Grok 4.5 جدیدترین مدل پرچم‌دار شرکت xAI برای کدنویسی، استدلال، تحلیل تصویر، پردازش Context طولانی و اجرای وظایف چندمرحله‌ای توسط AI Agent است.

این مدل فقط برای گفت‌وگوی عمومی طراحی نشده است. توسعه‌دهندگان می‌توانند Grok 4.5 را به‌عنوان موتور هوش مصنوعی یک اپلیکیشن، دستیار برنامه‌نویسی، سامانه تحلیل اسناد، سیستم RAG، عامل هوشمند و گردش کار سازمانی استفاده کنند.

از قابلیت‌های مهم Grok 4.5 می‌توان به موارد زیر اشاره کرد:

• Context Window بزرگ
• Reasoning قابل‌تنظیم
• Function Calling
• Structured Outputs
• ورودی تصویر یا Vision
• Streaming
• اجرای وظایف Coding
• پشتیبانی از گردش کارهای Agentic
• پردازش اسناد و کدهای طولانی

کاربران درواره می‌توانند از طریق API سازگار با OpenAI به Grok 4.5 متصل شوند و آن را با Python، JavaScript، Node.js، PHP و سایر زبان‌هایی که امکان ارسال درخواست HTTP دارند، در محصول خود به کار بگیرند.

در این راهنما بررسی می‌کنیم:

• Grok 4.5 چیست؟
• در چه دسته‌بندی‌هایی قرار می‌گیرد؟
• Context Window آن چقدر است؟
• Reasoning در Grok 4.5 چگونه کار می‌کند؟
• آیا این مدل تصویر را تحلیل می‌کند؟
• آیا از Function Calling و Structured Outputs پشتیبانی می‌کند؟
• Grok 4.5 برای چه کاربردهایی مناسب است؟
• چگونه آن را به API درواره متصل کنیم؟
• چگونه با Python، JavaScript و cURL از آن استفاده کنیم؟
• برای استفاده در محیط Production چه نکاتی را باید رعایت کنیم؟

Grok 4.5 چیست؟

Grok 4.5 یک Large Language Model چندوجهی و استدلالی از شرکت xAI است که برای Coding، Agentic Tasks و Knowledge Work طراحی شده است.

Knowledge Work یا کار دانشی شامل وظایفی مانند این موارد می‌شود:

• تحلیل اسناد
• خلاصه‌سازی
• استخراج اطلاعات
• تهیه گزارش
• تحقیق
• مقایسه منابع
• برنامه‌ریزی
• تحلیل داده
• پاسخ‌گویی تخصصی
• تولید مستندات
• تصمیم‌سازی براساس داده

Agentic Tasks نیز به وظایفی گفته می‌شود که انجام آن‌ها به یک فرایند چندمرحله‌ای نیاز دارد. در این فرایند، مدل ممکن است:

1. هدف کاربر را تحلیل کند.
2. مسئله را به مراحل کوچک‌تر تقسیم کند.
3. ابزار مناسب را انتخاب کند.
4. یک یا چند ابزار را فراخوانی کند.
5. نتیجه ابزارها را ارزیابی کند.
6. درباره مرحله بعد تصمیم بگیرد.
7. نتیجه نهایی را تولید کند.

براساس مستندات رسمی Grok 4.5، این مدل برای کدنویسی، کارهای Agentic و فعالیت‌های دانشی توسعه یافته و داده‌های آموزشی آن حوزه‌هایی مانند علوم، مهندسی و ریاضیات را پوشش می‌دهد.

سازنده Grok 4.5 کیست؟

Grok 4.5 توسط شرکت xAI توسعه یافته است. این شرکت مجموعه‌ای از مدل‌ها و APIهای هوش مصنوعی را برای پردازش متن، کد، تصویر، ویدئو و صدا ارائه می‌کند.

محصولات و قابلیت‌های این اکوسیستم شامل موارد زیرند:

• مدل‌های Grok برای متن، کد و استدلال
• Grok Imagine برای تولید و ویرایش تصویر و ویدئو
• Grok Voice برای پردازش و تولید صوت
• Web Search برای بازیابی اطلاعات جدید
• X Search برای جست‌وجوی محتوای عمومی شبکه X
• Code Execution برای اجرای کد
• Function Calling برای اتصال مدل به ابزارهای سفارشی

در این مقاله تمرکز ما روی Grok 4.5 به‌عنوان یک مدل متنی، کدنویسی، استدلالی و دارای ورودی تصویر است.

تفاوت Grok Chat و Grok 4.5 API

Grok Chat یک محصول آماده برای کاربران نهایی است. کاربر وارد وب‌سایت یا اپلیکیشن می‌شود، سؤال می‌پرسد و پاسخ دریافت می‌کند.

اما Grok 4.5 API برای توسعه‌دهندگان ساخته شده است. API به شما اجازه می‌دهد قابلیت‌های مدل را داخل محصول یا زیرساخت خود قرار دهید.

خرید اشتراک Grok Chat لزوماً به‌معنای دریافت اعتبار API نیست. چت و API می‌توانند صورتحساب و محدودیت‌های جداگانه داشته باشند.

دسته‌بندی Grok 4.5

Grok 4.5 در چند دسته مهم مدل‌های هوش مصنوعی قرار می‌گیرد.

مدل عمومی

برای گفت‌وگو، نگارش، خلاصه‌سازی، ترجمه، بازنویسی، ایده‌پردازی و پاسخ‌گویی عمومی قابل‌استفاده است.

مدل Reasoning

برای حل مسائل پیچیده، تحلیل چندمرحله‌ای و تصمیم‌گیری مبتنی بر چند محدودیت طراحی شده است.

مدل Coding

برای تولید، توضیح، بررسی، اصلاح، Refactoring و تست کد استفاده می‌شود.

مدل Agentic

از Tool Calling و Function Calling پشتیبانی می‌کند و می‌تواند در گردش کارهای چندمرحله‌ای AI Agent قرار بگیرد.

مدل Vision

تصویر را به‌عنوان ورودی دریافت می‌کند و می‌تواند Screenshot، نمودار، جدول، رابط کاربری و سایر محتوای تصویری را تحلیل کند.

مدل Long Context

Context Window بزرگ آن امکان پردازش حجم زیادی از متن، کد، اسناد و تاریخچه مکالمه را فراهم می‌کند.

مشخصات فنی Grok 4.5

قابلیت‌های قابل‌استفاده و محدودیت‌ها ممکن است با تغییر نسخه مدل یا زیرساخت ارائه آن تغییر کنند. پیش از پیاده‌سازی نهایی، اطلاعات مدل را در صفحه زیر بررسی کنید:

مشاهده مدل‌ها و قیمت‌های به‌روز درواره

Context Window پانصدهزار توکنی چیست؟

Context Window حداکثر مقدار اطلاعاتی است که مدل می‌تواند در یک درخواست پردازش کند.

این اطلاعات شامل موارد زیر می‌شوند:

• System Prompt
• پیام‌های قبلی
• درخواست فعلی کاربر
• کدهای پروژه
• اسناد
• داده‌های بازیابی‌شده از RAG
• تعریف ابزارها
• خروجی Toolها
• تصاویر
• نمونه‌های Few-shot
• پاسخ تولیدشده توسط مدل

Context Window پانصدهزار توکنی Grok 4.5 امکان پردازش حجم زیادی از اطلاعات را فراهم می‌کند.

کاربردهای آن:

• تحلیل چندین فایل کد
• بررسی بخش بزرگی از Repository
• تحلیل اسناد طولانی
• مقایسه چند گزارش
• پردازش تاریخچه طولانی مکالمه
• تحلیل Logهای حجیم
• بررسی متن استخراج‌شده از PDF
• کار با پایگاه دانش سازمانی
• اجرای Agentهای چندمرحله‌ای
• مهاجرت پروژه‌های نرم‌افزاری
• تحلیل چند سند مرتبط

آیا همیشه باید از تمام Context استفاده کنیم؟

خیر. Context بزرگ یک ظرفیت است، نه هدف.

ارسال اطلاعات بسیار زیاد می‌تواند:

• هزینه را افزایش دهد.
• Latency را بیشتر کند.
• اطلاعات نامرتبط وارد Prompt کند.
• تمرکز مدل را کاهش دهد.
• پاسخ را طولانی‌تر کند.
• احتمال تضاد میان دستورها را افزایش دهد.
• ارزیابی خروجی را دشوار کند.

روش بهتر این است که فقط اطلاعات مرتبط را وارد کنید.

برای پایگاه دانش از RAG، Metadata Filtering و Reranking استفاده کنید. در مکالمه‌های طولانی نیز پیام‌های قدیمی را خلاصه یا فشرده کنید.

تفاوت Context Window و Max Tokens

Context Window کل فضای ورودی و خروجی است. Max Tokens یا Max Completion Tokens فقط حداکثر طول پاسخ تولیدشده را مشخص می‌کند.

به‌صورت مفهومی:

System Prompt
+ Conversation History
+ Retrieved Documents
+ Tool Definitions
+ User Message
+ Model Response
≤ Context Window

هرچه ورودی بزرگ‌تر باشد، فضای باقی‌مانده برای پاسخ کمتر خواهد بود.

Reasoning در Grok 4.5

Reasoning به فرایند تحلیل مسئله و رسیدن به پاسخ گفته می‌شود.

در API رسمی xAI، برای Grok 4.5 سه سطح Reasoning معرفی شده است:

• Low
• Medium
• High

نحوه ارسال تنظیم Reasoning از طریق درواره باید براساس پارامترهای پشتیبانی‌شده در مستندات جاری بررسی شود.

Reasoning Low

مناسب برای:

• خلاصه‌سازی ساده
• بازنویسی
• ترجمه
• دسته‌بندی
• استخراج اطلاعات
• پاسخ کوتاه
• وظایف حساس به سرعت

Reasoning Medium

مناسب برای:

• تولید کد
• تحلیل اسناد
• رفع Bug
• مقایسه گزینه‌ها
• تحلیل داده
• برنامه‌ریزی متوسط
• Tool Calling محدود

Reasoning High

مناسب برای:

• طراحی معماری نرم‌افزار
• Debugging پیچیده
• مسائل ریاضی و مهندسی
• تحلیل چند سند
• مهاجرت پروژه
• Agentهای چندمرحله‌ای
• برنامه‌ریزی بلندمدت
• تصمیم‌گیری مبتنی بر چند محدودیت

Reasoning بیشتر همیشه به‌معنای پاسخ بهتر نیست. استفاده از Reasoning بالا برای کارهای ساده می‌تواند فقط زمان و هزینه درخواست را افزایش دهد.

Grok 4.5 برای برنامه‌نویسی

Coding یکی از کاربردهای اصلی Grok 4.5 است. این مدل می‌تواند در مراحل مختلف چرخه توسعه نرم‌افزار استفاده شود.

تولید کد

یک REST API با FastAPI و PostgreSQL بساز.
ورودی و خروجی با Pydantic اعتبارسنجی شود.
برای Endpointها تست pytest بنویس و ساختار پروژه را نیز پیشنهاد بده.

رفع خطا

این خطا را ریشه‌یابی کن.
ابتدا علت اصلی را توضیح بده، سپس کوچک‌ترین اصلاح امن را ارائه کن.
در پایان تستی بنویس که از بازگشت خطا جلوگیری کند.

Code Review

این کد را از نظر Correctness، Performance و Maintainability بررسی کن.

فقط مشکلاتی را گزارش کن که شواهد مشخص دارند.
برای هر مشکل این اطلاعات را بنویس:
- محل
- شدت
- علت
- پیامد احتمالی
- اصلاح پیشنهادی

Refactoring

این سرویس را بدون تغییر رفتار خارجی Refactor کن.
توابع بزرگ را تقسیم کن، وابستگی‌ها را قابل تزریق کن
و سازگاری با تست‌های موجود را حفظ کن.

تولید تست

برای این تابع Unit Test و Integration Test بنویس.
حالت عادی، ورودی خالی، ورودی نامعتبر، Timeout و خطای وابستگی را پوشش بده.

مهاجرت پروژه

این پروژه JavaScript را مرحله‌به‌مرحله به TypeScript مهاجرت بده.
هر مرحله باید قابل اجرا، قابل تست و قابل بازگشت باشد.
ابتدا ریسک‌ها و وابستگی‌ها را مشخص کن.

تولید مستندات

برای این ماژول مستندات توسعه‌دهنده بنویس.
Public API، وابستگی‌ها، خطاها، مثال استفاده و محدودیت‌های آن را توضیح بده.

ساختار پرامپت برای Coding

یک Prompt حرفه‌ای برای برنامه‌نویسی بهتر است این اجزا را داشته باشد:

Role
+ Goal
+ Context
+ Constraints
+ Acceptance Criteria
+ Output Format

نمونه:

You are a senior backend engineer.

Goal:
Fix duplicate wallet deductions in a payment callback.

Context:
- The application uses PostgreSQL.
- Payment callbacks may be retried.
- Multiple application instances may process the same callback.
- Wallet transactions are recorded in an audit table.

Constraints:
- Do not use an in-memory lock.
- Preserve the existing public API response.
- The solution must be safe under concurrent requests.
- Existing successful transactions must not be modified.

Acceptance criteria:
- Each payment is applied exactly once.
- Duplicate callbacks return an idempotent success response.
- Concurrent tests pass.
- The patch includes any required database migration.

First explain the root cause.
Then provide the implementation plan, patch and tests.

این Prompt محیط، محدودیت‌ها و معیار موفقیت را روشن می‌کند و احتمال تولید یک راه‌حل عمومی یا نامرتبط را کاهش می‌دهد.

Grok 4.5 برای AI Agent

AI Agent فقط پاسخ متنی تولید نمی‌کند. Agent می‌تواند برای رسیدن به هدف، چند اقدام برنامه‌ریزی و اجرا کند.

ساختار معمول:

هدف
→ برنامه‌ریزی
→ انتخاب ابزار
→ اجرای ابزار
→ بررسی نتیجه
→ تصمیم بعدی
→ پاسخ نهایی

Grok 4.5 با Reasoning و Function Calling می‌تواند مدل مرکزی یک Agent باشد.

کاربردها:

• Coding Agent
• Agent تحقیق
• دستیار تحلیل اسناد
• دستیار پایگاه دانش
• Agent تحلیل داده
• عامل تولید گزارش
• دستیار عملیات
• Agent مدیریت پروژه
• اتوماسیون گردش کار سازمانی

Function Calling چیست؟

Function Calling به مدل اجازه می‌دهد برای دریافت اطلاعات یا انجام یک عملیات، تابع مناسب Backend را انتخاب کند.

فرض کنید ابزارهای یک فروشگاه عبارت‌اند از:

search_products
get_inventory
calculate_discount
create_order_draft

کاربر می‌پرسد:

آیا لپ‌تاپ مدل X موجود است و با تخفیف همکاری چقدر می‌شود؟

مدل باید:

1. محصول را جست‌وجو کند.
2. موجودی را بررسی کند.
3. تخفیف را محاسبه کند.
4. پاسخ را براساس داده واقعی بنویسد.

مدل نباید قیمت یا موجودی را حدس بزند.

نمونه Function Calling با Grok 4.5

import os
from openai import OpenAI

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

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_order_status",
            "description": "Get the current status of an order",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {
                        "type": "string",
                        "description": "The unique order identifier"
                    }
                },
                "required": ["order_id"],
                "additionalProperties": False
            }
        }
    }
]

response = client.chat.completions.create(
    model="x-ai/grok-4.5",
    messages=[
        {
            "role": "system",
            "content": "Use available tools when factual order data is required."
        },
        {
            "role": "user",
            "content": "وضعیت سفارش DV-4821 را بررسی کن."
        }
    ],
    tools=tools,
    tool_choice="auto"
)

message = response.choices[0].message

if message.tool_calls:
    for tool_call in message.tool_calls:
        print("Tool:", tool_call.function.name)
        print("Arguments:", tool_call.function.arguments)
else:
    print(message.content)

این کد فقط درخواست Tool Call را دریافت می‌کند. در برنامه واقعی باید:

1. نام تابع را بررسی کنید.
2. آرگومان‌ها را Parse و اعتبارسنجی کنید.
3. دسترسی کاربر را کنترل کنید.
4. تابع را در Backend اجرا کنید.
5. نتیجه را به مدل برگردانید.
6. پاسخ نهایی را دریافت کنید.

اجرای کامل Tool Call

نمونه ساده:

import json
import os
from openai import OpenAI

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

def get_order_status(order_id: str):
    # In production, fetch the order from your database.
    return {
        "order_id": order_id,
        "status": "processing",
        "estimated_delivery": "1405/05/02"
    }

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_order_status",
            "description": "Get the current status of an order",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {"type": "string"}
                },
                "required": ["order_id"],
                "additionalProperties": False
            }
        }
    }
]

messages = [
    {
        "role": "system",
        "content": "برای دریافت وضعیت سفارش از ابزار استفاده کن."
    },
    {
        "role": "user",
        "content": "سفارش DV-4821 در چه وضعیتی است؟"
    }
]

first_response = client.chat.completions.create(
    model="x-ai/grok-4.5",
    messages=messages,
    tools=tools,
    tool_choice="auto"
)

assistant_message = first_response.choices[0].message
messages.append(assistant_message)

if assistant_message.tool_calls:
    for tool_call in assistant_message.tool_calls:
        if tool_call.function.name != "get_order_status":
            raise ValueError("Unknown tool")

        arguments = json.loads(tool_call.function.arguments)
        result = get_order_status(arguments["order_id"])

        messages.append({
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": json.dumps(result, ensure_ascii=False)
        })

final_response = client.chat.completions.create(
    model="x-ai/grok-4.5",
    messages=messages,
    tools=tools
)

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

کنترل اجرای Tool

مدل فقط باید پیشنهاد اجرای Tool را ارائه کند. اجرای واقعی باید تحت کنترل Backend باشد.

قبل از اجرا بررسی کنید:

• آیا نام ابزار مجاز است؟
• آیا آرگومان‌ها با Schema تطبیق دارند؟
• آیا کاربر مجوز دارد؟
• آیا عملیات نیازمند تأیید است؟
• آیا درخواست تکراری است؟
• آیا سقف هزینه رعایت شده است؟
• آیا عملیات قابل بازگشت است؟

برای عملیات دارای اثر خارجی، مانند ثبت سفارش، ارسال پیام یا تغییر داده، از تأیید کاربر و Idempotency استفاده کنید.

Structured Outputs چیست؟

Structured Outputs به مدل اجازه می‌دهد خروجی را براساس یک JSON Schema مشخص تولید کند.

این قابلیت زمانی مهم است که پاسخ مدل توسط نرم‌افزار پردازش می‌شود.

کاربردها:

• دسته‌بندی تیکت
• استخراج اطلاعات فاکتور
• تحلیل رزومه
• پردازش فرم
• تولید رکورد پایگاه داده
• تحلیل بازخورد مشتری
• ساخت Metadata
• تولید داده برای رابط کاربری
• طراحی برنامه اجرای Agent
• استخراج اطلاعات سند

بدون Structured Outputs ممکن است مدل:

• توضیح اضافه بنویسد.
• نام فیلدها را تغییر دهد.
• JSON نامعتبر تولید کند.
• نوع داده اشتباه برگرداند.
• فیلد ضروری را حذف کند.

نمونه Structured Output با Python

پشتیبانی و نام دقیق پارامترها باید با مستندات جاری درواره بررسی شود. ساختار متداول APIهای سازگار با OpenAI به این شکل است:

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="x-ai/grok-4.5",
    messages=[
        {
            "role": "system",
            "content": "تیکت را دقیقاً مطابق Schema دسته‌بندی کن."
        },
        {
            "role": "user",
            "content": "موجودی کیف پول کم شده ولی درخواست API خطا داده است."
        }
    ],
    response_format={
        "type": "json_schema",
        "json_schema": {
            "name": "ticket_classification",
            "strict": True,
            "schema": {
                "type": "object",
                "properties": {
                    "category": {
                        "type": "string",
                        "enum": ["billing", "technical", "sales", "other"]
                    },
                    "priority": {
                        "type": "string",
                        "enum": ["low", "medium", "high"]
                    },
                    "summary": {
                        "type": "string"
                    },
                    "requires_human": {
                        "type": "boolean"
                    }
                },
                "required": [
                    "category",
                    "priority",
                    "summary",
                    "requires_human"
                ],
                "additionalProperties": False
            }
        }
    }
)

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

حتی با Schema سخت‌گیرانه، خروجی را در Backend اعتبارسنجی کنید.

تحلیل تصویر با Grok 4.5

Grok 4.5 می‌تواند متن و تصویر را هم‌زمان دریافت کند.

کاربردها:

• تحلیل Screenshot
• بررسی رابط کاربری
• خواندن نمودار
• استخراج اطلاعات جدول
• توضیح تصویر
• تحلیل عکس محصول
• بررسی طرح
• تشخیص اجزای فرم
• مقایسه تصاویر
• تحلیل پیام خطا
• استخراج اطلاعات از سند اسکن‌شده

براساس مستندات مدل‌های xAI، فرمت‌های JPG، JPEG و PNG برای ورودی تصویر پشتیبانی می‌شوند. محدودیت دقیق اندازه و تعداد تصاویر ممکن است به مسیر ارائه مدل وابسته باشد.

نمونه ارسال تصویر با Grok 4.5

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="x-ai/grok-4.5",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": """
این Screenshot از داشبورد را بررسی کن.
مشکلات رابط کاربری را براساس شدت دسته‌بندی کن.
برای هر مشکل، محل، دلیل و اصلاح پیشنهادی را بنویس.
"""
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/dashboard.png"
                    }
                }
            ]
        }
    ]
)

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

برای تصویر خصوصی از URL عمومی دائمی استفاده نکنید. روش‌های مناسب‌تر:

• URL امضاشده کوتاه‌مدت
• Base64
• Object Storage خصوصی با دسترسی موقت

روش انتخابی باید توسط مدل و API پشتیبانی شود.

آیا Grok 4.5 به اینترنت دسترسی دارد؟

مدل به‌تنهایی اطلاعات زنده اینترنت را در اختیار ندارد. Knowledge Cutoff اعلام‌شده آن اول فوریه ۲۰۲۶ است.

در API رسمی xAI ابزارهایی مانند موارد زیر ارائه شده‌اند:

• Web Search
• X Search
• Code Execution
• Collections Search

پشتیبانی از این ابزارهای داخلی ممکن است به مسیر ارائه مدل وابسته باشد. پیش از استفاده، مستندات فعلی درواره را بررسی کنید.

برای دریافت اطلاعات جدید در اپلیکیشن می‌توانید:

• یک Search API را با Function Calling متصل کنید.
• از RAG روی منابع به‌روز استفاده کنید.
• اطلاعات را از API تخصصی دریافت کنید.
• داده جدید را در Context قرار دهید.
• از ابزار جست‌وجوی پشتیبانی‌شده استفاده کنید.

برای اطلاعات حساس به زمان، فقط به حافظه مدل متکی نباشید.

استفاده از Grok 4.5 در RAG

RAG یا Retrieval-Augmented Generation روشی برای پاسخ‌گویی براساس اسناد اختصاصی است.

گردش کار:

سؤال کاربر
→ ساخت Embedding
→ جست‌وجو در Vector Database
→ بازیابی اسناد مرتبط
→ Reranking
→ ارسال اسناد و سؤال به Grok 4.5
→ تولید پاسخ مستند

Context بزرگ Grok 4.5 امکان ارسال اطلاعات زیادی را فراهم می‌کند، اما کیفیت Retrieval همچنان اهمیت اساسی دارد.

یک سیستم RAG مناسب باید:

• Chunking درست داشته باشد.
• Metadata را حفظ کند.
• اسناد نامرتبط را حذف کند.
• از Semantic Search یا Hybrid Search استفاده کند.
• در صورت نیاز Reranking انجام دهد.
• منبع پاسخ را ثبت کند.
• پاسخ بدون شواهد را محدود کند.
• سطح دسترسی کاربران را رعایت کند.

ارسال تمام پایگاه دانش به مدل، جایگزین Retrieval دقیق نیست.

نمونه System Prompt برای RAG

You are an assistant that answers only from the supplied context.

Rules:
- Use only information present in the context.
- If the answer is unavailable, say that the documents do not contain it.
- Do not invent dates, names, amounts or policies.
- Cite the source identifier for every important claim.
- Distinguish direct evidence from inference.
- Answer in Persian unless the user requests another language.

Grok 4.5 برای چه کاربردهایی مناسب است؟

دستیار برنامه‌نویسی

برای تولید، توضیح، بررسی و اصلاح کد.

Coding Agent

برای خواندن فایل‌ها، اجرای تست، اعمال Patch و ادامه کار براساس نتیجه.

تحلیل اسناد

برای استخراج، خلاصه‌سازی و مقایسه متن‌های طولانی.

دستیار دانش سازمانی

برای پاسخ‌گویی براساس اسناد داخلی و RAG.

Agentهای هوشمند

برای برنامه‌ریزی، Tool Calling و اجرای گردش کارهای چندمرحله‌ای.

تحلیل تصویر

برای بررسی Screenshot، نمودار، جدول و رابط کاربری.

تحلیل داده

برای تولید Query، کد تحلیل، توضیح نتایج و طراحی گزارش.

تولید محتوای تخصصی

برای تهیه Draft مقاله، گزارش، مستندات و محتوای فنی با بازبینی انسانی.

مسائل STEM

برای تحلیل مسائل علوم، فناوری، مهندسی و ریاضیات.

Grok 4.5 برای چه کاربردهایی انتخاب اول نیست؟

تولید تصویر

Grok 4.5 تصویر را تحلیل می‌کند، اما برای تولید تصویر باید از مدل Image Generation استفاده کرد.

تولید ویدئو

برای تبدیل متن یا عکس به ویدئو باید از مدل Video Generation استفاده شود.

تولید صدا

برای Text to Speech یا Voice Generation مدل صوتی مناسب‌تر است.

Embedding

برای جست‌وجوی معنایی باید از مدل Embedding تخصصی استفاده کرد.

وظایف ساده و پرتعداد

برای دسته‌بندی یا استخراج ساده در حجم بالا، مدل کوچک‌تر و اقتصادی‌تر ممکن است انتخاب مناسب‌تری باشد.

اطلاعات زنده بدون ابزار

برای اطلاعات جدید باید Search، RAG یا API خارجی به مدل متصل شود.

قیمت Grok 4.5

قیمت مدل‌های هوش مصنوعی ممکن است براساس زیرساخت، Provider، طول Context، میزان Reasoning و شرایط سرویس تغییر کند. به همین دلیل قیمت عددی ثابت در مقاله درج نمی‌شود.

عوامل مؤثر بر هزینه:

• Input Tokens
• Output Tokens
• Reasoning Tokens
• طول Context
• تعداد Tool Calls
• Prompt Caching
• تعداد Retry
• تعداد تصاویر
• طول پاسخ
• زیرساخت ارائه مدل

برای مشاهده قیمت فعلی Grok 4.5 و سایر مدل‌ها به صفحه زیر مراجعه کنید:

مشاهده مدل‌ها و قیمت‌های به‌روز درواره

فرمول محاسبه هزینه API

فرمول سازگار با Ghost:

هزینه ورودی =
تعداد Input Token ÷ 1,000,000 × قیمت هر یک میلیون Input Token

هزینه خروجی =
تعداد Output Token ÷ 1,000,000 × قیمت هر یک میلیون Output Token

هزینه کل =
هزینه ورودی + هزینه خروجی + هزینه ابزارها و خدمات جانبی

قیمت هر بخش را از صفحه مدل‌های درواره دریافت کنید.

اتصال Grok 4.5 به API درواره

درواره API سازگار با OpenAI ارائه می‌کند. بنابراین در بسیاری از پروژه‌ها می‌توانید از OpenAI SDK استفاده کنید و فقط موارد زیر را تغییر دهید:

• API Key
• Base URL
• Model ID

Base URL رسمی درواره:

https://api.darvareh.ir/v1

Model ID درواره:

x-ai/grok-4.5

پیش از استقرار نهایی، Model ID را در صفحه مدل‌های درواره بررسی کنید.

دریافت API Key درواره

برای شروع:

1. وارد درواره شوید.
2. حساب کاربری بسازید.
3. کیف پول را شارژ کنید.
4. وارد بخش API Keys شوید.
5. یک کلید جدید بسازید.
6. کلید را در Backend ذخیره کنید.
7. مدل را از صفحه Models انتخاب کنید.

API Key را در Frontend، مخزن Git یا کد عمومی قرار ندهید.

نمونه cURL

curl https://api.darvareh.ir/v1/chat/completions \
  -H "Authorization: Bearer YOUR_DARVAREH_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "x-ai/grok-4.5",
    "messages": [
      {
        "role": "system",
        "content": "You are a precise senior software engineer."
      },
      {
        "role": "user",
        "content": "Explain and fix this JavaScript function: function median(a){a.sort();return a[a.length/2]}"
      }
    ]
  }'

نمونه Python

نصب SDK:

pip install openai

کد:

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="x-ai/grok-4.5",
    messages=[
        {
            "role": "system",
            "content": "You are a careful senior Python engineer."
        },
        {
            "role": "user",
            "content": """
این تابع را بررسی کن.
ابتدا مشکلات را توضیح بده، سپس نسخه اصلاح‌شده و Unit Test ارائه کن.
"""
        }
    ]
)

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

متغیر محیطی:

DARVAREH_API_KEY=your_api_key

نمونه JavaScript

نصب SDK:

npm install openai

کد:

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: "x-ai/grok-4.5",
  messages: [
    {
      role: "system",
      content: "You are a precise senior TypeScript engineer.",
    },
    {
      role: "user",
      content:
        "این کد را بررسی کن، مشکلات را اولویت‌بندی کن و Patch پیشنهادی بده.",
    },
  ],
});

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

نمونه fetch

const response = await fetch(
  "https://api.darvareh.ir/v1/chat/completions",
  {
    method: "POST",
    headers: {
      Authorization: `Bearer ${process.env.DARVAREH_API_KEY}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({
      model: "x-ai/grok-4.5",
      messages: [
        {
          role: "system",
          content: "You are a precise software architect.",
        },
        {
          role: "user",
          content:
            "برای یک سیستم RAG چندمستاجری، معماری Production-ready پیشنهاد بده.",
        },
      ],
    }),
  }
);

if (!response.ok) {
  throw new Error(`API request failed: ${response.status}`);
}

const data = await response.json();

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

این درخواست باید از Backend ارسال شود، نه مستقیماً از مرورگر کاربر.

Streaming با Grok 4.5

Streaming پاسخ مدل را به‌تدریج نمایش می‌دهد.

مزایا:

• کاهش زمان انتظار ادراکی
• تجربه بهتر در پاسخ طولانی
• مناسب برای چت
• امکان نمایش پیشرفت
• امکان توقف Generation

Streaming با Python

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="x-ai/grok-4.5",
    messages=[
        {
            "role": "user",
            "content": "یک معماری Production-ready برای سیستم RAG پیشنهاد بده."
        }
    ],
    stream=True
)

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

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

Streaming با JavaScript

import OpenAI from "openai";

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

const stream = await client.chat.completions.create({
  model: "x-ai/grok-4.5",
  messages: [
    {
      role: "user",
      content: "یک معماری Production-ready برای سیستم RAG پیشنهاد بده.",
    },
  ],
  stream: true,
});

for await (const chunk of stream) {
  const content = chunk.choices[0]?.delta?.content;

  if (content) {
    process.stdout.write(content);
  }
}

مدیریت خطاها

خطاهای متداول:

• API Key نامعتبر
• اعتبار ناکافی
• Model ID اشتباه
• Rate Limit
• Timeout
• Context بیش از حد مجاز
• تصویر نامعتبر
• پاسخ Tool نامعتبر
• اختلال موقت مدل
• خطای Validation

نمونه Python:

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=60.0,
    max_retries=0
)

def call_grok(messages, attempts=3):
    for attempt in range(attempts):
        try:
            return client.chat.completions.create(
                model="x-ai/grok-4.5",
                messages=messages
            )

        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 as error:
            if error.status_code < 500:
                raise

            if attempt == attempts - 1:
                raise

            time.sleep(2 ** attempt)

Retry باید محدود و کنترل‌شده باشد. خطاهای ورودی و Validation با Retry برطرف نمی‌شوند.

نکات استفاده در Production

API Key را فقط در Backend نگه دارید

کلید را داخل این موارد قرار ندهید:

• JavaScript مرورگر
• کد Frontend
• اپلیکیشن موبایل
• Repository عمومی
• فایل نمونه قابل دانلود
• Log

Timeout تعریف کنید

Reasoning و Context طولانی ممکن است زمان پاسخ را افزایش دهند.

Retry محدود داشته باشید

Retry نامحدود باعث افزایش هزینه و فشار بیشتر روی سیستم می‌شود.

Context را مدیریت کنید

کل تاریخچه مکالمه را در هر درخواست ارسال نکنید. از روش‌های زیر استفاده کنید:

• حذف پیام‌های نامرتبط
• خلاصه‌سازی پیام‌های قدیمی
• Context Compaction
• Retrieval هدفمند
• محدودیت تعداد Turn
• حافظه ساختاریافته

خروجی را اعتبارسنجی کنید

موارد زیر را بدون Validation اجرا نکنید:

• SQL
• کد
• Shell Command
• JSON
• Tool Arguments
• URL
• عملیات مالی
• تغییر داده

مصرف را ثبت کنید

برای هر درخواست این اطلاعات را ذخیره کنید:

• Model ID
• Input Tokens
• Output Tokens
• Latency
• Status
• Tool Calls
• User ID
• Project ID
• هزینه تخمینی
• خطا
• زمان درخواست

Fallback داشته باشید

اگر Grok 4.5 در دسترس نبود یا برای وظیفه خاص مناسب نبود، درخواست را به مدل دیگری هدایت کنید.

Eval مستمر اجرا کنید

مجموعه‌ای از درخواست‌های واقعی داشته باشید و پس از هر تغییر مدل، Provider یا Prompt دوباره آن‌ها را اجرا کنید.

معماری Multi-model

استفاده از Grok 4.5 برای تمام درخواست‌ها ممکن است بهینه نباشد.

نمونه Routing:

درخواست ساده
→ مدل سریع و اقتصادی

درخواست Coding پیچیده
→ Grok 4.5

تحلیل تصویر
→ مدل Vision مناسب

استخراج JSON
→ مدل دارای Structured Outputs

وظیفه Agentic
→ Grok 4.5 با Tool Calling

اختلال مدل اصلی
→ Fallback Model

کاهش هزینه Grok 4.5

System Prompt را کوتاه کنید

دستورهای تکراری و غیرضروری را حذف کنید.

تاریخچه را خلاصه کنید

پیام‌های قدیمی را به Summary ساختاریافته تبدیل کنید.

از RAG استفاده کنید

به‌جای ارسال کل پایگاه دانش، فقط اسناد مرتبط را وارد کنید.

طول پاسخ را مشخص کنید

پاسخ را در حداکثر ۸ نکته عملی ارائه کن.

Reasoning را متناسب انتخاب کنید

برای دسته‌بندی ساده به Reasoning سنگین نیاز نیست.

نتایج ثابت را Cache کنید

پرسش‌های پرتکرار یا تحلیل اسناد بدون تغییر را می‌توان Cache کرد.

درخواست ناموفق را بی‌دلیل تکرار نکنید

ابتدا نوع خطا را بررسی کنید. خطای ورودی با Retry حل نمی‌شود.

هزینه هر وظیفه موفق را اندازه بگیرید

هزینه هر وظیفه موفق =
مجموع هزینه درخواست‌ها ÷ تعداد وظایف موفق

مدل ارزان‌تر ممکن است به Retry و بازبینی بیشتری نیاز داشته باشد و در نهایت هزینه واقعی بالاتری ایجاد کند.

تنظیمات پیشنهادی Grok 4.5

مقادیر دقیق باید با Eval تعیین شوند، اما راهنمای عمومی چنین است.

کدنویسی

Temperature: پایین
Reasoning: متوسط یا بالا
Output: ساختاریافته

استخراج اطلاعات

Temperature: پایین
Reasoning: پایین
Structured Output: فعال

Tool Calling

Temperature: پایین
Reasoning: متوسط
Schema: دقیق
Tool Choice: Auto یا ابزار مشخص

تحلیل پیچیده

Temperature: پایین تا متوسط
Reasoning: بالا
Context: فقط منابع مرتبط

تولید متن خلاق

Temperature: متوسط
Reasoning: پایین یا متوسط
Output Format: مشخص

کیفیت زبان فارسی

Grok 4.5 می‌تواند ورودی فارسی را پردازش و پاسخ فارسی تولید کند، اما کیفیت آن باید با سناریوهای واقعی ارزیابی شود.

موارد مهم برای Eval فارسی:

• نیم‌فاصله
• علائم نگارشی
• متن محاوره‌ای
• ترکیب فارسی و انگلیسی
• اعداد فارسی
• تاریخ شمسی
• اصطلاحات تخصصی
• استخراج داده از متن فارسی
• تولید JSON از ورودی فارسی
• تحلیل اسناد فارسی
• ترجمه تخصصی

در محتوای فارسی بهتر است اصطلاحات فنی را به هر دو شکل بنویسید:

پرامپت یا Prompt
توکن یا Token
پنجره زمینه یا Context Window
فراخوانی تابع یا Function Calling
خروجی ساختاریافته یا Structured Output
عامل هوشمند یا AI Agent

روش ارزیابی Grok 4.5

برای انتخاب مدل فقط به Benchmark عمومی تکیه نکنید. یک Eval اختصاصی بسازید.

نمونه مجموعه آزمون:

• ۲۰ درخواست فارسی
• ۲۰ مسئله Coding
• ۱۰ وظیفه Tool Calling
• ۱۰ Structured Output
• ۱۰ ورودی تصویر
• ۱۰ سند طولانی
• ۱۰ سؤال RAG
• ۱۰ ورودی مبهم یا ناقص

معیارهای ارزیابی:

Task Success Rate
Tool Call Accuracy
Schema Validity
Hallucination Rate
Latency
Token Usage
Cost per Successful Task
Persian Quality
Human Preference

مقایسه Grok 4.5 با مدل‌های دیگر

Grok 4.5 در برابر Claude

هر دو برای کدنویسی، تحلیل متن و Agentهای چندمرحله‌ای قابل‌استفاده‌اند. انتخاب باید براساس کیفیت Tool Calling، اصلاح کد، سرعت و هزینه انجام شود.

Grok 4.5 در برابر GPT

هر دو خانواده، مدل‌های پیشرفته‌ای برای Coding، Reasoning و Agent ارائه می‌کنند. تفاوت واقعی با Eval اختصاصی پروژه مشخص می‌شود.

Grok 4.5 در برابر Gemini

Gemini در Multimodal و Long Context شناخته می‌شود. Grok 4.5 نیز Context بزرگ، ورودی تصویر و تمرکز ویژه‌ای بر Coding و Agentic Tasks دارد.

Grok 4.5 در برابر DeepSeek

مدل‌های DeepSeek به‌دلیل نسبت قیمت به عملکرد مورد توجه‌اند. Grok 4.5 یک مدل پرچم‌دار تجاری است و باید از نظر کیفیت، Latency، Tool Calling و نرخ موفقیت مقایسه شود.

پرسش‌های متداول

Grok 4.5 چیست؟

Grok 4.5 مدل پرچم‌دار xAI برای کدنویسی، استدلال، تحلیل تصویر، کارهای دانشی و وظایف Agentic است.

Grok 4.5 در چه دسته‌ای قرار می‌گیرد؟

این مدل در دسته‌های General، Reasoning، Coding، Vision و Agentic AI قرار می‌گیرد.

Model ID مدل در درواره چیست؟

x-ai/grok-4.5

پیش از استفاده، شناسه فعلی را در صفحه مدل‌های درواره بررسی کنید.

Context Window مدل چقدر است؟

Grok 4.5 دارای Context Window پانصدهزار توکنی است.

آیا Grok 4.5 برای برنامه‌نویسی مناسب است؟

بله. تولید کد، Debugging، Refactoring، Code Review، تولید تست و Agentic Coding از کاربردهای اصلی مدل هستند.

آیا Grok 4.5 Reasoning دارد؟

بله. در API رسمی xAI سطوح Low، Medium و High برای Reasoning معرفی شده‌اند.

آیا Grok 4.5 تصویر را تحلیل می‌کند؟

بله. این مدل می‌تواند Screenshot، نمودار، جدول و سایر تصاویر را تحلیل کند.

آیا Grok 4.5 تصویر تولید می‌کند؟

خیر. Grok 4.5 تصویر را به‌عنوان ورودی تحلیل می‌کند. برای تولید تصویر باید از مدل‌های Image Generation استفاده شود.

آیا Grok 4.5 Function Calling دارد؟

بله. می‌توانید توابع و ابزارهای Backend را برای استفاده مدل تعریف کنید.

آیا Grok 4.5 Structured Outputs دارد؟

بله. مدل می‌تواند خروجی را مطابق JSON Schema تولید کند.

آیا Grok 4.5 به اینترنت دسترسی دارد؟

مدل به‌تنهایی اطلاعات زنده ندارد. برای اطلاعات جدید باید ابزار جست‌وجو، RAG یا API خارجی به آن متصل شود.

Knowledge Cutoff مدل چه زمانی است؟

تاریخ اعلام‌شده در مستندات رسمی xAI، اول فوریه ۲۰۲۶ است.

قیمت Grok 4.5 چقدر است؟

قیمت‌ها ممکن است تغییر کنند. برای مشاهده قیمت فعلی به صفحه مدل‌های درواره مراجعه کنید.

Base URL درواره چیست؟

https://api.darvareh.ir/v1

آیا Grok 4.5 با OpenAI SDK کار می‌کند؟

بله. API درواره با OpenAI SDK سازگار است و می‌توانید با تغییر Base URL، API Key و Model ID از آن استفاده کنید.

آیا Grok 4.5 برای RAG مناسب است؟

بله. Context بزرگ و قابلیت تحلیل متن آن را برای پاسخ‌گویی براساس اسناد مناسب می‌کند؛ اما Retrieval، Chunking و Reranking باید درست طراحی شوند.

Grok 4.5 بهتر است یا Claude، GPT و Gemini؟

بهترین مدل به نوع وظیفه، زبان، هزینه، سرعت و کیفیت موردنیاز بستگی دارد. مدل‌ها را با Eval اختصاصی پروژه مقایسه کنید.

جمع‌بندی

Grok 4.5 یک مدل پرچم‌دار و چندمنظوره از xAI است که برای Coding، Reasoning، Vision، Knowledge Work و Agentic Tasks طراحی شده است.

ویژگی‌های اصلی آن عبارت‌اند از:

• Context Window پانصدهزار توکنی
• Reasoning قابل‌تنظیم
• قابلیت‌های پیشرفته کدنویسی
• Function Calling
• Structured Outputs
• ورودی تصویر
• Streaming
• پشتیبانی از Agentهای چندمرحله‌ای
• سازگاری با Chat Completions

Grok 4.5 برای دستیارهای برنامه‌نویسی، سیستم‌های RAG، تحلیل اسناد، Agentهای هوشمند، تحلیل تصویر و اتوماسیون سازمانی گزینه‌ای قابل‌بررسی است.

بااین‌حال، استفاده از مدل پرچم‌دار برای تمام درخواست‌ها همیشه بهینه نیست. مدل را با داده‌های فارسی، کدهای واقعی، Toolهای Backend و معیارهای هزینه و Latency پروژه آزمایش کنید.

برای مشاهده قیمت‌های به‌روز، مشخصات و فهرست مدل‌ها:

مشاهده مدل‌ها و قیمت‌های درواره

برای ساخت حساب و دریافت API Key:

ثبت‌نام در درواره

مقالات مرتبط

• Grok چیست؟ راهنمای کامل هوش مصنوعی Grok
• راهنمای جامع مدل‌های هوش مصنوعی
• بهترین مدل هوش مصنوعی برای کدنویسی
• انتخاب و مسیریابی مدل برای Coding Agent
• Function Calling چیست؟
• Structured Outputs و JSON Schema در API هوش مصنوعی
• ساخت AI Agent با Skills، Tools و MCP
• API سازگار با OpenAI چیست؟
• آموزش اتصال API هوش مصنوعی به اپلیکیشن
• راهنمای ساخت API هوش مصنوعی Production-ready