهتر می‌کند (ترجمه‌ی ادبی، کدی که باید از تست رد شود).

مثال: «این مقاله را بنویس» (تولیدکننده) ← «هر ادعا را در برابرِ شواهد بسنج و ضعف‌ها را فهرست کن» (ارزیاب) ← بازنویسی ← تکرار تا تأیید. (در Managed Agents این همان قابلیتِ Outcomes است.)

۱۰.۶ نگاشتِ الگوها به ابزارهای Claude

۱۱ کاوشِ کاربردها — چطور کشف کنیم چه کاری ممکن است

این فصل، قلبِ خواسته‌ی شماست: نه فهرستی از کاربردهای آماده، بلکه یک روشِ کشف تا برای هر شغل و هر موقعیتی بتوانید خودتان بفهمید چه کاری ممکن است. اول روش، بعد مثال‌ها در ده‌ها حوزه.

۱۱.۱ روشِ سه‌سؤالیِ کشف

هر بار که با یک کار روبه‌رو می‌شوید، این سه سؤال را بپرسید:

1. آیا این کار «دیجیتالی و توصیف‌پذیر» است؟ اگر می‌توانید مرحله‌به‌مرحله توضیحش بدهید و با کامپیوتر انجام می‌شود، نامزدِ خوبی است. (یاد سؤالِ طلاییِ «کارآموزِ باهوش» در فصل ۰ بیفتید.)
2. چقدر تکرار می‌شود؟ هرچه تکرارشونده‌تر، ارزشِ خودکارسازی بیشتر. کارِ یک‌باره = چت. کارِ روزانه = Skill/Cowork. کارِ خودکارِ زمان‌بندی‌شده = Routine/Agent.
3. ریسکِ اشتباه چقدر است؟ ریسکِ بالا = نظارتِ انسانیِ بیشتر و دسترسیِ کمتر. ریسکِ پایین = اختیارِ بیشتر.

جوابِ این سه سؤال، هم‌زمان به شما می‌گوید آیا Claude کمک می‌کند و کدام ابزار/پله مناسب است.

۱۱.۲ الگوی جهان‌شمولِ کار: شش فعلِ پایه

تقریباً هر کارِ دانش‌محور، ترکیبی از این شش فعل است. وقتی کارتان را به این افعال بشکنید، فوراً می‌بینید Claude کجا کمک می‌کند:

۱۱.۳ کاوش بر اساس نقش و حوزه

حالا روش را روی حوزه‌های مختلف اعمال می‌کنیم. هر مورد را با عینکِ «طیفِ واگذاری» بخوانید.

کارهای اداری و دفتری

• ساده: نگارش و خلاصه‌ی ایمیل، تهیه‌ی صورت‌جلسه، بازنویسیِ متن.
• متوسط: ساختِ گزارشِ ماهانه از چند اکسل، یکدست‌کردنِ ده‌ها سند (Cowork + Skill).
• پیشرفته: داشبوردِ زنده‌ی KPI متصل به Slack/Drive/تقویم که خودکار تازه می‌شود (Live Artifact + MCP + Routine).

مهندسی نرم‌افزار

• ساده: توضیحِ کد، رفعِ یک باگ، نوشتنِ یک تابع.
• متوسط: بازآرایی، نوشتنِ مجموعه‌تست، مهاجرتِ کتابخانه (Claude Code + CLAUDE.md).
• پیشرفته: ایجنت SRE یا بازبینیِ امنیتیِ خودکار در CI (Agent SDK / Routines).

فروش و بازاریابی

• ساده: نوشتنِ ایمیلِ سرد، تولیدِ چند نسخه از یک تبلیغ، خلاصه‌ی تماس.
• متوسط: تولیدِ یک کمپینِ محتوا با سبکِ برند (Claude Design)، تحلیلِ قیفِ فروش از CRM.
• پیشرفته: ایجنتِ صلاحیت‌سنجیِ سرنخ که با CRM کار می‌کند و سرنخ‌های داغ را به فروشنده می‌سپارد.

حقوقی

• ساده: خلاصه‌ی یک قرارداد، یافتنِ یک بند، توضیحِ یک اصطلاحِ حقوقی.
• متوسط: بازبینیِ قرارداد طبقِ سیاستِ شرکت (Project + Skill + دانش).
• پیشرفته: ایجنتِ بازبینیِ قرارداد که نسخه‌ها را از Drive می‌آورد و تفاوت‌ها را علامت می‌زند.

مالی و حسابداری

• ساده: تحلیلِ یک صورت‌مالی، توضیحِ یک نسبتِ مالی.
• متوسط: استخراجِ داده از انبوهِ فاکتورها به اکسل (Batch API برای ارزانی).
• پیشرفته: ایجنتِ مغایرت‌گیری یا تشخیصِ تقلب که گزارشِ روزانه می‌سازد.

پژوهش و تحلیلِ داده

• ساده: خلاصه‌ی یک مقاله، توضیحِ یک روش.
• متوسط: تحلیلِ یک دیتاست و تولیدِ نمودار (Code Execution / Artifacts).
• پیشرفته: یک تیمِ تحقیقِ چنداگانه برای مرورِ جامعِ یک حوزه (Research عمیق / Orchestration).

آموزش

• ساده: توضیحِ یک مفهوم در سطوحِ مختلف، ساختِ سؤالِ تمرین.
• متوسط: ساختِ یک ابزارِ یادگیریِ تعاملی (Artifact)، طراحیِ یک دوره.
• پیشرفته: یک معلمِ خصوصیِ تطبیقی که سطحِ دانش‌آموز را دنبال می‌کند (Memory + Project).

سلامت و درمان (با احتیاط)

• ساده: توضیحِ یک مفهومِ پزشکی به زبانِ ساده، خلاصه‌ی یک مقاله.
• متوسط: سامان‌دهیِ مستنداتِ بالینی، تولیدِ پیش‌نویسِ یادداشت (با بازبینیِ متخصص).
• پیشرفته: ایجنتِ کمک به فرایندهای اداریِ درمان (مثلِ مجوزِ پیشین) در محیطِ منطبق با مقررات (Enterprise/HIPAA).

عملیات و منابع انسانی

• ساده: نوشتنِ شرحِ شغل، خلاصه‌ی رزومه‌ها.
• متوسط: سامان‌دهیِ فرایندِ استخدام، ساختِ راهنمای آنبوردینگ (Plugin).
• پیشرفته: ایجنتِ غربالگریِ اولیه که با ATS کار می‌کند و گزارشِ ساختاریافته می‌دهد.

۱۱.۴ تمرینِ کشف: کارِ خودتان را بشکنید

۱۲ کسب درآمد و ساختنِ کسب‌وکار

Claude نه‌تنها بهره‌وری شما را بالا می‌برد، بلکه می‌تواند پایه‌ی یک کسب‌وکار باشد. این فصل پر است از مدل‌های درآمدی، روایت‌های واقعی، و اقتصادِ پشتِ هرکدام — تا ببینید پول واقعاً کجا ساخته می‌شود.

۱۲.۱ نقشه‌ی مدل‌های درآمدی

۱۲.۲ روایت‌های واقعی

۱۲.۲.۱ داستان‌های خرد — مقیاسی که از همین امروز ممکن است

داستان‌های بالا الهام‌بخش‌اند اما می‌توانند «توهمِ مقیاس» بسازند. واقعیتِ روزمره، کوچک‌تر اما کاملاً در دسترس است. این روایت‌ها فرضی‌اند ولی الگوی واقع‌بینانه‌ای را نشان می‌دهند:

۱۲.۲.۲ الگوی قرارداد و توافقِ سطحِ خدمات (SLA)

اگر بخواهید برای یک مشتری ایجنت یا اتوماسیون بسازید، یک توافقِ روشن از دردسرِ بعدی جلوگیری می‌کند. این یک اسکلتِ ساده است (الگوی کامل‌تر در فصلِ «قالب‌های آماده»):

• دامنه‌ی کار: دقیقاً چه کاری خودکار می‌شود و چه چیزی خارج از قرارداد است.
• سطحِ کیفیت: معیارِ موفقیت چیست (مثلاً «۹۰٪ موارد بدونِ دخالتِ انسان درست انجام شود»).
• انسان در حلقه: کدام تصمیم‌ها همیشه نیاز به تأییدِ انسانی دارند.
• سقفِ مصرف: سقفِ هزینه‌ی API و اینکه عبور از آن چه می‌شود (این بند، شما را از فاجعه‌ی مالی نجات می‌دهد).
• مسئولیت: صراحتاً قید کنید خروجی باید توسطِ مشتری بازبینی شود و مسئولیتِ تصمیمِ نهایی با اوست.
• نگه‌داری: چه چیزی در حق‌اشتراکِ ماهانه پوشش داده می‌شود (به‌روزرسانی، رفعِ اشکال، پایش).

۱۲.۳ گام‌های عملیِ شروع

1. یک دردِ واقعی و تکرارشونده‌ی یک کسب‌وکار را پیدا کنید (نه یک ایده‌ی کلی).
2. اول دستی با اپ Claude حلش کنید تا ثابت شود ارزش دارد.
3. با ساده‌ترین الگو (ورک‌فلو، نه ایجنتِ پیچیده) خودکارش کنید.
4. هزینه‌ی هر تراکنش را اندازه بگیرید و قیمت را بالاتر از آن بگذارید.
5. کیفیت و ایمنی را پایش کنید؛ مسیرِ ارجاع به انسان بگذارید.
6. تدریجی مقیاس بدهید: از فریلنس به محصول، از یک مشتری به چند مشتری.

۱۲.۴ اقتصادِ حاشیه‌ی سود — جایی که کسب‌وکار زنده یا نابود می‌شود

درآمد بدونِ کنترلِ هزینه، توهم است. سه اهرمِ اصلی:

• مسیریابیِ مدل: یک ترکیبِ مثلاً ۶۰٪ Haiku / ۳۵٪ Sonnet / ۵٪ Opus می‌تواند حدودِ ۳۷٪ از حالتِ «همه‌چیز Sonnet» ارزان‌تر باشد. کارِ ساده را به مدلِ ارزان بسپارید.
• کش + Batch: کشِ پرامپت (۹۰٪) و Batch (۵۰٪) روی هم تا حدودِ ۹۵٪ صرفه‌جویی.
• سقفِ مصرف: همیشه سقف بگذارید. یک حلقه‌ی رهاشده‌ی چنداگانه در یک موردِ واقعی، ۱۱ روز اجرا شد و حدودِ ۴۷٬۰۰۰ دلار صورت‌حساب ساخت. در قراردادهای با قیمتِ ثابت، حتماً سقفِ مصرف را قید کنید.

۱۲.۵ پلن‌ها و قیمت‌گذاری (مرجعِ سریع)

⚠ شکست‌ها و اشتباهاتِ واقعی — یادگیری از خطا

Claude جادوگر نیست. اشتباه می‌کند، گاهی با اطمینانِ کامل. این فصل عمداً روی خطاها تمرکز دارد، چون یادگیری از اشتباه قوی‌تر از یادگیری از موفقیت است. هر مورد، خطا را نشان می‌دهد و بعد راهِ تشخیص و رفعش را.

✦ Claude برای کاربرِ فارسی‌زبان

این فصل به چالش‌های واقعیِ کاربرِ فارسی‌زبان می‌پردازد — به‌صورت کلی و بدونِ نام‌بردن از سرویسِ خاص. هدف، واقع‌بینی است، نه دورزدنِ هیچ محدودیتی.

چالشِ دسترسی و پرداخت

کاربرانِ بعضی مناطق با محدودیت‌های جغرافیایی و دشواریِ پرداختِ ارزی روبه‌رو هستند. به‌جای راه‌حلِ مشخص، چند اصلِ کلی:

• هزینه‌ی اشتراکِ ارزی ممکن است برای بسیاری سنگین باشد؛ پیش از تعهدِ مالی، ببینید پلنِ رایگان چقدر از نیازتان را پوشش می‌دهد — برای خیلی از کارهای روزمره کافی است.
• اگر کارِتان حجمِ مشخص و قابل‌پیش‌بینی دارد، مدلِ پرداختِ به‌ازای مصرف (API) ممکن است از اشتراکِ ثابت اقتصادی‌تر باشد؛ هزینه را بر مبنای حجمِ واقعیِ توکن برآورد کنید.
• پیش از هر تصمیم، شرایط و قوانینِ منطقه‌ای و نیز شرایطِ استفاده‌ی سرویس را بررسی کنید.

چالشِ متنِ راست‌به‌چپ (RTL)

یکی از پردردسرترین مسائلِ عملی برای فارسی‌زبان‌ها، به‌هم‌ریختگیِ متنِ راست‌به‌چپ است — به‌خصوص وقتی فارسی و انگلیسی/عدد قاطی می‌شوند، یا در خروجی‌های کد و Artifact. چند راهکار:

• در خروجی‌های HTML/سند، صراحتاً بخواهید dir="rtl" و یک فونتِ فارسیِ مناسب تنظیم شود.
• برای متنِ ترکیبیِ فارسی-انگلیسی، از Claude بخواهید جداکننده‌های جهت‌دار را درست مدیریت کند یا اعداد/کدِ انگلیسی را در محفظه‌ی جداگانه بگذارد.
• اگر در یک ابزارِ دیگر (مثلِ ورد) متن به‌هم می‌ریزد، می‌توانید از Claude بخواهید یک نسخه‌ی تمیزشده‌ی سازگار با آن ابزار بسازد.

چالشِ کیفیتِ فارسی

همان‌طور که در فصلِ شکست‌ها گفتیم، گاهی فارسیِ تولیدشده روان اما کم‌عمق است. برای کارِ جدیِ فارسی، نمونه‌ی لحن بدهید، بخش‌بخش پیش بروید، و بازبینیِ انسانیِ نهایی را جدی بگیرید.

اتصال به سرویس‌های محلی

از نظرِ فنی، MCP یک استانداردِ باز است و می‌توان برای سرویس‌های محلی (درگاه‌های پرداخت، سیستم‌های مدیریتِ محتوا، نرم‌افزارهای داخلی) سرورِ MCP نوشت — مشروط بر آنکه آن سرویس یک رابطِ برنامه‌نویسی (API) در اختیار بگذارد. یعنی محدودیتْ فنی نیست؛ صرفاً به وجودِ API و رعایتِ قوانین بستگی دارد.

§ اخلاق و مسئولیت

با قدرتِ بیشتر، مسئولیتِ بیشتر می‌آید. این فصل کوتاه اما مهم است، چون نادیده‌گرفتنش می‌تواند گران تمام شود — هم اخلاقی، هم قانونی.

کپی‌رایت و مالکیتِ خروجی

خروجیِ Claude را می‌توانید استفاده کنید، اما چند نکته: محتوای تولیدشده ممکن است ناخواسته شبیهِ آثارِ موجود باشد؛ مسئولیتِ بررسیِ اصالت و نقضِ احتمالیِ کپی‌رایت با شماست. برای کارهای تجاری و انتشارِ گسترده، اصالت‌سنجی کنید و شرایطِ استفاده‌ی سرویس را درباره‌ی مالکیتِ خروجی بخوانید.

مسئولیتِ قانونی

اگر Claude یک قراردادِ غلط، یک توصیه‌ی مالیِ نادرست یا یک کدِ معیوب تولید کند، مسئولیتِ نهایی با کسی است که آن را به‌کار می‌برد، نه ابزار. در حوزه‌های حساس (حقوقی، پزشکی، مالی) خروجی را همیشه یک متخصصِ مسئول بازبینی کند. Claude جایگزینِ مشاوره‌ی تخصصی نیست.

سوگیری (Bias)

مدل‌های زبانی از داده‌های انسانی آموزش دیده‌اند و می‌توانند سوگیری‌های آن داده‌ها را بازتاب دهند — در تحلیل‌ها، توصیه‌ها یا قضاوت‌ها. در تصمیم‌های مهم (استخدام، اعتبارسنجی، ارزیابی) به خروجی به‌عنوان یک «نظرِ کمکی» نگاه کنید، نه حکمِ بی‌طرف. تنوعِ دیدگاه و بازبینیِ انسانی را حفظ کنید.

شفافیت و حریمِ خصوصی

اگر خروجیِ هوش مصنوعی را به دیگران ارائه می‌دهید (مشتری، مخاطب)، شفاف باشید. داده‌های حساسِ دیگران را بدونِ اجازه وارد نکنید؛ برای کارهای محرمانه از حالتِ Incognito و سیاست‌های نگه‌داریِ مناسب استفاده کنید.

⛓ ترکیب‌های طلایی، گام‌به‌گام

در فصل‌های قبل ترکیب‌ها را معرفی کردیم؛ اینجا دو تای مهم را عملی و مرحله‌به‌مرحله پیاده می‌کنیم تا بدانید دقیقاً از کجا شروع کنید و چه چیزی را اول نصب کنید.

ترکیب ۱: «همکارِ تخصصی» — Project + Skill + MCP

هدف: یک دستیار که یک کارِ تخصصیِ مکرر را طبقِ استانداردِ شما و با دسترسی به داده‌هایتان انجام دهد.

1. زمینه را بساز: یک Project جدید بساز و اسناد و قواعدِ مرجع را به‌عنوان دانش آپلود کن.
2. دستورالعملِ دائمی بنویس: در تنظیماتِ Project، نقش و قواعدِ کلی را بنویس (مثلاً «تو بازبینِ قراردادِ ما هستی و همیشه طبقِ این سیاست عمل می‌کنی»).
3. روش را بساز: یک Skill برای آن کارِ تخصصی بساز (با Skill Creator) و توضیحش را دقیق بنویس.
4. دست‌ها را وصل کن: Connectorهای لازم (فضای ذخیره، تقویم و…) را وصل کن.
5. تست کن: یک نمونه‌ی واقعی بده و خروجی را با استانداردت بسنج؛ Skill و دستورالعمل را اصلاح کن.
6. به‌کار بگیر: از این پس هر کارِ جدید را در همین Project شروع کن.

ترکیب ۲: «دستیارِ همیشه‌بیدار» — Cowork + Routine + MCP + Live Artifact

هدف: یک گزارش/داشبورد که هر روز خودکار آماده می‌شود، بی‌آنکه کاری کنید.

1. دسترسی بده: در Cowork یک پوشه‌ی کم‌ریسک تعیین کن و Connectorهای منبعِ داده را وصل کن.
2. یک‌بار دستی انجام بده: کار را یک‌بار به‌صورت دستی بساز تا مطمئن شوی خروجی درست است (اصلِ «اول دستی، بعد خودکار»).
3. به Live Artifact تبدیل کن: از Cowork بخواه نتیجه را به‌صورت یک داشبوردِ زنده دربیاورد که به منابعِ داده وصل است.
4. زمان‌بندی کن: با /schedule یک Routine بساز که هر روز/هفته آن را تازه کند.
5. کانالِ تحویل بگذار: بخواه خلاصه را در پایانِ هر اجرا برایت بفرستد (ایمیل/پیام).
6. نظارت کن: چند بارِ اول خروجی را بررسی کن تا به آن اعتماد کنی (آزمونِ آخر هفته).

▤ قالب‌های آماده

این قالب‌ها را می‌توانید کپی و برای کارِ خودتان شخصی‌سازی کنید. نقطه‌ی شروعِ عملی برای پیاده‌سازیِ چیزهایی که در جزوه خواندید.

۱. نمونه‌ی SKILL.md

---
name: monthly-report
description: ساخت گزارش ماهانه از داده‌های خام طبق قالب شرکت ما.
  وقتی کاربر گزارش ماهانه، خلاصه‌ی فروش یا گزارش عملکرد می‌خواهد فعال شو.
---

# دستورالعمل ساخت گزارش ماهانه
1. داده‌ی خام را از فایل ورودی بخوان و اعتبارسنجی کن.
2. سه شاخص کلیدی را محاسبه کن: مجموع، رشد نسبت به ماه قبل، بهترین/بدترین.
3. یک نمودار میله‌ای ماهانه بساز.
4. خلاصه‌ی مدیریتی را در حداکثر ۵ جمله بنویس.
5. خروجی را با قالب رنگی شرکت (فایل brand.css) و به‌صورت RTL بساز.
6. تاریخ‌ها را شمسی و اعداد را با جداکننده‌ی هزارگان نمایش بده.

۲. نمونه‌ی CLAUDE.md (برای Claude Code)

# قواعد پروژه
- زبان کامنت‌ها: فارسی. نام متغیرها: انگلیسی.
- قبل از هر تغییر بزرگ، نقشه‌ات را نشان بده و تأیید بگیر.
- همیشه برای کد جدید تست بنویس.
- از کتابخانه‌ی X استفاده کن، نه Y (به دلیل سازگاری).
- هرگز به شاخه‌ی main مستقیم push نکن؛ همیشه شاخه‌ی جدید بساز.
- متغیرهای محرمانه را در کد ننویس؛ از فایل env. بخوان.

# ساختار پروژه
- src/ : کد اصلی
- tests/ : تست‌ها
- docs/ : مستندات

۳. نمونه‌ی دستورالعملِ Project

تو دستیار تخصصی [نقش] برای [نام پروژه/شرکت] هستی.

قواعد همیشگی:
- لحن: [رسمی/دوستانه]. زبان: فارسی.
- همیشه از اسناد مرجع این پروژه به‌عنوان منبع اصلی استفاده کن.
- اگر چیزی در منابع نبود، صراحتاً بگو «در منابع نیست» و حدس نزن.
- خروجی نهایی را برای بازبینی انسانی آماده کن، نه به‌عنوان حکم نهایی.

معیار کیفیت:
- [مثلاً: هر ادعای حقوقی باید به ماده‌ی قانونی مشخص ارجاع داشته باشد.]

۴. اسکلتِ قرارداد اتوماسیون / SLA

۱. دامنه‌ی خدمات: [دقیقاً چه کاری خودکار می‌شود]
۲. خارج از دامنه: [چه چیزهایی شامل نمی‌شود]
۳. معیار موفقیت (SLA): [مثلاً ۹۰٪ موارد بدون دخالت انسان]
۴. انسان در حلقه: [کدام تصمیم‌ها نیاز به تأیید انسانی دارند]
۵. سقف مصرف: [سقف هزینه‌ی ماهانه‌ی API و رفتار هنگام عبور]
۶. مسئولیت: خروجی باید توسط کارفرما بازبینی شود؛ تصمیم نهایی با اوست.
۷. هزینه: [ساخت یک‌باره] + [نگه‌داری ماهانه]
۸. نگه‌داری شامل: به‌روزرسانی، رفع اشکال، پایش، گزارش ماهانه.
۹. محرمانگی: نحوه‌ی نگه‌داری و حذف داده‌های کارفرما.

۵. نمونه‌ی پرامپتِ Routine

هر [دوشنبه ساعت ۸ صبح]:
۱. داده‌های هفته را از [منبع] بخوان.
۲. آن‌ها را با [منبع دوم] تطبیق بده.
۳. یک گزارش خلاصه با نمودار بساز.
۴. ناهنجاری‌ها یا موارد نیازمند توجه را علامت بزن.
۵. خلاصه را برای [گیرنده] بفرست.
۶. اگر خطایی رخ داد، به‌جای ادامه، گزارش خطا بده.

▣ برگه‌ی تقلب — کل جزوه در یک نگاه

این صفحه را پرینت کنید و کنار دستتان بگذارید. همه‌ی مفاهیمِ کلیدی، فشرده.

⌨ واژه‌نامه — اصطلاحات به زبانِ ساده

هر اصطلاحِ فنی که در جزوه دیدید، اینجا به زبانِ ساده توضیح داده شده.

توکن (Token)

واحدِ شمارشِ متن برای هوش مصنوعی؛ تقریباً هر ۰٫۷۵ کلمه‌ی انگلیسی ≈ ۱ توکن. هزینه بر مبنای توکن حساب می‌شود.

پنجره‌ی زمینه (Context Window)

حجمِ متنی که Claude می‌تواند هم‌زمان «در ذهن» نگه دارد. وقتی پر شود، کیفیت افت می‌کند.

عامل / ایجنت (Agent)

هوش مصنوعی‌ای که فقط جواب نمی‌دهد، بلکه خودش چند مرحله را طی می‌کند و کار را انجام می‌دهد.

MCP (Model Context Protocol)

یک زبانِ استانداردِ مشترک که Claude را به ابزارها و داده‌های بیرونی (ایمیل، تقویم، دیتابیس و…) وصل می‌کند.

RAG (Retrieval-Augmented Generation)

روشی که در آن هوش مصنوعی به‌جای تکیه بر حافظه، اول اطلاعاتِ مرتبط را از یک منبع بازیابی و بعد بر اساسِ آن پاسخ می‌دهد.

Hooks (قلاب‌ها)

کدی که خودکار قبل یا بعد از یک عمل اجرا می‌شود؛ جای مناسبی برای گذاشتنِ نگهبان و قاعده.

OAuth

روشِ استانداردِ ورودِ امن که اجازه می‌دهد یک سرویس به سرویسِ دیگر دسترسی بدهد، بدونِ به‌اشتراک‌گذاریِ رمز.

CI/CD (Continuous Integration/Delivery)

فرایندِ خودکارِ تست و انتشارِ کد در توسعه‌ی نرم‌افزار؛ هر تغییر به‌صورت خودکار بررسی و منتشر می‌شود.

SRE (Site Reliability Engineering)

مهندسیِ پایداریِ سامانه‌ها؛ نقشی که مطمئن می‌شود سرویس‌ها همیشه در دسترس و سالم بمانند.

SCIM / SSO

استانداردهای سازمانیِ مدیریتِ کاربر و ورودِ یکپارچه؛ تا کارکنان با یک حساب به همه‌ی ابزارها وارد شوند.

Prompt Injection (تزریقِ پرامپت)

حمله‌ای که در آن یک متنِ مخرب (در یک فایل یا صفحه‌ی وب) دستوراتِ پنهانی به هوش مصنوعی می‌دهد تا کارِ ناخواسته کند.

Prompt Caching (کشِ پرامپت)

ذخیره‌ی موقتِ بخشِ تکراریِ ورودی تا دفعاتِ بعد ارزان‌تر و سریع‌تر پردازش شود.

Batch API

پردازشِ دسته‌ایِ کارهای غیرفوری با ۵۰٪ تخفیف؛ نتیجه ظرفِ حداکثر ۲۴ ساعت.

Subagent (زیرایجنت)

یک عاملِ فرعی که عاملِ اصلی برای یک کارِ مشخص راه می‌اندازد؛ پنجره‌ی زمینه‌ی جدا دارد.

Artifact

خروجیِ قابل‌استفاده‌ای (کد، سند، ابزار) که Claude در پنجره‌ی جداگانه می‌سازد و قابلِ ویرایش و اشتراک است.

Hallucination (توهم)

وقتی هوش مصنوعی اطلاعاتی می‌سازد که وجود ندارد اما با اطمینان ارائه‌اش می‌دهد.

Headless / حالتِ بدونِ رابط

اجرای یک ابزار بدونِ گفت‌وگوی تعاملی، معمولاً برای خودکارسازی در اسکریپت‌ها (مثلِ پرچم -p در Claude Code).

۱۳ جمع‌بندی، امنیت و منابع

رسیدیم به انتها. بیایید همه‌چیز را در یک جعبه‌ابزارِ ذهنیِ ساده جمع کنیم که بتوانید هر روز از آن استفاده کنید.

۱۳.۱ کلِ جزوه در پنج جمله

1. از «پرامپت‌نویسی» به «سپردنِ نتیجه» فکر کنید؛ مثلِ یک مدیر، نه یک اپراتور.
2. کارتان را روی «طیفِ واگذاری» قرار دهید و پله‌ی درست (چت ← Project ← Cowork/Code ← Agent) را انتخاب کنید.
3. قدرت در ترکیب است: MCP (اتصال) + Skills (روش) + Projects/Memory (زمینه) را با هم به‌کار ببرید.
4. ساده شروع کنید؛ فقط وقتی لازم شد پیچیدگی (ایجنت) اضافه کنید؛ و همیشه کیفیت را راستی‌آزمایی کنید.
5. برای کسب‌وکار، یک عمودیِ مشخص را با «انسان در حلقه» بفروشید و حاشیه‌ی سود را با مسیریابیِ مدل و کش حفظ کنید.

۱۳.۲ چک‌لیستِ امنیت و اعتماد

• هرگز به عامل، دسترسیِ حذفِ فایل‌های جایگزین‌ناپذیر ندهید؛ پشتیبان بگیرید.
• به محتوای ناشناس (فایل/صفحه‌ی وب) اعتماد نکنید؛ ریسکِ تزریقِ پرامپت واقعی است.
• برای کارهای حساس (ارسال، حذف، پرداخت، تغییرِ دسترسی) تأیید انسانی بگذارید.
• «آزمونِ آخر هفته» را اجرا کنید: اگر به رهاکردنش بدون نظارت مطمئن نیستید، اختیارش را کم کنید.
• برای داده‌ی حساس، Incognito، سیاست‌های نگه‌داری و در سازمان، گزینه‌های منطبق با مقررات را به‌کار ببرید.

۱۳.۳ نقشه‌ی بزرگِ ترکیب‌ها (یک نگاه)

۱۳.۴ منابعِ رسمی

• مستنداتِ کلی و API: docs.claude.com
• Claude Code: docs.claude.com/.../claude-code
• Agent SDK: docs.claude.com/.../agent-sdk
• مقاله‌ی «ساختنِ ایجنت‌های مؤثر»: anthropic.com/research/building-effective-agents
• پشتیبانی و راهنمای اپ: support.claude.com
• قیمت‌گذاریِ به‌روز: claude.com/pricing
• مهارت‌ها (استانداردِ باز): agentskills.io