Claude Haiku 4.5 چیست؟ آموزش کامل استفاده از API درواره

Claude Haiku 4.5 مدل سریع و سبک خانواده Claude است که Anthropic آن را برای اپلیکیشن‌های تعاملی، پردازش پرتعداد، برنامه‌نویسی و Agentهای حساس به سرعت طراحی کرده است.

در خانواده Claude معمولاً مدل‌های Haiku روی سرعت و هزینه کمتر، مدل‌های Sonnet روی تعادل توانایی و سرعت و مدل‌های Opus و Fable روی مسئله‌های پیچیده‌تر تمرکز دارند.

اما سبک‌بودن Haiku 4.5 به این معنا نیست که فقط برای دسته‌بندی متن یا پاسخ‌های بسیار ساده کاربرد دارد. Anthropic این مدل را با توانایی مناسب در برنامه‌نویسی، استفاده از ابزار و Workflowهای Agentic معرفی کرده است.

براساس اعلام رسمی Anthropic، Claude Haiku 4.5 در ۱۵ اکتبر ۲۰۲۵ منتشر شد و سریع‌ترین و اقتصادی‌ترین مدل خانواده Claude محسوب می‌شود. Anthropic اعلام کرده است که این مدل در برخی وظایف برنامه‌نویسی، استفاده از کامپیوتر و Agentها به سطح عملکرد Claude Sonnet 4 نزدیک شده است. صفحه رسمی Claude Haiku 4.5

این ترکیب، Haiku 4.5 را برای کاربردهایی مناسب می‌کند که سه عامل زیر به‌صورت هم‌زمان اهمیت دارند:

• کیفیت قابل‌قبول
• Latency پایین
• هزینه قابل‌کنترل در مقیاس بالا

در این مقاله قابلیت‌ها، موارد استفاده، محدودیت‌ها، Extended Thinking، برنامه‌نویسی، Agentها، Prompt Engineering و روش اتصال Claude Haiku 4.5 به API هوش مصنوعی درواره را بررسی می‌کنیم.

Claude Haiku 4.5 چیست؟

Claude Haiku 4.5 یک مدل زبانی چندوجهی از شرکت Anthropic است که می‌تواند متن و تصویر را به‌عنوان ورودی دریافت و متن تولید کند.

این مدل برای کاربردهای Interactive و High-volume مناسب است؛ یعنی سیستم‌هایی که باید تعداد زیادی درخواست را با سرعت مناسب پردازش کنند.

کاربردهای رایج:

• چت‌بات
• پشتیبانی مشتری
• دسته‌بندی پیام
• استخراج اطلاعات
• خلاصه‌سازی
• ترجمه
• تولید Metadata
• پاسخ‌گویی مبتنی بر اسناد
• Function Calling
• اجرای وظایف Agent
• برنامه‌نویسی تعاملی
• Sub-agent
• تحلیل تصویر
• پردازش انبوه رکوردها

Anthropic در راهنمای انتخاب مدل پیشنهاد می‌کند در بسیاری از پروژه‌ها ابتدا یک مدل سریع و اقتصادی مانند Haiku 4.5 ارزیابی شود و تنها در صورت کافی‌نبودن کیفیت، به مدل قوی‌تر ارتقا داده شود. راهنمای انتخاب مدل Claude

مشخصات فنی Claude Haiku 4.5

براساس مستندات Anthropic، Haiku 4.5 از Context Window برابر با ۲۰۰ هزار توکن و خروجی تا ۶۴ هزار توکن پشتیبانی می‌کند. راهنمای مهاجرت Claude Haiku 4.5

قابلیت‌های قابل‌استفاده از طریق درواره به Model ID و Endpoint انتخابی وابسته‌اند. پیش از استفاده از ویژگی‌های اختصاصی، آن‌ها را روی مدل در دسترس آزمایش کنید.

تفاوت Haiku، Sonnet، Opus و Fable

مدل‌های Claude برای نقش‌های متفاوتی طراحی شده‌اند.

مقایسه عملی:

آیا Claude Haiku 4.5 مدل ضعیفی است؟

خیر. Haiku 4.5 یک مدل سبک‌تر است، اما برای بسیاری از کاربردهای واقعی توانایی کافی دارد.

Anthropic هنگام معرفی مدل اعلام کرد که Haiku 4.5 در SWE-bench Verified امتیاز ۷۳.۳ درصد کسب کرده است؛ معیاری که توانایی مدل‌ها را در حل مسائل واقعی مخازن نرم‌افزاری بررسی می‌کند. معرفی Claude Haiku 4.5

بااین‌حال، این نتیجه نباید به تمام پروژه‌های برنامه‌نویسی تعمیم داده شود. عملکرد مدل روی پروژه واقعی به موارد زیر وابسته است:

• زبان برنامه‌نویسی
• اندازه Codebase
• کیفیت تست‌ها
• نوع Agent Harness
• دسترسی به ابزار
• Prompt
• حجم Context
• پیچیدگی مسئله
• معیار پذیرش

مدل باید روی Dataset واقعی پروژه ارزیابی شود.

مهم‌ترین قابلیت‌های Claude Haiku 4.5

سرعت پاسخ بالا

سرعت مهم‌ترین مزیت Haiku 4.5 است.

Latency پایین در کاربردهایی اهمیت دارد که کاربر منتظر پاسخ است:

• چت‌بات
• دستیار برنامه‌نویسی
• تکمیل متن
• پاسخ‌گویی پشتیبانی
• جست‌وجوی سازمانی
• تحلیل زنده ورودی
• پیشنهاد پاسخ
• اجرای چند Tool Call
• رابط‌های تعاملی

اگر هر مرحله Agent چند ثانیه طول بکشد و Agent ده مرحله داشته باشد، زمان کل می‌تواند آزاردهنده شود. مدل سریع‌تر این حلقه را کوتاه می‌کند.

هزینه مناسب برای مقیاس بالا

در یک نمونه آزمایشی با چند کاربر، تفاوت هزینه مدل‌ها ممکن است کوچک به نظر برسد. اما در محصولی با هزاران کاربر، تفاوت هزینه هر درخواست به عدد مهمی تبدیل می‌شود.

Haiku 4.5 برای موارد زیر مناسب است:

• پلن رایگان محصول
• پردازش میلیون‌ها رکورد
• پاسخ‌گویی پرتعداد
• اجرای Parallel Sub-agent
• دسته‌بندی انبوه
• ساخت Metadata
• ترجمه محتوای زیاد
• تحلیل تیکت‌ها
• پردازش بازخوردها

قیمت مدل‌ها ممکن است تغییر کند. برای هزینه به‌روز استفاده از Haiku 4.5 در درواره، صفحه مدل‌های درواره را بررسی کنید.

Context Window برابر با ۲۰۰ هزار توکن

Context Window مدل امکان پردازش متن‌های نسبتاً طولانی را فراهم می‌کند.

کاربردها:

• بررسی چند سند
• تحلیل یک فایل PDF
• پردازش مکالمه طولانی
• بررسی بخشی از Codebase
• پاسخ‌گویی مبتنی بر مستندات
• تحلیل گزارش
• خلاصه‌سازی چند منبع
• پردازش تاریخچه تیکت

اما ارسال ۲۰۰ هزار توکن برای هر درخواست اقتصادی نیست. Retrieval و Chunking همچنان لازم هستند.

خروجی تا ۶۴ هزار توکن

خروجی بزرگ برای تولید کد، گزارش و مستندات مفید است، اما بیشتر وظایف Haiku به چنین خروجی طولانی نیاز ندارند.

برای کنترل هزینه و Latency بهتر است:

• قالب خروجی را مشخص کنید؛
• حداکثر تعداد بخش‌ها را تعیین کنید؛
• پاسخ کوتاه درخواست کنید؛
• اطلاعات تکراری را حذف کنید؛
• تولید خروجی را مرحله‌بندی کنید.

پردازش تصویر

Haiku 4.5 می‌تواند تصویر را تحلیل کند.

نمونه کاربردها:

• تولید Alt Text
• دسته‌بندی عکس محصول
• تحلیل اسکرین‌شات
• استخراج اطلاعات جدول
• بررسی رابط کاربری
• خواندن نمودار ساده
• تشخیص نوع سند
• استخراج فیلد از فرم تصویری

برای OCR دقیق یا استخراج اعداد مهم باید خروجی با ابزار تخصصی بررسی شود.

Tool Calling

Haiku 4.5 می‌تواند ابزارهای تعریف‌شده را فراخوانی کند.

نمونه ابزارهای یک چت‌بات فروشگاه:

• search_products
• get_product_details
• check_inventory
• get_order_status
• create_support_ticket

مدل تابع را اجرا نمی‌کند. برنامه باید:

1. Tool Call را دریافت کند.
2. آرگومان‌ها را اعتبارسنجی کند.
3. مجوز کاربر را بررسی کند.
4. تابع واقعی را اجرا کند.
5. نتیجه را به مدل بازگرداند.
6. پاسخ نهایی را تولید کند.

Extended Thinking

Claude Haiku 4.5 از Extended Thinking پشتیبانی می‌کند.

در این مدل، Thinking به‌صورت دستی و با تعیین بودجه توکن فعال می‌شود:

{
  "thinking": {
    "type": "enabled",
    "budget_tokens": 8000
  }
}

این ساختار مربوط به API بومی Anthropic است. پشتیبانی آن در APIهای سازگار و مسیر مدل درواره باید جداگانه بررسی شود.

برخلاف مدل‌های جدیدتر Claude، Haiku 4.5 از Adaptive Thinking پشتیبانی نمی‌کند. در حالت Extended Thinking، توسعه‌دهنده بودجه Reasoning را تعیین می‌کند. مستندات Extended Thinking

محدودیت Interleaved Thinking

Haiku 4.5 از Interleaved Thinking پشتیبانی نمی‌کند.

Interleaved Thinking یعنی مدل بتواند میان Tool Callهای متعدد دوباره وارد مرحله Thinking شود. طبق مستندات Anthropic، Header مربوط به این قابلیت برای Haiku 4.5 اثری ندارد.

بنابراین برای Agentهای بسیار پیچیده با چند ابزار وابسته، باید عملکرد Haiku را با مدل‌هایی مانند Sonnet 5 یا Opus 4.8 مقایسه کنید.

بهترین کاربردهای Claude Haiku 4.5

چت‌بات پشتیبانی مشتری

Haiku 4.5 می‌تواند در پاسخ‌گویی سریع به کاربران استفاده شود:

• تشخیص موضوع
• جست‌وجو در FAQ
• پیشنهاد پاسخ
• خلاصه سابقه مشتری
• دریافت وضعیت سفارش
• ایجاد تیکت
• انتقال مکالمه به اپراتور

معماری مناسب:

پیام کاربر
↓
تشخیص Intent با Haiku
↓
جست‌وجو در پایگاه دانش
↓
پاسخ با Haiku
↓
اعتبارسنجی
↓
پاسخ یا ارجاع به اپراتور

System Prompt پشتیبانی

تو دستیار پشتیبانی مشتری هستی.

قواعد:
- فقط براساس اطلاعات پایگاه دانش و نتیجه ابزارها پاسخ بده.
- وضعیت سفارش، پرداخت یا حساب را حدس نزن.
- اگر اطلاعات کافی نیست، سؤال تکمیلی بپرس.
- هیچ عملیات تغییردهنده‌ای را بدون تأیید کاربر اجرا نکن.
- پاسخ را کوتاه، روشن و محترمانه بنویس.
- اگر مسئله خارج از محدوده است، کاربر را به اپراتور منتقل کن.
- اطلاعات داخلی سیستم را نمایش نده.

دسته‌بندی تیکت

Haiku می‌تواند پیام را به خروجی ساختاریافته تبدیل کند:

{
  "category": "billing",
  "priority": "medium",
  "sentiment": "negative",
  "requires_human": true,
  "summary": "موجودی حساب پس از پرداخت افزایش پیدا نکرده است."
}

قواعد اولویت باید سمت Backend اعمال شوند. عصبانیت کاربر لزوماً به معنای اولویت بحرانی نیست.

استخراج اطلاعات

کاربردها:

• استخراج اطلاعات محصول
• پردازش فرم
• تبدیل ایمیل به رکورد CRM
• استخراج اقدام از جلسه
• پردازش رزومه
• استخراج اطلاعات سند
• تشخیص موجودیت‌ها
• تبدیل متن به JSON

پرامپت استخراج اطلاعات

اطلاعات را فقط از متن ورودی استخراج کن.

قواعد:
- فیلد ناموجود را null قرار بده.
- هیچ مقدار یا واحدی را حدس نزن.
- نام و مقدار هر ویژگی را جدا کن.
- متن تبلیغاتی را به ویژگی محصول تبدیل نکن.
- پاسخ فقط JSON باشد.

ساختار:
{
  "product_name": "string | null",
  "brand": "string | null",
  "model": "string | null",
  "category": "string | null",
  "features": [
    {
      "name": "string",
      "value": "string"
    }
  ],
  "missing_fields": ["string"]
}

متن:
[متن محصول]

برنامه‌نویسی تعاملی

Haiku 4.5 برای این موارد مناسب است:

• تکمیل کد
• توضیح تابع
• تولید تست ساده
• ساخت Regex
• رفع خطای محدود
• تولید Query
• نوشتن اسکریپت
• تبدیل داده
• پاسخ سریع به پرسش فنی
• بررسی تغییر کوچک

برای مهاجرت بزرگ، Debug پیچیده یا طراحی معماری حساس، مدل قوی‌تر ممکن است مناسب‌تر باشد.

پرامپت برنامه‌نویسی

نقش:
یک مهندس نرم‌افزار دقیق هستی.

وظیفه:
[شرح تغییر]

Context:
[کد یا فایل‌های مرتبط]

قواعد:
- فقط فایل‌ها و توابع مرتبط را تغییر بده.
- API عمومی را بدون ضرورت تغییر نده.
- الگوی فعلی پروژه را حفظ کن.
- اطلاعات ناموجود را حدس نزن.
- برای رفتار جدید تست بنویس.
- کد را کوتاه و قابل‌نگهداری نگه دار.
- نتیجه تست را جعل نکن.
- اگر Context کافی نیست، سؤال مشخص بپرس.

خروجی:
1. علت مشکل
2. تغییر پیشنهادی
3. کد
4. تست
5. ریسک احتمالی

Sub-agent در معماری چندعاملی

یکی از بهترین نقش‌های Haiku 4.5، Sub-agent است.

در یک معماری چندعاملی، مدل قدرتمندتر می‌تواند مسئله را برنامه‌ریزی کند و چند Haiku وظایف کوچک را هم‌زمان انجام دهند.

مثال:

Orchestrator
↓
تقسیم پروژه
↓
Haiku: بررسی Backend
Haiku: بررسی Frontend
Haiku: بررسی تست‌ها
Haiku: بررسی مستندات
↓
ترکیب نتایج
↓
ارزیابی نهایی

مزایا:

• اجرای موازی
• Latency کمتر
• هزینه پایین‌تر
• جداسازی Context
• تخصصی‌کردن Prompt هر Agent
• امکان Retry مستقل

پرامپت Sub-agent

تو یک Sub-agent با محدوده محدود هستی.

وظیفه:
[یک وظیفه مشخص]

محدوده:
[فایل‌ها یا داده‌های مجاز]

قواعد:
- فقط همین وظیفه را انجام بده.
- وارد وظایف Agentهای دیگر نشو.
- اطلاعات ناموجود را حدس نزن.
- نتیجه را با شواهد ارائه کن.
- اگر کار کامل نیست، وضعیت را موفق اعلام نکن.
- هیچ عملیات غیرقابل‌بازگشتی انجام نده.

خروجی:
{
  "status": "completed | blocked | failed",
  "summary": "...",
  "evidence": ["..."],
  "files_or_sources": ["..."],
  "open_questions": ["..."],
  "recommended_next_step": "..."
}

تحلیل بازخورد مشتری

Haiku می‌تواند هزاران بازخورد را به داده قابل‌تحلیل تبدیل کند:

• موضوع
• احساس
• محصول
• مشکل
• پیشنهاد
• شدت
• نیاز به پیگیری
• خلاصه

سپس داده‌ها را می‌توان در داشبورد تجمیع کرد.

تولید Metadata

کاربردها:

• Meta Title
• Meta Description
• Excerpt
• Tag
• Category
• Alt Text
• توضیح کوتاه
• نام استاندارد فایل
• خلاصه برای کارت محتوا

برای انتشار خودکار، محدودیت طول و Validation اضافه کنید.

ترجمه انبوه

Haiku برای ترجمه تعداد زیادی متن کوتاه مناسب است:

• رابط کاربری
• توضیحات محصول
• پیام‌های سیستم
• FAQ
• زیرنویس
• محتوای پشتیبانی

واژه‌نامه مشخصی در Prompt قرار دهید تا اصطلاحات یکسان ترجمه شوند.

چه زمانی Haiku 4.5 را انتخاب کنیم؟

Haiku انتخاب مناسبی است اگر:

• Latency برای تجربه کاربر مهم است.
• حجم درخواست بالا است.
• هزینه باید کنترل شود.
• وظایف کوتاه یا متوسط هستند.
• چت‌بات پرترافیک دارید.
• استخراج و دسته‌بندی انجام می‌دهید.
• Sub-agentهای متعدد اجرا می‌کنید.
• پاسخ سریع برنامه‌نویسی می‌خواهید.
• Tool Calling محدود دارید.
• مدل باید تصویر ساده را تحلیل کند.
• امکان Fallback به مدل قوی‌تر وجود دارد.

چه زمانی مدل دیگری بهتر است؟

تحلیل بسیار پیچیده

برای استدلال دشوار، Sonnet، Opus یا Fable را ارزیابی کنید.

Agent طولانی و چندمرحله‌ای

Haiku حافظه دائمی ندارد و از Interleaved Thinking پشتیبانی نمی‌کند. مدل جدیدتر ممکن است مناسب‌تر باشد.

Context بسیار بزرگ

Context Haiku برابر با ۲۰۰ هزار توکن است. اگر ورودی بزرگ‌تر دارید باید Retrieval، تقسیم سند یا مدل دارای Context بزرگ‌تر استفاده شود.

پروژه برنامه‌نویسی وسیع

برای مهاجرت بزرگ یا تغییر چندسرویسی، مدل قدرتمندتر می‌تواند نرخ موفقیت بیشتری داشته باشد.

تولید تصویر، صوت یا ویدئو

Haiku مدل تولید رسانه نیست و باید از مدل تخصصی استفاده شود.

معماری Model Routing

Haiku می‌تواند لایه اول یک معماری چندمدلی باشد:

درخواست
↓
Haiku 4.5
↓
اعتبارسنجی
↓
موفق: پاسخ
پیچیده یا ناموفق: Sonnet یا Opus
بسیار طولانی: Fable

معیارهای Fallback:

• خروجی نامعتبر
• عدم رعایت Schema
• نیاز به چند Tool Call وابسته
• Context بیش از محدوده
• تناقض منابع
• شکست تست
• مسئله چندمرحله‌ای
• اهمیت زیاد نتیجه
• نیاز به بازبینی عمیق

بهتر است Fallback براساس معیارهای قابل‌اندازه‌گیری انجام شود، نه فقط Confidence تولیدشده توسط مدل.

اتصال Claude Haiku 4.5 به API درواره

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

Base URL درواره:

https://api.darvareh.ir/v1

برای شروع نیاز دارید:

• حساب درواره
• API Key
• موجودی حساب
• Model ID
• SDK یا برنامه سازگار با OpenAI API

درواره اپلیکیشن آماده Claude نیست؛ زیرساخت API است که می‌توانید آن را به نرم‌افزار، وب‌سایت، Agent یا Workflow خود متصل کنید.

نصب SDK در Python

pip install openai

تنظیم API Key:

export DARVAREH_API_KEY="YOUR_API_KEY"

در Windows PowerShell:

$env:DARVAREH_API_KEY="YOUR_API_KEY"

اولین درخواست با Python

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 سریع و دقیق هستی. "
                "پاسخ را کوتاه بنویس و اطلاعات ناموجود را حدس نزن."
            )
        },
        {
            "role": "user",
            "content": (
                "این پیام را دسته‌بندی و در یک جمله خلاصه کن: "
                "پرداخت کردم اما موجودی کیف پول هنوز افزایش پیدا نکرده است."
            )
        }
    ],
    temperature=0.1
)

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

مقدار YOUR_MODEL_ID را با Model ID درواره جایگزین کنید.

اتصال 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": "پاسخ کوتاه بده و اطلاعات ناموجود را حدس نزن."
      },
      {
        "role": "user",
        "content": "این بازخورد را خلاصه و دسته‌بندی کن."
      }
    ],
    "temperature": 0.1
  }'

اتصال با Node.js

ابتدا کتابخانه 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 fast and precise assistant. Do not invent missing facts.",
    },
    {
      role: "user",
      content:
        "Summarize this support ticket and classify its topic.",
    },
  ],
  temperature: 0.1,
});

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

دریافت پاسخ Streaming

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 راهنمای کوتاه برای ساخت چت‌بات پشتیبانی بنویس."
        }
    ],
    stream=True
)

for chunk in stream:
    content = chunk.choices[0].delta.content

    if content:
        print(content, end="", flush=True)

نمونه پردازش چند تیکت

import json
import os
from openai import OpenAI

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

tickets = [
    "پرداخت انجام شد ولی موجودی اضافه نشد.",
    "چطور API Key جدید بسازم؟",
    "پاسخ API خیلی دیر برمی‌گردد."
]

def classify_ticket(text):
    response = client.chat.completions.create(
        model="YOUR_MODEL_ID",
        temperature=0.1,
        response_format={"type": "json_object"},
        messages=[
            {
                "role": "system",
                "content": """
تیکت را دسته‌بندی کن و فقط JSON معتبر برگردان.

دسته‌های مجاز:
- billing
- account
- technical
- general

ساختار:
{
  "category": "string",
  "summary": "string",
  "requires_human": true
}

اطلاعات ناموجود را حدس نزن.
"""
            },
            {
                "role": "user",
                "content": text
            }
        ]
    )

    return json.loads(response.choices[0].message.content)

for ticket in tickets:
    print(classify_ticket(ticket))

پشتیبانی response_format را روی Model ID انتخابی بررسی کنید. خروجی JSON باید با Schema و قواعد کسب‌وکار اعتبارسنجی شود.

Extended Thinking در API درواره

Extended Thinking یک قابلیت اختصاصی مدل است. ساختار بومی Anthropic به شکل زیر است:

{
  "thinking": {
    "type": "enabled",
    "budget_tokens": 8000
  }
}

اما API درواره برای سازگاری عمومی از رابط OpenAI-compatible استفاده می‌کند. بنابراین نباید فرض کنید تمام پارامترهای اختصاصی Anthropic بدون تغییر پشتیبانی می‌شوند.

روش مناسب:

1. ابتدا مدل را با Chat Completions استاندارد آزمایش کنید.
2. فهرست قابلیت‌های Model ID را بررسی کنید.
3. در صورت نیاز به Thinking، پشتیبانی پارامتر را آزمایش کنید.
4. برای درخواست نامعتبر، مسیر جایگزین داشته باشید.
5. هزینه و Latency را قبل و بعد از Thinking مقایسه کنید.

برای بیشتر وظایف ساده Haiku نیازی به Extended Thinking نیست. فعال‌کردن آن می‌تواند مزیت سرعت و هزینه مدل را کاهش دهد.

مدیریت خطا

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

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1",
    timeout=60.0,
    max_retries=0
)

def request_with_retry(messages, attempts=3):
    for attempt in range(attempts):
        try:
            return client.chat.completions.create(
                model="YOUR_MODEL_ID",
                messages=messages,
                temperature=0.1
            )

        except (RateLimitError, APIConnectionError, APITimeoutError):
            if attempt == attempts - 1:
                raise

            delay = (2 ** attempt) + random.random()
            time.sleep(delay)

        except APIStatusError:
            raise

Retry فقط برای خطاهای موقت مناسب است. درخواست نامعتبر، API Key اشتباه یا موجودی ناکافی با تکرار حل نمی‌شود.

روش ارزیابی Haiku 4.5

برای تصمیم‌گیری، Dataset واقعی پروژه بسازید.

مثلاً برای تیکت پشتیبانی:

• پیام کوتاه
• پیام چندموضوعی
• پیام مبهم
• پیام عصبانی
• مشکل پرداخت
• مشکل فنی
• درخواست قابلیت
• سؤال عمومی
• متن فارسی محاوره‌ای
• متن دارای غلط املایی

معیارها:

مدل را با Sonnet و یک مدل اقتصادی دیگر روی Dataset یکسان مقایسه کنید.

محاسبه هزینه واقعی

قیمت توکن تنها معیار انتخاب نیست.

فرمول:

هزینه هر خروجی موفق = مجموع هزینه مدل، Retry، Fallback و بازبینی تقسیم‌بر تعداد خروجی‌های پذیرفته‌شده

Haiku ممکن است قیمت هر درخواست کمتری داشته باشد، اما اگر روی وظیفه نامناسب استفاده شود، افزایش Retry می‌تواند صرفه اقتصادی را از بین ببرد.

کاهش هزینه و Latency

Prompt کوتاه و دقیق بنویسید

اطلاعات تکراری را حذف کنید، اما محدودیت‌ها و Schema را نگه دارید.

Context مرتبط ارسال کنید

از ارسال کل پایگاه دانش خودداری کنید.

خروجی را محدود کنید

برای طبقه‌بندی، پاسخ چندصفحه‌ای نیاز نیست.

عملیات قطعی را در کد انجام دهید

محاسبه، اعتبارسنجی و قواعد کسب‌وکار را به مدل نسپارید.

درخواست‌ها را Batch کنید

در صورت پشتیبانی، وظایف غیرهم‌زمان را با Batch Processing اجرا کنید.

Prompt Caching را بررسی کنید

اگر System Prompt یا اسناد ثابت تکرار می‌شوند، Prompt Caching می‌تواند مفید باشد.

Fallback کنترل‌شده بسازید

فقط موارد دشوار را به مدل قوی‌تر ارسال کنید.

اشتباهات رایج

استفاده از Haiku برای سخت‌ترین مسئله‌ها

مدل سریع است، اما برای هر مسئله‌ای مناسب نیست.

فعال‌کردن Thinking برای تمام درخواست‌ها

بیشتر درخواست‌های دسته‌بندی و استخراج به Reasoning طولانی نیاز ندارند.

نداشتن Fallback

درخواست‌های پیچیده باید مسیر ارتقا داشته باشند.

اعتماد به JSON بدون Validation

JSON معتبر می‌تواند از نظر محتوایی اشتباه باشد.

استفاده از Context کامل

فقط اطلاعات مرتبط را ارسال کنید.

اعتماد به نتیجه تست ادعاشده

Agent باید تست را واقعاً اجرا کند و خروجی ابزار را ثبت کند.

اجرای مستقیم Tool Call

مجوز و آرگومان باید بررسی شوند.

قرار‌دادن API Key در Frontend

API Key فقط باید در Backend نگهداری شود.

استفاده هم‌زمان از Temperature و Top P

طبق راهنمای مهاجرت Anthropic، در Haiku 4.5 نباید temperature و top_p را هم‌زمان تنظیم کرد؛ این ترکیب در API بومی مدل می‌تواند خطای درخواست ایجاد کند.

نداشتن Dataset ارزیابی

Benchmark عمومی جایگزین داده واقعی محصول نیست.

چک‌لیست Production

• Haiku برای نقش مناسب انتخاب شده است.
• Dataset واقعی وجود دارد.
• مدل با گزینه قوی‌تر مقایسه شده است.
• Model ID از درواره دریافت شده است.
• API Key در Backend نگهداری می‌شود.
• Prompt کوتاه و دقیق است.
• Context نامرتبط حذف شده است.
• خروجی Schema دارد.
• Validation سمت سرور اجرا می‌شود.
• Tool Callها مجوزسنجی می‌شوند.
• Timeout تعریف شده است.
• Retry محدود است.
• Rate Limit مدیریت می‌شود.
• بودجه هر کاربر مشخص است.
• Fallback وجود دارد.
• Thinking فقط در صورت نیاز استفاده می‌شود.
• Latency و هزینه ثبت می‌شوند.
• نرخ موفقیت مانیتور می‌شود.
• داده حساس کنترل می‌شود.
• نسخه مدل و Prompt ثبت می‌شود.
• تغییر مدل پس از Eval انجام می‌شود.

پرسش‌های متداول

Claude Haiku 4.5 چیست؟

Claude Haiku 4.5 مدل سریع و اقتصادی Anthropic برای اپلیکیشن‌های تعاملی، برنامه‌نویسی، Agent، دسته‌بندی، استخراج داده و پردازش پرتعداد است.

Claude Haiku 4.5 چه زمانی منتشر شد؟

این مدل در ۱۵ اکتبر ۲۰۲۵ معرفی شد.

Context Window مدل چقدر است؟

Claude Haiku 4.5 دارای Context Window برابر با ۲۰۰ هزار توکن و حداکثر خروجی ۶۴ هزار توکن است.

آیا Haiku 4.5 برای برنامه‌نویسی مناسب است؟

بله. این مدل برای تکمیل کد، تولید تست، رفع خطاهای محدود و Sub-agentهای برنامه‌نویسی مناسب است. برای پروژه‌های بسیار پیچیده باید با مدل‌های قوی‌تر مقایسه شود.

آیا Claude Haiku 4.5 تصویر را تحلیل می‌کند؟

بله. مدل می‌تواند متن و تصویر را دریافت کند و خروجی متنی ارائه دهد.

آیا Haiku 4.5 از Extended Thinking پشتیبانی می‌کند؟

بله. این مدل از Extended Thinking با بودجه توکن دستی پشتیبانی می‌کند، اما Adaptive Thinking ندارد. پشتیبانی این تنظیم در مسیر API درواره باید بررسی شود.

آیا Haiku 4.5 از Interleaved Thinking پشتیبانی می‌کند؟

خیر. طبق مستندات Anthropic، Interleaved Thinking در این مدل پشتیبانی نمی‌شود.

آیا Haiku برای Agent مناسب است؟

بله، به‌ویژه برای Agentهای سریع، وظایف محدود و Sub-agentهای موازی. برای Agent طولانی و چندمرحله‌ای، مدل جدیدتر ممکن است مناسب‌تر باشد.

آیا Haiku 4.5 برای چت‌بات مناسب است؟

بله. سرعت و هزینه مناسب، آن را به گزینه خوبی برای چت‌بات پشتیبانی و محصولات پرترافیک تبدیل می‌کند.

آیا Haiku 4.5 از زبان فارسی پشتیبانی می‌کند؟

این مدل می‌تواند متن فارسی را پردازش و تولید کند، اما کیفیت آن باید روی داده، اصطلاحات و لحن موردنیاز پروژه شما آزمایش شود.

Base URL درواره چیست؟

https://api.darvareh.ir/v1

Model ID درواره چیست؟

Model ID را از صفحه مدل‌های درواره دریافت و به‌جای YOUR_MODEL_ID در نمونه‌کدها قرار دهید.

قیمت Claude Haiku 4.5 چقدر است؟

برای مشاهده قیمت ورودی، خروجی و جزئیات به‌روز، به صفحه مدل‌های درواره مراجعه کنید.

جمع‌بندی

Claude Haiku 4.5 مدل سریع و اقتصادی خانواده Claude است و برای کاربردهایی طراحی شده که باید کیفیت مناسب را با Latency و هزینه قابل‌کنترل ترکیب کنند.

مهم‌ترین قابلیت‌های آن:

• سرعت بالا
• هزینه مناسب برای مقیاس زیاد
• Context Window برابر با ۲۰۰ هزار توکن
• خروجی تا ۶۴ هزار توکن
• ورودی متن و تصویر
• Tool Calling
• Extended Thinking
• برنامه‌نویسی
• Agentهای سریع
• Sub-agentهای موازی
• دسته‌بندی و استخراج
• چت‌بات‌های پرترافیک

بهترین روش استفاده از Haiku این است که ابتدا آن را روی Dataset واقعی ارزیابی کنید. اگر کیفیت موردنیاز را تأمین کرد، از همان مدل استفاده کنید و فقط درخواست‌های پیچیده‌تر را به Sonnet، Opus یا Fable منتقل کنید.

اگر می‌خواهید Claude Haiku 4.5 را به نرم‌افزار، وب‌سایت، چت‌بات، سیستم پردازش انبوه یا Agent خود متصل کنید، می‌توانید از API هوش مصنوعی درواره استفاده کنید.

Base URL درواره:

https://api.darvareh.ir/v1

برای دریافت Model ID و مشاهده قیمت به‌روز Claude Haiku 4.5 و سایر مدل‌ها، به صفحه مدل‌های درواره مراجعه کنید.

مقالات مرتبط

• Claude چیست؟ آموزش کامل استفاده از هوش مصنوعی Claude
• Claude Sonnet 5 چیست؟
• Claude Opus 4.8 چیست؟
• Claude Fable 5 چیست؟
• انتخاب مدل برای Coding Agent
• بهترین مدل هوش مصنوعی برای برنامه‌نویسی
• AI Router چیست؟
• Tool Calling چیست؟
• Prompt Caching چیست؟
• Batch API چیست؟

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