مدل‌ها

Claude Opus 4.8 چیست؟ بررسی کامل، کاربردها و آموزش استفاده از API درواره

Claude Opus 4.8 مدلی قدرتمند برای کدنویسی پیچیده، AI Agent، تحلیل اسناد و پروژه‌های سازمانی است. در این راهنما قابلیت‌ها، محدودیت‌ها و نحوه استفاده از API آن در درواره را بررسی می‌کنیم.

مقدمه

Claude Opus 4.8 یکی از قدرتمندترین مدل‌های خانواده Claude برای برنامه‌نویسی پیچیده، استدلال چندمرحله‌ای، استفاده از ابزارها و اجرای وظایف طولانی‌مدت Agentic است.

این مدل برای درخواست‌هایی طراحی شده که یک پاسخ کوتاه و ساده کافی نیست. برای مثال، زمانی که مدل باید یک Repository بزرگ را بررسی کند، میان چند سرویس ارتباط برقرار کند، برنامه مهاجرت نرم‌افزاری بسازد، ابزارهای مختلف را فراخوانی کند یا یک فرایند چندمرحله‌ای را تا رسیدن به نتیجه ادامه دهد.

Claude Opus 4.8 در مقایسه با مدل‌های سریع‌تر و اقتصادی‌تر، بیشتر برای وظایفی مناسب است که کیفیت تصمیم‌گیری، حفظ Context، دقت در Tool Calling و توانایی کار روی مسائل پیچیده اهمیت بالاتری دارند.

در این راهنما بررسی می‌کنیم:

Claude Opus 4.8 چیست؟
چه تفاوتی با Claude Sonnet 5 دارد؟
چه مشخصات و قابلیت‌هایی ارائه می‌کند؟
برای چه کاربردهایی مناسب است؟
Adaptive Thinking و Effort چه هستند؟
چگونه از API مدل در درواره استفاده کنیم؟
چگونه با آن Coding Agent یا دستیار سازمانی بسازیم؟
چگونه Context، هزینه و Latency را کنترل کنیم؟
چه نکاتی هنگام مهاجرت از نسخه‌های قبلی باید رعایت شود؟

Claude Opus 4.8 چیست؟

Claude Opus 4.8 یک مدل هوش مصنوعی رده‌بالا از خانواده Claude است که برای وظایف پیچیده مهندسی نرم‌افزار، Agentهای طولانی‌مدت، تحلیل حرفه‌ای و پردازش Context بزرگ طراحی شده است.

Opus در خانواده Claude معمولاً به مدل‌هایی اشاره دارد که برای دستیابی به کیفیت و توانایی بالاتر بهینه شده‌اند. در مقابل، مدل‌های Sonnet بیشتر بر تعادل کیفیت، سرعت و هزینه تمرکز دارند و مدل‌های Haiku برای سرعت و پردازش اقتصادی مناسب‌تر هستند.

Claude Opus 4.8 طبق معرفی رسمی در مقایسه با نسخه قبلی خود، در حوزه‌های زیر بهبود یافته است:

کدنویسی Agentic با افق زمانی طولانی
حفظ بهتر مسیر کار در نشست‌های بزرگ
استفاده دقیق‌تر از ابزارها
مدیریت بهتر Context پس از فشرده‌سازی
کالیبراسیون بهتر میزان استدلال
تشخیص بهتر عدم قطعیت و مشکلات احتمالی
همکاری مؤثرتر در وظایف پیچیده

این مدل در ۲۸ مه ۲۰۲۶ معرفی شده و برای کدنویسی Agentic پیچیده و کارهای سازمانی طراحی شده است. معرفی رسمی Claude Opus 4.8

مشخصات کلیدی Claude Opus 4.8

مشخصه	توضیح
خانواده مدل	Claude
رده مدل	Opus
دسته‌بندی	Coding، Reasoning، Agent و Enterprise
پنجره Context	تا یک‌میلیون Token
حداکثر خروجی	تا ۱۲۸ هزار Token
ورودی تصویری	پشتیبانی از تحلیل تصاویر و اسناد تصویری
Tool Calling	پشتیبانی می‌شود
Adaptive Thinking	پشتیبانی می‌شود
Effort پیش‌فرض	High در API اصلی مدل
Fast Mode	در برخی روش‌های دسترسی و شرایط مشخص
کاربرد اصلی	کدنویسی پیچیده، Agent، تحلیل و کار سازمانی
Model ID درواره	از صفحه مدل‌های درواره دریافت شود

طبق مستندات رسمی، Claude Opus 4.8 از Context یک‌میلیون توکنی، حداکثر خروجی ۱۲۸ هزار توکن، Adaptive Thinking و قابلیت‌های پیشرفته Tool Use پشتیبانی می‌کند. مستندات Claude Opus 4.8

برای مشاهده وضعیت دسترسی، قیمت به‌روز و Model ID درواره به صفحه مدل‌های درواره مراجعه کنید.

قابلیت‌های مهم Claude Opus 4.8

کدنویسی Agentic در پروژه‌های بزرگ

مدل‌های معمولی می‌توانند یک تابع، Query یا قطعه کد کوتاه تولید کنند. اما کار روی یک پروژه واقعی ممکن است به درک ارتباط میان ده‌ها یا صدها فایل نیاز داشته باشد.

Claude Opus 4.8 برای وظایفی مانند موارد زیر مناسب است:

شناخت معماری یک Repository بزرگ
پیاده‌سازی Feature در چند ماژول
مهاجرت میان نسخه‌های Framework
Refactor چند سرویس مرتبط
تشخیص علت خطاهای پیچیده
تولید و اجرای برنامه تست
اصلاح کد بر اساس نتیجه تست‌ها
بررسی Pull Request بزرگ
تحلیل Dependencyهای متقابل
تهیه برنامه مهاجرت مرحله‌ای
مستندسازی سیستم‌های قدیمی
تبدیل نیازمندی تجاری به برنامه فنی

مدل در این نوع وظایف فقط نباید کد تولید کند. ابتدا باید مسئله را درک کند، فایل‌های مرتبط را پیدا کند، محدودیت‌ها را بشناسد و سپس یک برنامه اجرایی قابل‌آزمایش بسازد.

اجرای Agentهای طولانی‌مدت

یک AI Agent ممکن است برای تکمیل یک وظیفه چندین مرحله را اجرا کند:

هدف را تحلیل کند.
برنامه اولیه بسازد.
ابزار مناسب را انتخاب کند.
داده یا فایل لازم را دریافت کند.
اقدامی انجام دهد.
نتیجه را بررسی کند.
خطا را تشخیص دهد.
برنامه را اصلاح کند.
مراحل بعدی را ادامه دهد.
نتیجه نهایی را همراه شواهد گزارش کند.

هرچه تعداد مراحل بیشتر شود، حفظ وضعیت و جلوگیری از انحراف Agent دشوارتر خواهد شد. Claude Opus 4.8 برای بهبود کیفیت این فرایندهای طولانی طراحی شده است.

بهبود مدیریت Context پس از Compaction نیز در اینجا اهمیت دارد. در نشست‌های بسیار طولانی ممکن است تاریخچه قبلی خلاصه یا فشرده شود. مدل باید پس از این فشرده‌سازی همچنان هدف، محدودیت‌ها و تصمیم‌های مهم را به خاطر داشته باشد.

Tool Calling دقیق‌تر

Tool Calling یا Function Calling به مدل اجازه می‌دهد به ابزارهای خارجی دسترسی کنترل‌شده داشته باشد.

ابزارهای یک Agent می‌توانند شامل این موارد باشند:

جست‌وجو در پایگاه دانش
دریافت اطلاعات محصول
خواندن فایل
اجرای تست
جست‌وجو در Repository
فراخوانی API داخلی
اجرای Query خواندنی
تولید گزارش
ایجاد وظیفه در سیستم مدیریت پروژه
دریافت وضعیت سفارش
محاسبه قیمت یا شاخص
تحلیل خروجی سرویس‌های دیگر

مدل نباید ابزار را مستقیماً اجرا کند. مدل فقط نام ابزار و آرگومان‌های پیشنهادی را تولید می‌کند. Backend باید ورودی را اعتبارسنجی، مجوزها را بررسی و ابزار را اجرا کند.

بهبود Tool Triggering در Claude Opus 4.8 به این معناست که مدل کمتر از اجرای ابزاری که برای تکمیل کار ضروری است صرف‌نظر می‌کند. این ویژگی برای Agentهایی که پاسخ آن‌ها باید بر داده واقعی متکی باشد اهمیت زیادی دارد.

Adaptive Thinking

Adaptive Thinking به مدل اجازه می‌دهد متناسب با دشواری هر مرحله تصمیم بگیرد که آیا به پردازش استدلالی بیشتری نیاز دارد یا خیر.

برای مثال:

بازیابی نام یک فایل ممکن است به استدلال عمیق نیاز نداشته باشد.
تشخیص علت Race Condition در یک سیستم توزیع‌شده به تحلیل بیشتری نیاز دارد.
خلاصه‌کردن خروجی یک ابزار می‌تواند مستقیم انجام شود.
طراحی برنامه مهاجرت چند سرویس ممکن است نیازمند بررسی چندمرحله‌ای باشد.

در Claude Opus 4.8، Adaptive Thinking باید در API اصلی مدل به‌صورت مشخص فعال شود. در صورت فعال بودن، مدل برای مراحل ساده مستقیم پاسخ می‌دهد و برای مسائل پیچیده زمان و Token بیشتری صرف می‌کند.

کنترل Effort

Effort میزان تلاشی را مشخص می‌کند که مدل برای حل درخواست صرف می‌کند. در API اصلی Claude Opus 4.8، مقدار پیش‌فرض Effort برابر High اعلام شده است.

سطح Effort بالاتر می‌تواند برای این کاربردها مناسب باشد:

خطای پیچیده و غیرقابل‌تکرار
طراحی معماری نرم‌افزار
مهاجرت Codebase بزرگ
مسئله استدلالی دشوار
Agentهای طولانی‌مدت
تحلیل چند سند متناقض
تصمیم‌گیری چندمعیاره

سطح پایین‌تر می‌تواند در مراحل ساده Agent باعث کاهش زمان و مصرف Token شود.

نحوه پشتیبانی از پارامترهای اختصاصی هر مدل در APIهای سازگار ممکن است متفاوت باشد. پیش از استفاده از تنظیمات اختصاصی، مستندات و وضعیت مدل در درواره را بررسی کنید.

Context یک‌میلیون توکنی

Context Window فضای کاری مدل است و می‌تواند شامل موارد زیر باشد:

System Prompt
پیام‌های مکالمه
کد منبع
مستندات
خروجی ابزارها
نتایج جست‌وجو
اطلاعات بازیابی‌شده توسط RAG
تصویر یا محتوای چندوجهی
پاسخ در حال تولید

پنجره Context یک‌میلیون توکنی، Claude Opus 4.8 را برای کار با حجم زیادی از اطلاعات مناسب می‌کند. برای مثال، مدل می‌تواند مجموعه بزرگی از فایل‌های مرتبط با یک پروژه، مستندات معماری و خروجی تست‌ها را در یک جریان کاری بررسی کند.

بااین‌حال، Context بزرگ نباید بهانه‌ای برای ارسال همه اطلاعات موجود باشد. اطلاعات نامرتبط می‌توانند هزینه و Latency را افزایش دهند و تمرکز مدل را کاهش دهند.

خروجی تا ۱۲۸ هزار Token

حداکثر خروجی بزرگ برای وظایفی مانند موارد زیر مفید است:

تولید مستندات جامع
ایجاد چند فایل کد مرتبط
تهیه گزارش تحقیقاتی
ساخت برنامه مهاجرت
استخراج ساختاریافته اطلاعات از اسناد متعدد
تولید مجموعه بزرگی از تست‌ها
تحلیل Codebase همراه با پیشنهادهای فایل‌به‌فایل

در عمل بهتر است max_tokens متناسب با نیاز واقعی تنظیم شود. خروجی بسیار طولانی هم هزینه بیشتری دارد و هم احتمال Timeout یا قطع‌شدن ارتباط را افزایش می‌دهد.

پیام System در میانه مکالمه

یکی از قابلیت‌های مهم معرفی‌شده برای Claude Opus 4.8، امکان اضافه‌کردن دستور System در میانه یک فرایند طولانی است.

این قابلیت در Agentهای بلندمدت می‌تواند برای به‌روزرسانی موارد زیر استفاده شود:

مجوز ابزارها
بودجه Token
محدودیت زمانی
وضعیت محیط اجرا
مرحله فعلی Workflow
سیاست‌های جدید اجرای کار

پشتیبانی از این ویژگی به قالب API و لایه ارائه‌دهنده وابسته است. در صورت نیاز به قابلیت‌های اختصاصی، سازگاری Endpoint مورد استفاده را بررسی کنید.

Claude Opus 4.8 برای چه کاربردهایی مناسب است؟

Coding Agent حرفه‌ای

Claude Opus 4.8 می‌تواند موتور تصمیم‌گیری یک Coding Agent باشد که فایل‌ها را پیدا می‌کند، کد را تغییر می‌دهد، تست‌ها را اجرا می‌کند و نتیجه را بررسی می‌کند.

تحلیل Repositoryهای بزرگ

برای شناخت پروژه‌های قدیمی یا Codebaseهایی که مستندات کافی ندارند، مدل می‌تواند:

ساختار ماژول‌ها را استخراج کند.
Entry Pointها را پیدا کند.
Dependencyها را شناسایی کند.
جریان داده را توضیح دهد.
نقاط پرریسک را مشخص کند.
برنامه مستندسازی یا Refactor ارائه دهد.

مهاجرت نرم‌افزاری

مهاجرت از یک نسخه یا فناوری به نسخه دیگر معمولاً به تغییر هماهنگ چندین فایل نیاز دارد.

نمونه‌ها:

مهاجرت Python یا Node.js
ارتقای نسخه Framework
مهاجرت API قدیمی
تبدیل JavaScript به TypeScript
تغییر ORM
بازطراحی ساختار Monolith
به‌روزرسانی قراردادهای API

مدل می‌تواند ابتدا وابستگی‌ها را بررسی کرده و سپس تغییرات را در چند مرحله قابل‌بازگشت برنامه‌ریزی کند.

دستیار تحلیل اسناد سازمانی

پنجره Context بزرگ و قابلیت تحلیل چندوجهی، مدل را برای این کارها مناسب می‌کند:

مقایسه چند گزارش
استخراج تصمیم‌ها و تعهدات
تحلیل مستندات پروژه
ساخت خلاصه مدیریتی
پیدا کردن تناقض‌ها
پاسخ‌گویی بر اساس پایگاه دانش
تبدیل اسناد به داده ساختاریافته

Agent تحقیقاتی

یک Agent تحقیقاتی می‌تواند:

سؤال را به چند زیرسؤال تقسیم کند.
منابع مرتبط را پیدا کند.
محتوای منابع را استخراج کند.
ادعاها را با منابع تطبیق دهد.
تعارض‌ها را مشخص کند.
گزارش نهایی همراه Citation تولید کند.

برای جلوگیری از تولید اطلاعات نادرست، Agent باید تمام ادعاهای مهم را به منبع قابل‌بازبینی متصل کند.

تحلیل داده و تولید گزارش

مدل می‌تواند برای توضیح Schema، تولید Query، تحلیل خروجی آماری و ساخت گزارش استفاده شود. اجرای مستقیم Query تولیدشده بدون اعتبارسنجی مناسب توصیه نمی‌شود.

چه زمانی Claude Opus 4.8 انتخاب مناسبی نیست؟

Claude Opus 4.8 یک مدل رده‌بالا است و استفاده از آن برای تمام درخواست‌ها معمولاً بهینه نیست.

برای این موارد احتمالاً مدل سبک‌تر یا اقتصادی‌تر کافی است:

تشخیص زبان
طبقه‌بندی ساده
استخراج چند فیلد مشخص
بازنویسی عنوان
پاسخ‌های قالبی
خلاصه‌سازی کوتاه
تولید توضیحات محصول کوتاه
پردازش انبوه درخواست‌های ساده
Normalization داده
تشخیص Intentهای محدود

بهترین معماری این نیست که یک مدل را برای همه کارها استفاده کنید. بهتر است درخواست‌ها بر اساس دشواری، ارزش و میزان ریسک به مدل مناسب هدایت شوند.

مقایسه Claude Opus 4.8 و Claude Sonnet 5

معیار	Claude Opus 4.8	Claude Sonnet 5
جایگاه	مدل رده‌بالا	مدل متعادل
هدف اصلی	پیچیده‌ترین وظایف Coding و Agentic	تعادل سرعت، کیفیت و هزینه
Context	تا یک‌میلیون Token	تا یک‌میلیون Token
حداکثر خروجی	تا ۱۲۸ هزار Token	تا ۱۲۸ هزار Token
وظایف طولانی Agent	بسیار مناسب	بسیار مناسب
کدنویسی روزمره	قدرتمند ولی ممکن است پرهزینه باشد	معمولاً انتخاب متعادل‌تر
تحلیل دشوار	اولویت بالاتر	مناسب اکثر وظایف
پردازش انبوه ساده	توصیه نمی‌شود	همچنان بهتر است مدل سبک‌تر بررسی شود
کاربرد پیشنهادی	وظایف با ارزش و پیچیدگی بالا	بار اصلی برنامه‌های حرفه‌ای

این مقایسه به معنای برتری مطلق یک مدل نیست. مدل مناسب باید بر اساس Evals واقعی پروژه انتخاب شود.

یک معماری منطقی می‌تواند Sonnet 5 را به‌عنوان مدل پیش‌فرض و Opus 4.8 را به‌عنوان مسیر Escalation برای درخواست‌های دشوار استفاده کند.

استفاده از Claude Opus 4.8 از طریق API درواره

درواره امکان دسترسی API به مدل‌های مختلف هوش مصنوعی را از طریق یک Base URL سازگار فراهم می‌کند:

https://api.darvareh.ir/v1

برای شروع:

در درواره ثبت‌نام کنید.
از پنل یک API Key بسازید.
وارد صفحه مدل‌ها شوید.
Claude Opus 4.8 را جست‌وجو کنید.
Model ID درواره را کپی کنید.
درخواست را از Backend برنامه ارسال کنید.

قیمت و دسترسی مدل‌ها ممکن است تغییر کند؛ بنابراین برای مشاهده آخرین قیمت از صفحه مدل‌های درواره استفاده کنید.

فراخوانی API با cURL

curl https://api.darvareh.ir/v1/chat/completions \
  -H "Authorization: Bearer $DARVAREH_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MODEL_ID_DARVAREH",
    "messages": [
      {
        "role": "system",
        "content": "You are a senior software architect. Analyze evidence carefully, state assumptions, and produce production-oriented recommendations."
      },
      {
        "role": "user",
        "content": "برای مهاجرت یک Monolith مبتنی بر Django به معماری ماژولار، یک برنامه مرحله‌ای، معیار پذیرش و راهبرد تست طراحی کن."
      }
    ],
    "max_tokens": 8000
  }'

مقدار MODEL_ID_DARVAREH را با Model ID درواره که در صفحه مدل‌ها نمایش داده می‌شود جایگزین کنید.

در این درخواست از پارامترهای Sampling استفاده نشده است. Claude Opus 4.8 در API اصلی خود مقادیر غیراستاندارد temperature، top_p و top_k را نمی‌پذیرد. برای کنترل رفتار مدل بهتر است دستورهای Prompt را دقیق‌تر بنویسید.

اتصال با Python

ابتدا SDK را نصب کنید:

pip install openai

سپس Client را با Base URL درواره بسازید:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1",
    timeout=120.0,
    max_retries=2
)

response = client.chat.completions.create(
    model="MODEL_ID_DARVAREH",
    messages=[
        {
            "role": "system",
            "content": (
                "You are a principal software engineer. "
                "Use the supplied evidence, label assumptions, "
                "and propose changes that can be verified by tests."
            )
        },
        {
            "role": "user",
            "content": (
                "یک معماری Event-Driven برای پردازش سفارش‌ها طراحی کن. "
                "Idempotency، Retry، Observability و Data Consistency را توضیح بده."
            )
        }
    ],
    max_tokens=6000
)

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

API Key باید در متغیر محیطی نگه‌داری شود، نه داخل Source Code.

اتصال با Node.js و TypeScript

ابتدا کتابخانه را نصب کنید:

npm install openai

نمونه استفاده:

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.DARVAREH_API_KEY,
  baseURL: "https://api.darvareh.ir/v1",
  timeout: 120000,
  maxRetries: 2,
});

async function analyzeArchitecture(requirements: string) {
  const response = await client.chat.completions.create({
    model: "MODEL_ID_DARVAREH",
    messages: [
      {
        role: "system",
        content: [
          "You are a principal backend engineer.",
          "Identify assumptions before making decisions.",
          "Compare alternatives using measurable criteria.",
          "Return a practical implementation plan.",
        ].join(" "),
      },
      {
        role: "user",
        content: requirements,
      },
    ],
    max_tokens: 6000,
  });

  return response.choices[0]?.message?.content ?? "";
}

const result = await analyzeArchitecture(`
یک سامانه پردازش Job با Node.js، PostgreSQL و Redis طراحی کن.
سامانه باید در برابر اجرای تکراری Job مقاوم باشد و وضعیت هر Job قابل رهگیری باشد.
`);

console.log(result);

این کد باید فقط در Server اجرا شود. قراردادن API Key در React، Vue، Next.js Client Component یا JavaScript مرورگر باعث افشای کلید می‌شود.

ساخت API با FastAPI

import os
import time
import uuid

from fastapi import FastAPI, HTTPException
from openai import OpenAI
from pydantic import BaseModel, Field

app = FastAPI()

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1",
    timeout=120.0,
    max_retries=2
)


class AnalyzeRequest(BaseModel):
    problem: str = Field(min_length=20, max_length=50000)


class AnalyzeResponse(BaseModel):
    request_id: str
    answer: str
    duration_ms: int


@app.post("/api/analyze", response_model=AnalyzeResponse)
def analyze(payload: AnalyzeRequest) -> AnalyzeResponse:
    request_id = str(uuid.uuid4())
    started_at = time.monotonic()

    try:
        response = client.chat.completions.create(
            model="MODEL_ID_DARVAREH",
            messages=[
                {
                    "role": "system",
                    "content": (
                        "You are a senior technical analyst. "
                        "Separate facts, assumptions and recommendations. "
                        "Do not claim that an action was completed unless "
                        "the supplied evidence confirms it."
                    )
                },
                {
                    "role": "user",
                    "content": payload.problem
                }
            ],
            max_tokens=8000
        )

        answer = response.choices[0].message.content

        if not answer:
            raise HTTPException(
                status_code=502,
                detail="Empty model response"
            )

        duration_ms = int(
            (time.monotonic() - started_at) * 1000
        )

        return AnalyzeResponse(
            request_id=request_id,
            answer=answer,
            duration_ms=duration_ms
        )

    except HTTPException:
        raise
    except Exception as exc:
        raise HTTPException(
            status_code=502,
            detail="AI model request failed"
        ) from exc

در Production باید احراز هویت، Rate Limit، ثبت مصرف Token، محدودیت بودجه و Observability نیز اضافه شوند.

نمونه Prompt برای تحلیل Repository

Claude Opus 4.8 زمانی نتیجه بهتری می‌دهد که هدف، Context و معیار موفقیت روشن باشند.

نقش:
تو یک Principal Software Engineer متخصص Python و سیستم‌های توزیع‌شده هستی.

هدف:
علت افزایش تعداد اتصال‌های PostgreSQL را پیدا کن و کمترین تغییر مطمئن را پیشنهاد بده.

محیط:
- Python 3.13
- FastAPI
- SQLAlchemy 2
- PostgreSQL
- Uvicorn
- Docker

شواهد:
- فایل‌های مرتبط در ادامه آمده‌اند.
- Stack Trace و Metrics نیز ارائه شده‌اند.
- افزایش اتصال‌ها بعد از Release اخیر شروع شده است.

محدودیت‌ها:
- قرارداد API نباید تغییر کند.
- تغییر Schema مجاز نیست.
- کتابخانه جدید اضافه نشود.
- تغییر باید با نسخه فعلی Python سازگار باشد.

معیار پذیرش:
- تمام تست‌های قبلی عبور کنند.
- یک تست Regression اضافه شود.
- اتصال در پایان Request آزاد شود.
- نتیجه با Metric قابل‌اندازه‌گیری باشد.

خروجی مورد انتظار:
1. خلاصه مسئله
2. علت اصلی و شواهد
3. فرضیه‌های تأییدنشده
4. فایل‌های نیازمند تغییر
5. Patch پیشنهادی
6. تست
7. ریسک‌ها
8. روش Rollback

این Prompt چند مزیت دارد:

مدل می‌داند دقیقاً چه چیزی باید حل شود.
محدودیت‌های تغییر روشن هستند.
حدس‌ها باید از شواهد جدا شوند.
پایان کار معیار مشخص دارد.
خروجی مدل قابل‌آزمایش خواهد بود.

طراحی Coding Agent با Claude Opus 4.8

یک Coding Agent حرفه‌ای باید دارای حلقه کنترل‌شده باشد:

دریافت هدف
ساخت برنامه
یافتن فایل‌های مرتبط
خواندن حداقل Context لازم
پیشنهاد تغییر
اعمال Patch در محیط ایزوله
اجرای Test و Lint
تحلیل نتیجه
اصلاح محدود
تولید گزارش نهایی

نمونه شبه‌کد:

MAX_STEPS = 12
MAX_TOOL_CALLS = 30

state = {
    "goal": user_request,
    "steps": [],
    "tool_calls": 0,
    "completed": False
}

for step_number in range(MAX_STEPS):
    response = call_model(
        model="MODEL_ID_DARVAREH",
        messages=build_messages(state),
        tools=available_tools
    )

    if response.has_tool_calls:
        for tool_call in response.tool_calls:
            if state["tool_calls"] >= MAX_TOOL_CALLS:
                raise RuntimeError("Tool-call budget exceeded")

            validate_tool_call(tool_call)
            result = execute_in_sandbox(tool_call)

            state["steps"].append({
                "tool": tool_call.name,
                "result": summarize_result(result)
            })

            state["tool_calls"] += 1

    else:
        state["completed"] = verify_completion(
            response,
            state
        )

        if state["completed"]:
            final_answer = response.content
            break
else:
    final_answer = create_incomplete_report(state)

Agent نباید صرفاً به ادعای مدل درباره موفقیت اعتماد کند. اگر مدل می‌گوید «تست‌ها موفق شدند»، باید خروجی واقعی Test Runner این ادعا را تأیید کند.

تعریف ابزار برای Agent

نمونه تعریف مفهومی ابزار خواندن فایل:

{
  "name": "read_file",
  "description": "Reads a UTF-8 text file from the project workspace",
  "parameters": {
    "type": "object",
    "properties": {
      "path": {
        "type": "string",
        "description": "Project-relative file path"
      },
      "start_line": {
        "type": "integer",
        "minimum": 1
      },
      "end_line": {
        "type": "integer",
        "minimum": 1
      }
    },
    "required": ["path"],
    "additionalProperties": false
  }
}

Backend باید مسیر را کنترل کند تا Agent نتواند خارج از Workspace تعیین‌شده فایل بخواند.

ابزارهای مفید برای Coding Agent:

list_files
search_code
read_file
apply_patch
run_tests
run_linter
inspect_diff
read_documentation

دسترسی هر ابزار باید حداقلی و متناسب با وظیفه باشد.

ساخت Agent تحلیل اسناد با RAG

حتی با وجود Context یک‌میلیون توکنی، استفاده از RAG همچنان مفید است.

معماری پیشنهادی:

اسناد به Chunkهای مناسب تقسیم شوند.
برای هر Chunk یک Embedding ساخته شود.
Query کاربر بازنویسی شود.
جست‌وجوی Hybrid انجام شود.
نتایج با Reranker مرتب شوند.
فقط منابع مرتبط به مدل ارسال شوند.
پاسخ همراه شناسه منابع تولید شود.
Citationها در Backend اعتبارسنجی شوند.

نمونه System Prompt:

به سؤال فقط بر اساس منابع ارائه‌شده پاسخ بده.

قوانین:
- برای هر ادعای مهم شناسه منبع را ذکر کن.
- اگر اطلاعات کافی نیست، صریحاً اعلام کن.
- میان واقعیت منبع و استنباط خودت تفاوت بگذار.
- تناقض منابع را پنهان نکن.
- هیچ منبع یا Citation جدیدی نساز.
- پاسخ نهایی را به فارسی روان بنویس.

Context بزرگ زمانی ارزشمندتر است که همراه Retrieval دقیق استفاده شود، نه به‌عنوان جایگزین آن.

مدیریت Context در Agentهای طولانی

برای جلوگیری از پرشدن بی‌هدف Context، وضعیت Agent را به چند بخش تقسیم کنید.

دستورهای پایدار

شامل نقش، محدودیت‌ها، سیاست ابزارها و تعریف پایان کار.

وضعیت فعلی

شامل هدف، مرحله فعلی، مراحل تکمیل‌شده و مشکلات باز.

تصمیم‌های ثبت‌شده

به‌جای نگه‌داشتن تمام گفت‌وگو، تصمیم‌های مهم به‌صورت ساختاریافته ذخیره شوند:

{
  "decision": "Use PostgreSQL advisory locks",
  "reason": "No additional infrastructure is allowed",
  "evidence": [
    "requirements.md",
    "architecture/current-system.md"
  ],
  "status": "accepted"
}

اطلاعات بازیابی‌شده

فقط فایل‌ها و اسناد مرتبط با مرحله فعلی وارد Context شوند.

خروجی ابزارها

خروجی‌های بسیار طولانی ابزارها خلاصه شوند، اما نسخه کامل آن‌ها برای Audit نگه‌داری شود.

خلاصه نشست

پس از طولانی‌شدن مکالمه، یک خلاصه ساختاریافته از موارد زیر ایجاد شود:

هدف
محدودیت‌ها
تغییرات انجام‌شده
تست‌های اجراشده
خطاهای باقی‌مانده
مرحله بعدی

خروجی ساختاریافته

در برنامه‌های Production بهتر است خروجی مدل با Schema کنترل شود.

نمونه خروجی تحلیل کد:

{
  "summary": "string",
  "confidence": 0.0,
  "root_cause": {
    "description": "string",
    "evidence": [
      {
        "file": "string",
        "line": 0,
        "detail": "string"
      }
    ]
  },
  "changes": [
    {
      "file": "string",
      "reason": "string",
      "risk": "low"
    }
  ],
  "tests": [
    {
      "name": "string",
      "status": "proposed"
    }
  ],
  "assumptions": ["string"]
}

خروجی باید در Backend اعتبارسنجی شود:

from pydantic import BaseModel, Field


class Evidence(BaseModel):
    file: str
    line: int = Field(ge=0)
    detail: str


class RootCause(BaseModel):
    description: str
    evidence: list[Evidence]


class CodeAnalysis(BaseModel):
    summary: str
    confidence: float = Field(ge=0, le=1)
    root_cause: RootCause
    assumptions: list[str]

اگر خروجی معتبر نبود، یک مرحله اصلاح محدود اجرا کنید. Retry بی‌نهایت برای اصلاح JSON مناسب نیست.

مدیریت خطاهای API

خطای 400

معمولاً نشان‌دهنده مشکل در درخواست است:

Model ID نادرست
پیام با ساختار نامعتبر
پارامتر پشتیبانی‌نشده
مقدار max_tokens نامناسب
استفاده از Sampling ناسازگار
قالب JSON اشتباه

این خطا با Retry بدون تغییر درخواست برطرف نمی‌شود.

خطای احراز هویت

API Key را بررسی کنید و مطمئن شوید:

کلید صحیح است.
فضای اضافی ندارد.
در Header درست ارسال می‌شود.
منقضی یا غیرفعال نشده است.
در Repository عمومی منتشر نشده است.

Rate Limit

برای کنترل Rate Limit:

Exponential Backoff استفاده کنید.
تعداد Retry را محدود کنید.
درخواست‌ها را در Queue قرار دهید.
Concurrency را کنترل کنید.
پاسخ‌های قابل‌استفاده را Cache کنید.

Timeout

وظایف پیچیده ممکن است زمان بیشتری نیاز داشته باشند. اما افزایش نامحدود Timeout راه‌حل کاملی نیست.

بهتر است:

Streaming را بررسی کنید.
وظیفه را به Job پس‌زمینه تبدیل کنید.
Context غیرضروری را حذف کنید.
خروجی را محدود کنید.
وضعیت Job را در اختیار کاربر قرار دهید.

معماری پیشنهادی برای درخواست‌های طولانی

برای درخواست‌هایی که ممکن است چند دقیقه طول بکشند:

Client
  → POST /jobs
  → Backend creates Job
  → Worker calls Darvareh API
  → Progress stored in database
  → Client polls GET /jobs/{id}
  → Final result returned

پاسخ اولیه:

{
  "job_id": "job_87f02",
  "status": "queued"
}

وضعیت در حال اجرا:

{
  "job_id": "job_87f02",
  "status": "running",
  "stage": "analyzing_repository"
}

نتیجه نهایی:

{
  "job_id": "job_87f02",
  "status": "completed",
  "result": {
    "summary": "Analysis completed",
    "artifact_url": "/results/job_87f02"
  }
}

این معماری نسبت به باز نگه‌داشتن یک Request طولانی HTTP مقاوم‌تر است.

کنترل هزینه استفاده از Claude Opus 4.8

قیمت مدل‌ها ممکن است تغییر کند. برای قیمت به‌روز Claude Opus 4.8 به صفحه مدل‌های درواره مراجعه کنید.

برای کنترل هزینه می‌توانید این راهکارها را اجرا کنید:

استفاده از Model Routing

درخواست‌های ساده به مدل اقتصادی و درخواست‌های دشوار به Claude Opus 4.8 ارسال شوند.

def select_model(task):
    if task.category in {
        "classification",
        "short_summary",
        "simple_extraction"
    }:
        return "ECONOMICAL_MODEL_ID"

    if task.requires_complex_coding:
        return "CLAUDE_OPUS_4_8_MODEL_ID"

    if task.agent_steps_estimate >= 8:
        return "CLAUDE_OPUS_4_8_MODEL_ID"

    return "BALANCED_MODEL_ID"

استفاده از Escalation

ابتدا مدل متعادل درخواست را اجرا کند. اگر نتیجه معیارهای کیفیت را پاس نکرد، درخواست به Opus 4.8 منتقل شود.

کاهش اطلاعات تکراری

ارسال دوباره مستندات، فایل‌ها و تاریخچه غیرضروری مصرف Token را افزایش می‌دهد.

محدودکردن خروجی

مقدار max_tokens را با توجه به طول واقعی پاسخ تعیین کنید.

تعریف بودجه برای Agent

برای هر اجرای Agent این محدودیت‌ها را مشخص کنید:

حداکثر تعداد مراحل
حداکثر Token ورودی
حداکثر Token خروجی
حداکثر تعداد Tool Call
حداکثر زمان
حداکثر هزینه تخمینی

ثبت هزینه هر وظیفه موفق

فقط هزینه هر Request را اندازه نگیرید. معیار مهم‌تر، هزینه رسیدن به نتیجه موفق است.

ممکن است یک مدل ارزان چند بار شکست بخورد، اما یک مدل قوی‌تر همان کار را در یک مرحله تکمیل کند.

Model Routing پیشنهادی

نوع درخواست	مدل پیشنهادی
طبقه‌بندی و استخراج ساده	مدل سبک
گفت‌وگوی روزمره	مدل اقتصادی یا متعادل
کدنویسی معمولی	مدل متعادل
Refactor چندفایلی	Claude Sonnet 5 یا Opus 4.8
مهاجرت Codebase بزرگ	Claude Opus 4.8
Agent طولانی‌مدت	Claude Opus 4.8
تحلیل پیچیده چند سند	Claude Opus 4.8
تولید انبوه محتوای ساده	مدل اقتصادی
مرحله Fallback کیفیت	Claude Opus 4.8

این جدول نقطه شروع است. تصمیم نهایی باید با Evalهای واقعی پروژه گرفته شود.

ارزیابی Claude Opus 4.8 برای پروژه شما

برای انتخاب مدل، یک Dataset شامل نمونه‌های واقعی ایجاد کنید.

معیارهای Coding

درصد تست‌های موفق
نرخ Patch قابل‌اعمال
تعداد خطاهای جدید
میزان تغییر غیرضروری
نرخ تشخیص علت اصلی
تعداد مراحل تا موفقیت
زمان تکمیل وظیفه
هزینه هر وظیفه موفق

معیارهای Agent

نرخ تکمیل هدف
تعداد Tool Call
نرخ انتخاب ابزار اشتباه
نرخ تکرار بی‌دلیل ابزار
توانایی بازیابی پس از خطا
رعایت Stop Condition
کیفیت گزارش نهایی
میزان نیاز به دخالت انسان

معیارهای RAG

صحت پاسخ
Faithfulness به منابع
Citation Accuracy
نرخ ادعای بدون منبع
کیفیت تشخیص اطلاعات ناکافی
Latency
هزینه هر سؤال

معیارهای فارسی

درک سؤال فارسی
حفظ صحیح اصطلاحات انگلیسی
کیفیت نگارش
رعایت لحن برند
دقت اعداد و تاریخ
کیفیت خروجی ساختاریافته فارسی
میزان ترجمه تحت‌اللفظی

نکات Prompt نویسی برای Claude Opus 4.8

نتیجه را تعریف کنید، نه فقط موضوع را

ضعیف:

معماری سیستم را بررسی کن.

بهتر:

معماری سیستم را از نظر Scalability، Coupling و قابلیت بازیابی پس از خطا بررسی کن.
سه مشکل با بیشترین اثر را همراه شواهد، راه‌حل و ریسک تغییر ارائه بده.

واقعیت و فرضیه را جدا کنید

یافته‌های خود را در سه بخش بنویس:
- واقعیت‌های تأییدشده توسط فایل‌ها
- فرضیه‌های نیازمند بررسی
- پیشنهادهای اجرایی

معیار پذیرش بدهید

کار زمانی کامل است که:
- علت اصلی به شواهد مشخص متصل باشد.
- Patch پیشنهادی ارائه شود.
- تست Regression ساخته شود.
- روش Rollback توضیح داده شود.

ابزارهای مجاز را مشخص کنید

فقط از ابزارهای read_file، search_code و run_tests استفاده کن.
پیش از تغییر فایل، برنامه تغییرات را تولید کن.

از مدل بخواهید موفقیت را ادعا نکند

فقط زمانی اعلام کن تست موفق شده است که خروجی واقعی Test Runner آن را تأیید کند.
در غیر این صورت وضعیت را «آزمایش‌نشده» بنویس.

سطح جزئیات را تعیین کنید

پاسخ برای تیم Backend باتجربه نوشته شود.
توضیحات مقدماتی را کوتاه و Trade-offهای معماری را دقیق بیان کن.

اشتباهات رایج

استفاده از Opus برای همه درخواست‌ها

این کار می‌تواند هزینه و Latency را بدون بهبود ضروری کیفیت افزایش دهد.

نداشتن Eval

انتخاب مدل فقط بر اساس Benchmark عمومی ممکن است با نیاز واقعی پروژه هماهنگ نباشد.

ارسال Context نامرتبط

Context بزرگ به معنی نامحدود بودن اطلاعات مفید نیست.

اعتماد به ادعای تکمیل کار

نتیجه ابزار، تست یا داده واقعی باید موفقیت را تأیید کند.

نبودن محدودیت برای Agent

Agent باید سقف مرحله، ابزار، زمان و Token داشته باشد.

انتقال مستقیم تنظیمات نسخه قدیمی

Claude Opus 4.8 از Thinking Budget دستی نسخه‌های قدیمی پشتیبانی نمی‌کند. همچنین مقادیر غیراستاندارد پارامترهای Sampling می‌توانند خطا ایجاد کنند.

نگه‌داری API Key در Frontend

کلید API باید فقط در Backend نگه‌داری شود.

ثابت‌کردن قیمت مدل در برنامه

برای اطلاع از قیمت و وضعیت فعلی مدل، صفحه مدل‌های درواره را بررسی کنید.

پرسش‌های متداول

Claude Opus 4.8 چیست؟

Claude Opus 4.8 یک مدل رده‌بالای هوش مصنوعی برای کدنویسی پیچیده، AI Agent، تحلیل حرفه‌ای و انجام وظایف چندمرحله‌ای طولانی است.

Claude Opus 4.8 برای برنامه‌نویسی مناسب است؟

بله. کدنویسی Agentic، تحلیل Codebase، Refactor چندفایلی و مهاجرت نرم‌افزاری از کاربردهای اصلی آن هستند.

Context Window مدل چقدر است؟

طبق مستندات رسمی، Claude Opus 4.8 از پنجره Context تا یک‌میلیون Token پشتیبانی می‌کند.

حداکثر خروجی مدل چقدر است؟

حداکثر خروجی اعلام‌شده برای مدل تا ۱۲۸ هزار Token است.

آیا Claude Opus 4.8 تصویر را تحلیل می‌کند؟

بله، مدل می‌تواند در جریان‌های چندوجهی برای تحلیل تصویر، نمودار، Screenshot و اسناد تصویری استفاده شود. نحوه ارسال ورودی تصویری به قالب Endpoint بستگی دارد.

Adaptive Thinking چیست؟

قابلیتی است که به مدل اجازه می‌دهد متناسب با دشواری هر مرحله تصمیم بگیرد آیا به استدلال بیشتر نیاز دارد یا می‌تواند مستقیماً پاسخ دهد.

آیا `temperature` در Claude Opus 4.8 قابل تنظیم است؟

در API اصلی این مدل، تنظیم مقادیر غیراستاندارد temperature، top_p یا top_k می‌تواند خطای 400 ایجاد کند. بهتر است رفتار مدل با Prompt دقیق کنترل شود.

تفاوت Claude Opus 4.8 و Claude Sonnet 5 چیست؟

Opus 4.8 برای وظایف پیچیده‌تر و ارزشمندتر طراحی شده است. Sonnet 5 معمولاً تعادل بهتری میان کیفیت، سرعت و هزینه برای بار اصلی برنامه ارائه می‌کند.

آیا Opus 4.8 برای درخواست‌های ساده مناسب است؟

از نظر توانایی بله، اما معمولاً از نظر هزینه بهینه نیست. برای درخواست‌های ساده بهتر است یک مدل سبک‌تر انتخاب شود.

آیا می‌توان با آن AI Agent ساخت؟

بله. توانایی Tool Calling، Context طولانی و کدنویسی Agentic از دلایل اصلی استفاده از Claude Opus 4.8 در Agentها هستند.

Model ID درواره چیست؟

برای دریافت شناسه دقیق و به‌روز، Claude Opus 4.8 را در صفحه مدل‌های درواره جست‌وجو کرده و Model ID درواره را مستقیماً کپی کنید.

قیمت Claude Opus 4.8 چقدر است؟

قیمت مدل ممکن است تغییر کند. قیمت فعلی را در صفحه مدل‌های درواره مشاهده کنید.

چگونه API Key درواره بگیریم؟

در درواره ثبت‌نام کنید و از پنل کاربری یک API Key بسازید.

Base URL درواره چیست؟

https://api.darvareh.ir/v1

آیا درواره Chatbot آماده ارائه می‌کند؟

درواره دسترسی API مدل‌های هوش مصنوعی را ارائه می‌دهد. Backend، رابط کاربری و محصول نهایی توسط توسعه‌دهنده یا کسب‌وکار ساخته می‌شود.

جمع‌بندی

Claude Opus 4.8 یک مدل رده‌بالا برای دشوارترین وظایف برنامه‌نویسی، تحلیل Codebase، ساخت Agentهای طولانی‌مدت، پردازش اسناد و کارهای حرفه‌ای چندمرحله‌ای است.

Context یک‌میلیون توکنی، خروجی تا ۱۲۸ هزار Token، Adaptive Thinking، کنترل Effort و بهبود Tool Calling باعث شده‌اند این مدل برای وظایفی مناسب باشد که حفظ مسیر کار و کیفیت تصمیم‌گیری در آن‌ها اهمیت زیادی دارد.

بااین‌حال، استفاده از قدرتمندترین مدل برای تمام درخواست‌ها معمولاً معماری مناسبی نیست. بهترین رویکرد این است که مدل‌های اقتصادی برای کارهای ساده، مدل‌های متعادل برای بار اصلی و Claude Opus 4.8 برای وظایف دشوار یا مرحله Escalation استفاده شوند.

برای مشاهده قیمت به‌روز، وضعیت دسترسی و Model ID درواره به صفحه مدل‌ها مراجعه کنید. سپس در درواره ثبت‌نام کرده، API Key خود را بسازید و مدل را با Base URL زیر به Backend پروژه متصل کنید:

https://api.darvareh.ir/v1