Claude Fable 5 چیست؟ آموزش کامل استفاده از مدل Claude Fable 5 با API درواره

Claude Fable 5 یکی از پیشرفته‌ترین مدل‌های عمومی خانواده Claude است که Anthropic آن را برای انجام پروژه‌های پیچیده، طولانی و چندمرحله‌ای معرفی کرده است.

برخلاف مدل‌هایی که بیشتر برای پرسش‌وپاسخ کوتاه، تولید متن روزمره یا اجرای وظایف ساده طراحی شده‌اند، Claude Fable 5 روی مسئله‌هایی تمرکز دارد که به برنامه‌ریزی، حفظ مسیر کار، استفاده از ابزار، بررسی خروجی و ادامه فعالیت در چند مرحله نیاز دارند.

این مدل می‌تواند برای مواردی مانند توسعه یک قابلیت بزرگ نرم‌افزاری، مهاجرت کد، تحلیل مجموعه‌ای از اسناد، ساخت گزارش حرفه‌ای، اجرای گردش‌کارهای چندمرحله‌ای و طراحی Agentهای هوش مصنوعی استفاده شود.

براساس اطلاعات رسمی Anthropic، Claude Fable 5 در ۹ ژوئن ۲۰۲۶ معرفی شد و دسترسی عمومی آن پس از یک وقفه کوتاه، از ابتدای ژوئیه دوباره برقرار شد. Anthropic این مدل را قدرتمندترین مدل عمومی خود برای کارهای طولانی، پیچیده و غیرهم‌زمان معرفی می‌کند. معرفی رسمی Claude Fable 5

در این مقاله، Claude Fable 5 را از نظر قابلیت‌ها، محدودیت‌ها، برنامه‌نویسی، Context Window، Adaptive Thinking، Tool Calling، پرامپت‌نویسی و اتصال به API هوش مصنوعی درواره بررسی می‌کنیم.

Claude Fable 5 چیست؟

Claude Fable 5 یک مدل زبانی و چندوجهی از شرکت Anthropic است که برای اجرای وظایف پیچیده و طولانی طراحی شده است.

این مدل می‌تواند:

• متن را درک و تولید کند؛
• کد بنویسد و بررسی کند؛
• تصویر، نمودار و جدول را تحلیل کند؛
• فایل‌ها و اسناد طولانی را بررسی کند؛
• برای مسئله‌های چندمرحله‌ای برنامه بسازد؛
• از ابزارها و تابع‌های نرم‌افزاری استفاده کند؛
• خروجی خود را آزمایش و اصلاح کند؛
• در چارچوب Agentها، وظایف را به چند مرحله تقسیم کند؛
• از حافظه خارجی برای ادامه پروژه‌های طولانی استفاده کند.

نکته مهم این است که Claude Fable 5 صرفاً نسخه سریع‌تر یک چت‌بات معمولی نیست. مهم‌ترین تفاوت آن در توانایی ادامه‌دادن مسیر یک پروژه پیچیده و حفظ انسجام میان مراحل مختلف است.

Anthropic این مدل را برای «Long-running Agents» یا ایجنت‌هایی معرفی کرده است که باید مدت بیشتری روی یک هدف کار کنند، ابزارهای مختلف را به کار بگیرند و نتیجه را پیش از تحویل بررسی کنند. مستندات مدل‌های Claude

مشخصات اصلی Claude Fable 5

براساس مستندات رسمی، مشخصات مهم این مدل عبارت‌اند از:

Context Window و حداکثر خروجی اعلام‌شده این مدل در مستندات رسمی AWS نیز به‌ترتیب یک میلیون و ۱۲۸ هزار توکن ذکر شده‌اند. مشخصات Claude Fable 5 در AWS

مقدار YOUR_MODEL_ID را باید با شناسه‌ای که در صفحه مدل‌های درواره نمایش داده می‌شود جایگزین کنید.

تفاوت Claude Fable 5 با یک چت‌بات معمولی چیست؟

در یک گفت‌وگوی معمولی، کاربر پرسشی مطرح می‌کند و مدل پاسخی تولید می‌کند. اما در یک پروژه Agentic، مدل باید چند کار متفاوت را انجام دهد:

1. هدف را درک کند.
2. وضعیت موجود را بررسی کند.
3. محدودیت‌ها را استخراج کند.
4. یک برنامه اجرایی بسازد.
5. ابزار مناسب را انتخاب کند.
6. نتیجه هر مرحله را ارزیابی کند.
7. خطاها را اصلاح کند.
8. پیشرفت را ثبت کند.
9. خروجی نهایی را با معیارهای پذیرش مقایسه کند.

Claude Fable 5 برای چنین الگوهایی طراحی شده است.

برای مثال، اگر از یک مدل معمولی بخواهید قابلیت احراز هویت را به پروژه‌ای بزرگ اضافه کند، ممکن است چند قطعه کد پیشنهاد دهد. اما یک Coding Agent مجهز به Claude Fable 5 می‌تواند در صورت دسترسی به ابزارهای لازم:

• ساختار مخزن را بررسی کند؛
• فناوری‌های پروژه را تشخیص دهد؛
• الگوی فعلی احراز هویت را پیدا کند؛
• برنامه تغییرات بسازد؛
• فایل‌های مربوط را ویرایش کند؛
• تست بنویسد؛
• تست‌ها را اجرا کند؛
• خطاها را برطرف کند؛
• مستندات را به‌روزرسانی کند؛
• گزارش نهایی تغییرات را ارائه دهد.

البته موفقیت این فرایند فقط به مدل وابسته نیست. کیفیت Agent Harness، ابزارها، دسترسی‌ها، تست‌ها، Prompt، حافظه و سازوکار تأیید انسانی نیز نقش مهمی دارند.

قابلیت‌های مهم Claude Fable 5

اجرای وظایف طولانی

Claude Fable 5 برای پروژه‌هایی ساخته شده است که انجام آن‌ها به چندین مرحله و مقدار زیادی Context نیاز دارد.

این قابلیت در موارد زیر اهمیت دارد:

• بازطراحی بخش بزرگی از نرم‌افزار
• مهاجرت از یک فریم‌ورک به فریم‌ورک دیگر
• تحلیل چندین فایل و سند
• ساخت گزارش براساس منابع متعدد
• تولید یک اپلیکیشن کامل
• اجرای برنامه‌های تحقیقاتی چندمرحله‌ای
• ساخت Agentهای دارای حافظه
• پردازش مجموعه‌ای از وظایف وابسته

بااین‌حال، داشتن Context Window بزرگ به این معنا نیست که باید بدون طراحی مناسب، تمام فایل‌های پروژه را یک‌جا وارد Prompt کنید. بازیابی هدفمند اطلاعات، خلاصه‌سازی وضعیت و مدیریت حافظه همچنان ضروری است.

برنامه‌ریزی چندمرحله‌ای

مدل می‌تواند هدف بزرگ را به وظایف کوچک‌تر تقسیم کند.

برای مثال، درخواست «یک سامانه مدیریت تیکت بساز» می‌تواند به مراحل زیر تبدیل شود:

• تحلیل نیازمندی‌ها
• طراحی مدل داده
• تعریف API
• ساخت Backend
• ساخت رابط کاربری
• اضافه‌کردن احراز هویت
• نوشتن تست
• مدیریت خطا
• مستندسازی
• بررسی معیارهای پذیرش

این برنامه باید به‌عنوان پیشنهاد اولیه در نظر گرفته شود. در پروژه‌های واقعی، توسعه‌دهنده باید محدوده، اولویت‌ها و معیارهای پذیرش را تأیید کند.

بررسی و اصلاح خروجی

یکی از کاربردهای مهم Claude Fable 5، استفاده از حلقه‌های ارزیابی است.

در این الگو، مدل فقط خروجی تولید نمی‌کند؛ بلکه باید نتیجه را با معیارهای از پیش تعیین‌شده مقایسه کند:

برنامه‌ریزی
اجرا
آزمایش
تحلیل نتیجه
اصلاح
آزمایش مجدد
تحویل

برای مثال، در پروژه برنامه‌نویسی می‌توان اجرای تست، Lint، Type Check و Build را به ابزارهای Agent متصل کرد. مدل پس از مشاهده خروجی واقعی این ابزارها، خطاها را اصلاح می‌کند.

نکته مهم این است که خوداظهاری مدل کافی نیست. اگر مدل بگوید «تست‌ها با موفقیت اجرا شدند»، باید خروجی واقعی اجرای تست نیز موجود باشد.

استفاده از ابزارها

Claude Fable 5 می‌تواند در یک Agent از ابزارهای تعریف‌شده استفاده کند. این ابزارها ممکن است شامل موارد زیر باشند:

• خواندن فایل
• نوشتن فایل
• جست‌وجو در کد
• اجرای تست
• اجرای دستورهای محدودشده
• جست‌وجو در پایگاه داده
• فراخوانی API
• دریافت اطلاعات از CRM
• جست‌وجوی اسناد داخلی
• ساخت تیکت
• تولید گزارش
• ثبت وضعیت پروژه

مدل فقط تصمیم می‌گیرد چه ابزاری با چه آرگومان‌هایی فراخوانی شود. اجرای واقعی ابزار بر عهده برنامه شماست.

تحلیل تصویر، نمودار و جدول

Claude Fable 5 می‌تواند ورودی تصویری را تحلیل کند. Anthropic به توانایی مدل در بررسی نمودارها، جدول‌ها و عناصر تصویری داخل فایل‌ها و PDFها اشاره کرده است. صفحه رسمی Claude Fable 5

این قابلیت می‌تواند برای موارد زیر مفید باشد:

• تحلیل اسکرین‌شات رابط کاربری
• مقایسه طراحی اجراشده با طرح مرجع
• خواندن نمودارهای گزارش
• بررسی جدول‌های پیچیده
• تحلیل دیاگرام معماری
• استخراج اطلاعات از تصاویر مستندات
• بررسی خروجی بصری یک اپلیکیشن

با وجود این، نتیجه تحلیل تصویر باید به‌ویژه در موارد عددی با داده اصلی بررسی شود. خواندن اشتباه یک محور نمودار یا خانه جدول می‌تواند نتیجه تحلیل را تغییر دهد.

حافظه برای پروژه‌های طولانی

هیچ مدل زبانی به‌تنهایی حافظه دائمی قابل‌اعتماد برای تمام پروژه ندارد. برای ساخت Agentهای طولانی باید حافظه خارجی طراحی شود.

این حافظه می‌تواند شامل موارد زیر باشد:

• هدف اصلی پروژه
• تصمیم‌های تأییدشده
• محدودیت‌ها
• کارهای انجام‌شده
• فایل‌های تغییرکرده
• خطاهای مشاهده‌شده
• تست‌های اجراشده
• کارهای باقی‌مانده
• خلاصه هر مرحله
• معیارهای پذیرش

Anthropic اعلام کرده است که Fable 5 می‌تواند در کارهای طولانی از یادداشت‌ها و حافظه مبتنی بر فایل استفاده کند و در طول مسیر تمرکز خود را بهتر حفظ کند. معرفی Claude Fable 5 و Mythos 5

Adaptive Thinking در Claude Fable 5 چیست؟

Claude Fable 5 از Adaptive Thinking یا «تفکر تطبیقی» استفاده می‌کند.

در این حالت، مدل براساس پیچیدگی درخواست تصمیم می‌گیرد چه میزان پردازش استدلالی لازم است. برای یک پرسش ساده ممکن است پردازش کمتری انجام دهد، اما برای مسئله‌ای چندمرحله‌ای زمان و توکن بیشتری صرف کند.

در Claude Fable 5، Adaptive Thinking همیشه فعال است. طبق راهنمای مهاجرت Anthropic، غیرفعال‌کردن Thinking در این مدل پشتیبانی نمی‌شود و توسعه‌دهنده باید برای کنترل عمق پردازش از تنظیمات مناسب Effort استفاده کند. راهنمای مهاجرت Claude

Effort چه کاری انجام می‌دهد؟

پارامتر Effort می‌تواند میان کیفیت، زمان پاسخ و مصرف توکن تعادل ایجاد کند.

به‌صورت مفهومی می‌توان سطوح را این‌گونه در نظر گرفت:

Anthropic پیشنهاد می‌کند برای بیشتر وظایف Claude Fable 5 از سطح high شروع شود و xhigh فقط برای مسئله‌هایی استفاده شود که بالاترین توانایی مدل واقعاً ضروری است.

پشتیبانی از پارامترهای اختصاصی ممکن است بین مدل‌ها، SDKها و مسیرهای API متفاوت باشد. پیش از استفاده در محیط Production باید رفتار مدل انتخابی را در درواره آزمایش کنید.

Context Window یک میلیون توکنی چه کاربردی دارد؟

Context Window مشخص می‌کند مدل در یک درخواست یا زنجیره مکالمه چه مقدار اطلاعات را می‌تواند پردازش کند.

Context بزرگ برای موارد زیر مناسب است:

• تحلیل مخزن‌های بزرگ کد
• بررسی چندین سند
• مقایسه نسخه‌های مختلف یک گزارش
• پردازش مکالمات طولانی
• تحلیل قراردادها و دستورالعمل‌های داخلی غیرحساس
• ساخت RAG روی مجموعه اسناد
• بررسی لاگ‌های طولانی
• تحلیل داده‌های متنی حجیم

اما Context بزرگ سه مشکل را به‌صورت خودکار حل نمی‌کند:

مشکل هزینه

ورودی بیشتر معمولاً به مصرف توکن و هزینه بیشتر منجر می‌شود.

مشکل تمرکز

وجود اطلاعات فراوان ممکن است بخش‌های مهم را میان داده‌های کم‌ارتباط پنهان کند.

مشکل تازگی

اگر Context شامل چند نسخه متناقض از یک سند باشد، مدل ممکن است نسخه قدیمی را مبنای پاسخ قرار دهد.

راهکار بهتر این است که فقط اطلاعات مرتبط را بازیابی کنید و همراه با Metadata مناسب به مدل بدهید:

{
  "document_id": "product-requirements-v4",
  "version": 4,
  "updated_at": "2026-07-20",
  "status": "approved",
  "content": "..."
}

مهم‌ترین کاربردهای Claude Fable 5

برنامه‌نویسی و توسعه نرم‌افزار

Claude Fable 5 برای پروژه‌های برنامه‌نویسی پیچیده مناسب است:

• پیاده‌سازی قابلیت‌های چندفایلی
• تحلیل Codebase
• بازسازی کد
• رفع خطاهای پیچیده
• نوشتن تست
• مهاجرت فناوری
• بررسی Pull Request
• تولید مستندات
• طراحی API
• بهینه‌سازی ساختار پروژه
• پیاده‌سازی رابط کاربری از روی تصویر
• تحلیل وابستگی‌ها

Anthropic این مدل را برای پروژه‌های بلندپروازانه برنامه‌نویسی، مهاجرت‌های بزرگ و نشست‌های چندروزه Agentic معرفی کرده است.

ساخت Coding Agent

Claude Fable 5 را می‌توان به ابزارهایی متصل کرد که اجازه می‌دهند مدل فایل‌ها را بخواند، کد را تغییر دهد و تست اجرا کند.

یک Coding Agent مناسب باید محدودیت‌های مشخصی داشته باشد:

• محدوده فایل‌های مجاز
• دستورهای قابل‌اجرا
• بودجه مصرف
• حداکثر تعداد مراحل
• Timeout
• معیار توقف
• نیاز به تأیید برای تغییرات مهم
• ثبت کامل عملیات
• امکان بازبینی Diff
• اجرای تست پیش از تحویل

برای مثال، بهتر است Agent نتواند بدون تأیید توسعه‌دهنده تغییرات را مستقیماً در محیط Production منتشر کند.

مهاجرت پروژه‌های نرم‌افزاری

مهاجرت پروژه معمولاً شامل چند مرحله است:

1. شناسایی فناوری فعلی
2. بررسی وابستگی‌ها
3. تعیین نسخه مقصد
4. پیدا‌کردن Breaking Changeها
5. ساخت برنامه مهاجرت
6. اجرای تغییرات تدریجی
7. نوشتن یا به‌روزرسانی تست‌ها
8. مقایسه رفتار قبل و بعد
9. به‌روزرسانی مستندات

Claude Fable 5 می‌تواند این فرایند را هدایت کند، اما اطلاعات نسخه‌ها باید از مستندات رسمی کتابخانه‌ها دریافت شوند. مدل نباید براساس حافظه خود درباره آخرین نسخه یا API تصمیم بگیرد.

تحلیل اسناد

این مدل برای تحلیل اسناد حجیم و چندمرحله‌ای نیز قابل‌استفاده است:

• استخراج موضوعات اصلی
• مقایسه چند نسخه
• پیدا‌کردن اختلاف‌ها
• ساخت خلاصه مدیریتی
• استخراج اقدام‌های لازم
• تبدیل متن به جدول
• تولید پرسش‌وپاسخ
• ساخت گزارش مبتنی بر چند منبع
• مشخص‌کردن ادعاهای بدون منبع

برای کاهش خطا، هر قطعه اطلاعات باید با شناسه سند، شماره صفحه یا بخش اصلی همراه باشد.

تحقیق و گزارش‌نویسی

Claude Fable 5 می‌تواند در فرایند تحقیق به کار گرفته شود:

• تبدیل مسئله کلی به سؤال‌های تحقیق
• طراحی برنامه جست‌وجو
• دسته‌بندی منابع
• مقایسه دیدگاه‌ها
• استخراج شواهد
• مشخص‌کردن اختلاف منابع
• تولید پیش‌نویس گزارش
• نقد گزارش
• ساخت خلاصه اجرایی

مدل نباید منبع یا Citation جعلی تولید کند. تمام منابع باید از سامانه جست‌وجو یا پایگاه داده واقعی دریافت و پیش از انتشار بررسی شوند.

ساخت دستیار سازمانی

یک دستیار سازمانی مجهز به Claude Fable 5 می‌تواند:

• در اسناد داخلی جست‌وجو کند؛
• دستورالعمل‌ها را توضیح دهد؛
• گزارش‌های متعدد را ترکیب کند؛
• صورت‌جلسه‌ها را به اقدام تبدیل کند؛
• وضعیت پروژه‌ها را خلاصه کند؛
• پیش‌نویس اسناد کاری بسازد؛
• داده‌های چند سامانه را با ابزارهای مجاز دریافت کند.

برای اطلاعات داخلی و محرمانه باید سیاست نگهداری داده، دسترسی کاربران و شرایط ارائه‌دهنده مدل پیش از استفاده بررسی شود. اطلاعات حساس را نباید بدون مجوز و کنترل مناسب به مدل ارسال کرد.

تحلیل فایل‌های تصویری

Claude Fable 5 می‌تواند برای تحلیل این ورودی‌ها استفاده شود:

• اسکرین‌شات داشبورد
• تصویر رابط کاربری
• دیاگرام معماری
• نمودار آماری
• جدول تصویری
• PDF دارای نمودار
• Wireframe
• خروجی طراحی وب

برای داده‌های عددی، بهتر است علاوه بر تصویر، داده خام نمودار نیز در اختیار مدل قرار گیرد.

Claude Fable 5 برای چه کارهایی مناسب نیست؟

استفاده از قدرتمندترین مدل برای همه درخواست‌ها تصمیم اقتصادی و مهندسی مناسبی نیست.

Claude Fable 5 احتمالاً برای این وظایف بیش‌ازحد قدرتمند است:

• تشخیص زبان متن
• دسته‌بندی ساده
• بازنویسی یک جمله
• تولید عنوان کوتاه
• استخراج چند فیلد مشخص
• پاسخ‌های ثابت پشتیبانی
• ترجمه متن کوتاه
• خلاصه‌سازی پیام کوتاه
• تولید Metadata ساده
• پردازش انبوه درخواست‌های کم‌پیچیدگی

برای این موارد، مدل سریع‌تر و اقتصادی‌تر ممکن است نتیجه کافی ارائه دهد.

Claude Fable 5 بیشتر زمانی ارزش ایجاد می‌کند که هزینه اشتباه زیاد باشد، مسئله چندمرحله‌ای باشد یا استفاده از مدل ضعیف‌تر باعث افزایش Retry، رفت‌وبرگشت و دخالت انسانی شود.

مقایسه Claude Fable 5 با Claude Opus 4.8 و Claude Sonnet 5

انتخاب مدل باید بر پایه Benchmark واقعی پروژه انجام شود، نه صرفاً جدیدتر یا قدرتمندتر بودن مدل.

چه زمانی Claude Fable 5 را انتخاب کنیم؟

استفاده از این مدل زمانی منطقی‌تر است که حداقل یکی از شرایط زیر برقرار باشد:

• وظیفه بیش از چند مرحله دارد.
• پروژه شامل تعداد زیادی فایل است.
• مدل باید از چند ابزار استفاده کند.
• شکست یک مرحله هزینه زیادی ایجاد می‌کند.
• مسئله به تحلیل عمیق نیاز دارد.
• نتیجه باید چند بار بررسی و اصلاح شود.
• مدل ضعیف‌تر به رفت‌وبرگشت‌های فراوان نیاز دارد.
• پروژه به حافظه خارجی و ادامه کار نیاز دارد.
• Context طولانی واقعاً ضروری است.
• کیفیت مهم‌تر از کمترین Latency است.
• قرار است مدل نقش برنامه‌ریز یا ارزیاب را داشته باشد.

الگوی مناسب استفاده از چند مدل

در بسیاری از پروژه‌ها بهتر است Claude Fable 5 تنها مدل سیستم نباشد.

یک معماری چندمدلی می‌تواند چنین باشد:

این معماری می‌تواند هزینه و Latency را کاهش دهد، بدون آنکه کیفیت مراحل مهم قربانی شود.

برای مثال:

درخواست کاربر
↓
تشخیص پیچیدگی
↓
وظیفه ساده: مدل سریع
وظیفه پیچیده: Claude Fable 5
↓
اعتبارسنجی
↓
پاسخ نهایی

چگونه برای Claude Fable 5 پرامپت بنویسیم؟

قدرتمندبودن مدل جایگزین Prompt دقیق نیست. Anthropic در راهنمای رسمی خود بر دستورهای شفاف و مستقیم تأکید می‌کند. راهنمای Prompting مدل‌های Claude

یک Prompt مناسب برای Claude Fable 5 بهتر است این اجزا را داشته باشد:

نقش

مدل در این وظیفه چه نقشی دارد؟

تو یک مهندس ارشد Backend هستی که باید تغییرات را با ساختار فعلی پروژه سازگار نگه دارد.

هدف

خروجی نهایی دقیقاً چیست؟

هدف، اضافه‌کردن قابلیت بازیابی رمز عبور با ایمیل و بدون تغییر قرارداد APIهای موجود است.

Context

مدل چه چیزهایی درباره پروژه باید بداند؟

پروژه از FastAPI، PostgreSQL، SQLAlchemy و Pytest استفاده می‌کند.

محدودیت‌ها

چه کارهایی نباید انجام شوند؟

وابستگی جدید اضافه نکن.
Schema دیتابیس را بدون Migration تغییر نده.
فایل‌های خارج از ماژول Auth را فقط در صورت ضرورت و با توضیح تغییر بده.

ابزارها

مدل به چه ابزارهایی دسترسی دارد؟

می‌توانی فایل‌ها را بخوانی، در کد جست‌وجو کنی، فایل ویرایش کنی و تست‌های مشخص‌شده را اجرا کنی.

معیارهای پذیرش

چه شرایطی به معنای پایان موفق کار است؟

- تست‌های موجود نباید شکسته شوند.
- برای حالت موفق، توکن منقضی‌شده و کاربر ناموجود تست نوشته شود.
- پاسخ API نباید وجود یا عدم وجود ایمیل را افشا کند.
- مستندات Endpoint به‌روزرسانی شود.

روش گزارش

در پایان چه گزارشی نیاز دارید؟

در پایان، فایل‌های تغییرکرده، تست‌های اجراشده، نتیجه تست‌ها و ریسک‌های باقی‌مانده را گزارش کن.

پرامپت آماده برای پروژه برنامه‌نویسی

نقش تو:
یک مهندس ارشد نرم‌افزار هستی که روی یک Codebase موجود کار می‌کند.

هدف:
[توضیح دقیق قابلیت یا خطا]

Context پروژه:
[فریم‌ورک، زبان، دیتابیس و معماری]

قواعد:
- پیش از تغییر کد، ساختار پروژه و پیاده‌سازی‌های مشابه را بررسی کن.
- ابتدا یک برنامه کوتاه و قابل‌بررسی بنویس.
- از الگوهای فعلی پروژه پیروی کن.
- کمترین تغییر لازم را انجام بده.
- API عمومی را بدون اجازه تغییر نده.
- اطلاعات ناموجود را حدس نزن.
- پس از هر تغییر، تست مرتبط را اجرا کن.
- ادعا نکن تست موفق بوده مگر اینکه خروجی واقعی ابزار را دیده باشی.
- اگر نیازمندی مبهم است، پیش از تغییر سؤال بپرس.
- اگر تغییر خارج از محدوده ضروری شد، علت آن را توضیح بده.

معیارهای پذیرش:
[فهرست معیارها]

خروجی نهایی:
1. خلاصه تغییرات
2. فایل‌های ویرایش‌شده
3. تست‌های اجراشده
4. نتیجه واقعی تست‌ها
5. تصمیم‌های فنی
6. ریسک‌ها و کارهای باقی‌مانده

پرامپت آماده برای تحلیل اسناد

براساس اسنادی که در اختیار تو قرار می‌دهم یک گزارش تحلیلی تولید کن.

قواعد:
- فقط از محتوای اسناد استفاده کن.
- هر ادعا را با شناسه سند و شماره صفحه یا بخش همراه کن.
- اگر دو سند با هم اختلاف دارند، هر دو دیدگاه را نمایش بده.
- اطلاعات ناموجود را حدس نزن.
- واقعیت، تفسیر و پیشنهاد را در بخش‌های جدا بنویس.
- بخش‌هایی را که کیفیت استخراج متن آن‌ها پایین است مشخص کن.
- پیش از جمع‌بندی، تناقض‌ها و محدودیت داده‌ها را فهرست کن.

ساختار خروجی:
1. خلاصه مدیریتی
2. یافته‌های اصلی
3. شواهد هر یافته
4. اختلاف منابع
5. اطلاعات ناموجود
6. اقدام‌های پیشنهادی
7. پرسش‌های باز

پرامپت آماده برای Agent طولانی

هدف اصلی:
[هدف پروژه]

تعریف پایان:
[شرایطی که نشان می‌دهد پروژه کامل شده است]

محدوده:
[فایل‌ها، سامانه‌ها یا داده‌های مجاز]

محدودیت‌ها:
[بودجه، زمان، تعداد مراحل و عملیات ممنوع]

روش اجرا:
1. وضعیت فعلی را بررسی کن.
2. برنامه مرحله‌ای بساز.
3. ریسک‌ها و وابستگی‌ها را مشخص کن.
4. هر مرحله را اجرا و نتیجه را با ابزار واقعی بررسی کن.
5. پس از هر مرحله، وضعیت را در فایل progress.md ثبت کن.
6. اگر سه بار برای یک خطا تلاش ناموفق داشتی، متوقف شو و گزارش بده.
7. هیچ عملیات مهم یا غیرقابل‌بازگشتی را بدون تأیید انجام نده.
8. در پایان نتیجه را با معیارهای پذیرش مقایسه کن.

ساختار progress.md:
- هدف فعلی
- مراحل کامل‌شده
- تصمیم‌های ثبت‌شده
- فایل‌های تغییرکرده
- خطاهای مشاهده‌شده
- تست‌های اجراشده
- مرحله بعدی
- موانع

اتصال Claude Fable 5 به API درواره

درواره دسترسی به مدل‌های مختلف هوش مصنوعی را از طریق یک API یکپارچه و سازگار با OpenAI فراهم می‌کند.

آدرس پایه API درواره:

https://api.darvareh.ir/v1

برای شروع به این موارد نیاز دارید:

• حساب کاربری درواره
• API Key
• موجودی کافی
• Model ID مدل انتخابی
• یک SDK یا ابزار سازگار با OpenAI API

درواره اپلیکیشن آماده Claude نیست؛ زیرساخت API است که توسعه‌دهندگان می‌توانند با استفاده از آن، مدل‌های هوش مصنوعی را به نرم‌افزار، وب‌سایت، Agent یا گردش‌کار خود متصل کنند.

نصب کتابخانه OpenAI در پایتون

pip install openai

API Key را بهتر است در متغیر محیطی نگهداری کنید:

export DARVAREH_API_KEY="YOUR_API_KEY"

در ویندوز PowerShell:

$env:DARVAREH_API_KEY="YOUR_API_KEY"

API Key را مستقیماً در کد، مخزن Git یا JavaScript سمت مرورگر قرار ندهید.

اولین درخواست به Claude Fable 5 با پایتون

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1"
)

response = client.chat.completions.create(
    model="YOUR_MODEL_ID",
    messages=[
        {
            "role": "system",
            "content": (
                "تو یک دستیار فنی دقیق هستی. "
                "اگر اطلاعات کافی نداری، سؤال بپرس و چیزی را حدس نزن."
            )
        },
        {
            "role": "user",
            "content": (
                "برای مهاجرت یک پروژه Flask به FastAPI، "
                "یک برنامه مرحله‌ای همراه با ریسک‌ها و معیارهای پذیرش بنویس."
            )
        }
    ],
    temperature=0.2
)

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

مقدار YOUR_MODEL_ID را با Model ID نمایش‌داده‌شده در صفحه مدل‌های درواره جایگزین کنید.

استفاده با cURL

curl https://api.darvareh.ir/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "YOUR_MODEL_ID",
    "messages": [
      {
        "role": "system",
        "content": "You are a careful senior software engineer."
      },
      {
        "role": "user",
        "content": "Review this migration plan and identify missing tests."
      }
    ],
    "temperature": 0.2
  }'

استفاده با Node.js

ابتدا بسته موردنیاز را نصب کنید:

npm install openai

سپس:

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.DARVAREH_API_KEY,
  baseURL: "https://api.darvareh.ir/v1",
});

const response = await client.chat.completions.create({
  model: "YOUR_MODEL_ID",
  messages: [
    {
      role: "system",
      content:
        "You are a senior software engineer. Be explicit about assumptions.",
    },
    {
      role: "user",
      content:
        "Design a reliable background job processing architecture for a SaaS application.",
    },
  ],
  temperature: 0.2,
});

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

دریافت پاسخ Streaming

برای پاسخ‌های طولانی بهتر است از Streaming استفاده کنید تا خروجی به‌تدریج به کاربر نمایش داده شود.

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1"
)

stream = client.chat.completions.create(
    model="YOUR_MODEL_ID",
    messages=[
        {
            "role": "user",
            "content": "یک برنامه فنی برای بازطراحی سیستم پرداخت بنویس."
        }
    ],
    stream=True
)

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

Streaming هزینه درخواست را کاهش نمی‌دهد؛ فقط تجربه دریافت پاسخ را بهتر می‌کند.

مدیریت خطا

در محیط Production باید خطاها مدیریت شوند:

import os
import time
from openai import (
    OpenAI,
    APIConnectionError,
    APITimeoutError,
    RateLimitError,
    APIStatusError,
)

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1",
    timeout=120.0,
    max_retries=0
)

def create_completion(messages, attempts=3):
    for attempt in range(attempts):
        try:
            return client.chat.completions.create(
                model="YOUR_MODEL_ID",
                messages=messages,
                temperature=0.2
            )

        except RateLimitError:
            if attempt == attempts - 1:
                raise
            time.sleep(2 ** attempt)

        except (APIConnectionError, APITimeoutError):
            if attempt == attempts - 1:
                raise
            time.sleep(2 ** attempt)

        except APIStatusError:
            raise

Retry فقط باید برای خطاهای موقت انجام شود. خطاهایی مانند API Key نامعتبر، موجودی ناکافی یا درخواست نامعتبر معمولاً با تکرار حل نمی‌شوند.

کنترل هزینه Claude Fable 5

برای کنترل هزینه از این روش‌ها استفاده کنید:

قبل از فراخوانی، پیچیدگی را تشخیص دهید

همه درخواست‌ها را به Claude Fable 5 ارسال نکنید. درخواست‌های ساده را به مدل اقتصادی‌تر هدایت کنید.

Context را پاک‌سازی کنید

پیام‌های تکراری، خروجی کامل ابزارها و فایل‌های نامرتبط را حذف کنید.

خروجی را محدود کنید

در Prompt دقیقاً بگویید چه خروجی لازم است. درخواست «هرچه می‌دانی بنویس» معمولاً مصرف غیرضروری ایجاد می‌کند.

از خلاصه وضعیت استفاده کنید

در Agent طولانی، پس از هر مرحله یک خلاصه ساختاریافته ذخیره کنید و فقط اطلاعات ضروری را به مرحله بعد منتقل کنید.

سقف مرحله تعریف کنید

Agent نباید بدون محدودیت در حلقه باقی بماند:

حداکثر مراحل: ۲۰
حداکثر تلاش برای هر خطا: ۳
حداکثر زمان: ۳۰ دقیقه
شرط توقف: تکمیل معیارهای پذیرش یا رسیدن به محدودیت

خروجی ابزارها را کوتاه کنید

به‌جای ارسال هزاران خط لاگ، بخش خطا و چند خط قبل و بعد از آن را ارسال کنید.

روی داده واقعی Benchmark بگیرید

هزینه یک مدل فقط قیمت هر توکن نیست.

فرمول ساده:

هزینه واقعی هر وظیفه موفق = مجموع هزینه تمام درخواست‌ها تقسیم‌بر تعداد وظایف صحیح و تأییدشده

ممکن است یک مدل قدرتمندتر در هر درخواست گران‌تر باشد، اما با کاهش Retry و دخالت انسانی، هزینه نهایی هر وظیفه موفق را پایین بیاورد. این موضوع باید با داده واقعی پروژه بررسی شود.

برای مشاهده قیمت به‌روز Claude Fable 5 و سایر مدل‌ها، صفحه مدل‌های درواره را بررسی کنید.

چگونه Claude Fable 5 را ارزیابی کنیم؟

پیش از استفاده در Production یک Dataset شامل وظایف واقعی آماده کنید.

برای مثال، اگر مدل برای برنامه‌نویسی استفاده می‌شود، Dataset می‌تواند شامل این موارد باشد:

• رفع یک Bug واقعی
• اضافه‌کردن Endpoint
• نوشتن Migration
• تولید Unit Test
• بازسازی یک ماژول
• تحلیل Pull Request
• به‌روزرسانی مستندات
• رفع Type Error
• پیاده‌سازی یک رابط از روی تصویر

برای هر نمونه معیارهای مشخص تعریف کنید:

مدل را با حداقل یک گزینه دیگر روی Dataset یکسان مقایسه کنید.

اشتباهات رایج هنگام استفاده از Claude Fable 5

استفاده برای تمام درخواست‌ها

مدل قدرتمند باید برای مراحل دارای ارزش بیشتر استفاده شود.

ارسال کل Codebase بدون بازیابی هدفمند

Context بزرگ مجوز ارسال اطلاعات نامرتبط نیست.

نداشتن معیار پذیرش

بدون معیار مشخص، Agent نمی‌داند چه زمانی کار واقعاً کامل شده است.

اعتماد به گزارش خود مدل

عبارت‌هایی مانند «همه تست‌ها موفق شدند» باید با خروجی ابزار واقعی تأیید شوند.

دادن دسترسی بیش‌ازحد

هر ابزار باید حداقل دسترسی لازم را داشته باشد.

نداشتن محدودیت زمان و هزینه

Agent ممکن است در حلقه اصلاح و تلاش مجدد باقی بماند.

استفاده از اطلاعات قدیمی کتابخانه‌ها

برای نسخه‌ها، APIها و Breaking Changeها باید مستندات رسمی بازیابی شوند.

ذخیره‌نکردن وضعیت پروژه

در کارهای طولانی، تصمیم‌ها، مراحل و مشکلات باید در حافظه خارجی ثبت شوند.

استفاده از داده حساس بدون بررسی

پیش از ارسال داده سازمانی، شرایط نگهداری داده و سیاست‌های پروژه را بررسی کنید.

اشتباه‌گرفتن قدرت مدل با قطعیت

Claude Fable 5 نیز ممکن است اطلاعات نادرست، کد ناقص یا تحلیل اشتباه تولید کند.

چک‌لیست استفاده در محیط Production

• کاربرد مدل دقیقاً مشخص شده است.
• Claude Fable 5 فقط برای وظایف مناسب انتخاب می‌شود.
• Dataset ارزیابی واقعی وجود دارد.
• Model ID از فهرست درواره دریافت شده است.
• API Key در متغیر محیطی نگهداری می‌شود.
• Timeout تعریف شده است.
• Retry فقط برای خطاهای موقت انجام می‌شود.
• حداکثر تعداد مراحل Agent مشخص است.
• بودجه مصرف برای هر وظیفه تعیین شده است.
• ابزارها حداقل دسترسی لازم را دارند.
• عملیات مهم به تأیید انسانی نیاز دارند.
• تمام Tool Callها ثبت می‌شوند.
• خروجی ابزارها به مدل بازگردانده می‌شود.
• معیارهای پذیرش قابل‌اندازه‌گیری هستند.
• تست‌ها خارج از ادعای مدل اجرا می‌شوند.
• Context به‌صورت هدفمند ساخته می‌شود.
• اطلاعات قدیمی و تکراری حذف می‌شوند.
• حافظه خارجی برای پروژه‌های طولانی وجود دارد.
• پاسخ‌ها از نظر صحت و کیفیت ارزیابی می‌شوند.
• اطلاعات حساس بدون کنترل ارسال نمی‌شوند.
• هزینه و Latency مانیتور می‌شوند.
• مسیر جایگزین برای خطا یا عدم دسترسی وجود دارد.

پرسش‌های متداول

Claude Fable 5 چیست؟

Claude Fable 5 مدل پیشرفته Anthropic برای وظایف پیچیده، برنامه‌نویسی، تحلیل اسناد و Agentهای طولانی است. این مدل از ورودی متن و تصویر، Context بزرگ، Tool Calling و Adaptive Thinking پشتیبانی می‌کند.

Claude Fable 5 چه زمانی منتشر شد؟

این مدل در ۹ ژوئن ۲۰۲۶ معرفی شد. براساس اطلاعیه Anthropic، دسترسی آن پس از یک وقفه موقت، از اول ژوئیه ۲۰۲۶ دوباره برقرار شد.

Context Window مدل Claude Fable 5 چقدر است؟

طبق مستندات رسمی، این مدل از Context Window یک میلیون توکنی پشتیبانی می‌کند. حداکثر خروجی اعلام‌شده آن نیز تا ۱۲۸ هزار توکن است.

آیا Claude Fable 5 برای برنامه‌نویسی مناسب است؟

بله. یکی از کاربردهای اصلی آن برنامه‌نویسی Agentic، تحلیل Codebase، مهاجرت پروژه، نوشتن تست، رفع خطا و اجرای پروژه‌های چندمرحله‌ای است.

آیا Claude Fable 5 برای کارهای ساده مناسب است؟

از نظر توانایی بله، اما معمولاً از نظر هزینه و Latency انتخاب بهینه‌ای نیست. برای کارهای ساده می‌توان از مدل‌های سریع‌تر و اقتصادی‌تر استفاده کرد.

Adaptive Thinking چیست؟

Adaptive Thinking قابلیتی است که به مدل اجازه می‌دهد میزان پردازش استدلالی را با پیچیدگی وظیفه تطبیق دهد. این قابلیت در Claude Fable 5 همیشه فعال است.

آیا Claude Fable 5 از زبان فارسی پشتیبانی می‌کند؟

مدل‌های Claude قابلیت چندزبانه دارند و می‌توانند متن فارسی را پردازش کنند. بااین‌حال، کیفیت باید روی داده، لحن و کاربرد فارسی پروژه شما آزمایش شود.

آیا Claude Fable 5 می‌تواند چند روز مستقل کار کند؟

مدل برای Agentهای طولانی طراحی شده است، اما اجرای طولانی به Agent Harness، حافظه خارجی، ابزار، بودجه، Timeout و مدیریت خطا نیاز دارد. خود مدل به‌تنهایی یک Agent کامل نیست.

آیا Claude Fable 5 می‌تواند تصویر را تحلیل کند؟

بله. مدل ورودی تصویری را پردازش می‌کند و می‌تواند نمودار، جدول، اسکرین‌شات و عناصر تصویری اسناد را تحلیل کند.

آیا Claude Fable 5 همیشه پاسخ صحیح می‌دهد؟

خیر. این مدل نیز ممکن است اشتباه کند، اطلاعات نادرست تولید کند یا مسئله را ناقص بفهمد. خروجی‌های مهم باید با تست، منبع معتبر یا بازبینی انسانی تأیید شوند.

چگونه به Claude Fable 5 در ایران دسترسی داشته باشیم؟

در صورت موجودبودن مدل در فهرست درواره، توسعه‌دهندگان می‌توانند از طریق API یکپارچه درواره و با پرداخت ریالی به آن متصل شوند. موجودی و شناسه مدل را در صفحه مدل‌ها بررسی کنید.

Base URL درواره چیست؟

آدرس پایه API درواره:

https://api.darvareh.ir/v1

Model ID درواره برای Claude Fable 5 چیست؟

Model ID را از صفحه مدل‌های درواره کپی کنید و در نمونه‌کدها به‌جای YOUR_MODEL_ID قرار دهید. شناسه مدل ممکن است در طول زمان به‌روزرسانی شود.

قیمت Claude Fable 5 چقدر است؟

قیمت مدل‌ها ممکن است تغییر کند. برای مشاهده هزینه ورودی، خروجی و سایر جزئیات، صفحه مدل‌های درواره را ببینید.

جمع‌بندی

Claude Fable 5 مدلی برای پاسخ‌های معمولی و کوتاه نیست؛ ارزش اصلی آن در انجام کارهای پیچیده، طولانی و چندمرحله‌ای دیده می‌شود.

مهم‌ترین قابلیت‌های آن عبارت‌اند از:

• Context Window یک میلیون توکنی
• حداکثر خروجی تا ۱۲۸ هزار توکن
• Adaptive Thinking همیشه فعال
• توانایی برنامه‌ریزی چندمرحله‌ای
• استفاده از ابزارها
• تحلیل متن و تصویر
• برنامه‌نویسی Agentic
• تحلیل اسناد حجیم
• حفظ بهتر مسیر پروژه با حافظه خارجی
• بررسی و اصلاح خروجی در چند مرحله

بااین‌حال، استفاده موفق از این مدل به طراحی درست سیستم بستگی دارد. باید برای Agent حافظه، ابزار، محدودیت هزینه، Timeout، معیار پذیرش، لاگ و تأیید انسانی تعریف شود.

اگر می‌خواهید Claude Fable 5 یا سایر مدل‌های پیشرفته هوش مصنوعی را به نرم‌افزار، وب‌سایت، سرویس سازمانی یا Agent خود متصل کنید، می‌توانید از API هوش مصنوعی درواره استفاده کنید.

برای مشاهده Model ID، قابلیت‌ها و قیمت به‌روز مدل‌ها، به صفحه مدل‌های درواره مراجعه کنید.

مقالات مرتبط

• Claude چیست؟ آموزش کامل استفاده از هوش مصنوعی Claude
• Claude Sonnet 5 چیست؟ آموزش استفاده از API درواره
• بهترین مدل هوش مصنوعی برای برنامه‌نویسی
• انتخاب مدل و Model Routing برای Coding Agent
• AI Agent چیست؟ راهنمای کامل عامل هوش مصنوعی
• مهارت‌ها، ابزارها و MCP در Agentهای هوش مصنوعی
• Context Window چیست؟
• Prompt Engineering چیست؟
• اتصال Claude Code به API درواره
• OpenAI-Compatible API چیست و چگونه کار می‌کند؟

برای مطالعه شرایط استفاده و محدودیت‌های مسئولیت، صفحه «سلب مسئولیت» را مشاهده کنید.