در ماههای اخیر، توصیههای مربوط به هوش مصنوعی از یک نکته گاهبهگاه در شبکههای اجتماعی به سیل بیپایانی از راهنما تبدیل شده است؛ از نحوه ساختاردهی درست به دستور (Prompt) گرفته تا اینکه کدام قابلیتها را فعال یا غیرفعال کنیم و کدام ابزارها را نصب نماییم. اما پرسش مهم این است: آیا انباشتن همه این ترفندها در تنظیمات یک دستیار کدنویسی هوش مصنوعی، واقعاً آن را بهتر میکند؟
نویسندهای که هم بهعنوان کاربر عادی و هم بهعنوان روزنامهنگار حوزه هوش مصنوعی با ابزارهایی مانند Claude Code کار میکند، پس از مدتی متوجه شد تنظیمات او چنان شلوغ شده که دیگر نمیتواند تشخیص دهد کدام بخش واقعاً مفید است و کدام بخش تنها به توصیه دیگران اضافه شده است. او تصمیم گرفت تنظیمات معمول خود را با یک راهاندازی ساده و نزدیک به سبک کاربران مبتدی مقایسه کند و نتیجه، درسهای جالبی به همراه داشت.
انبوه سرورهای MCP؛ ابزار بیشتر، دردسر بیشتر
یکی از بهترین روشها برای وارد کردن هوش مصنوعی به جریان کاری روزمره، اتصال آن به ابزارهایی است که هر روز استفاده میکنیم. بیشتر ابزارهای هوش مصنوعی از جمله Claude Code دو راه برای این کار پیش پای کاربر میگذارند: استفاده از یکپارچهسازیهای داخلی (Built-in Integrations) یا اتصال سرویسهای بیرونی از طریق پروتکل زمینه مدل (Model Context Protocol یا MCP).
مشکل از جایی آغاز شد که تعداد سرورهای MCP از حد گذشت. در یک مقطع، سرورهایی برای تقریباً هر سرویسی که به ذهن میرسید متصل بودند؛ از نمونههای ساختهشده توسط جامعه کاربری برای NotebookLM گرفته تا اتصال به ابزارهایی مانند Adobe، Canva، Notion، Slack و Gmail و همچنین اتصالهای توسعهمحور و بدیهیتری مانند GitHub، پایگاههای داده، Vercel و Playwright.
اما نکته کلیدی این است که اتصالهای بیشتر، بهطور خودکار Claude Code را بهتر نمیکند. هر سرور، مجموعهای از ابزارها را اضافه میکند که مدل باید میان آنها انتخاب کند و وقتی چند سرور با یکدیگر همپوشانی داشته باشند، انتخاب ابزار بهجای مفیدتر شدن، پیچیدهتر میشود. پیش از آنکه قابلیت جستوجوی ابزار (Tool Search) در Claude Code تعریف ابزارها را تا زمان نیاز به تعویق بیندازد، این وضعیت میتوانست بخش بزرگی از فضای زمینه (Context) را پیش از نوشتن حتی یک دستور مصرف کند.
لایههای حافظهای که Claude Code به آنها نیازی نداشت
حافظه، حوزه دیگری بود که نویسنده در همان دام افتاد. تصور او این بود که هرچه Claude Code بیشتر درباره پروژهها و نشستهای پیشین به یاد بیاورد، بهتر عمل میکند. در نتیجه ابزارهایی مانند claude-mem و claude-memory روی قابلیتهای حافظه داخلی خود Claude Code سوار شدند.
این افزونههای مرتبط با حافظه نهتنها پیش از نوشتن اولین کلمه، دستورها، مهارتها (Skills) و عاملهای (Agents) اضافی را وارد جریان کار میکردند، بلکه مشکل بزرگتر، میزان سودمندی خود آن حافظه بود. یک سامانه حافظه میتواند اطلاعاتی را نگه دارد که سه نشست پیش درست بوده اما دیگر وضعیت فعلی پروژه را بازتاب نمیدهد. در چنین حالتی، مدل باید میان آنچه به یاد دارد و آنچه واقعاً در مخزن کد (Repository) وجود دارد، سازگاری ایجاد کند و همیشه این خطر هست که زمینه کهنه، آن را به مسیر نادرست هدایت کند.
افزون بر این، بسیاری از کارهایی که نویسنده به Claude میسپرد در یک پوشه مشترک انجام میشد، اما پیوندهای سودمند میان آنها چندان زیاد نبود؛ صرف اینکه دو نشست به یک پروژه مربوط بودند، به این معنا نبود که زمینه یکی به دیگری کمک میکند.
شلوغکردن فایل CLAUDE.md با دستورهای بیپایان
فایل CLAUDE.md یکی از سادهترین راهها برای شکلدادن به رفتار مدل در سراسر یک پروژه است و نویسنده نیز بهدلیل خستگی از فراموششدن دستورهایش، مدام چیزهای بیشتری به آن میافزود: قواعد کدنویسی، ترجیحات جریان کاری، یادآوریها، حالتهای خاص و خطاهایی که یک بار رخ داده و دیگر نباید تکرار شوند.
تفاوت مهم این فایل با سرورهای MCP در این است که محتوای CLAUDE.md هر بار به زمینه پروژه منتقل میشود؛ بنابراین حجیمکردن آن هزینهای مستقیمتر دارد. با بلندتر شدن فایل، قواعد مهم میان دهها مورد بیربط گم میشدند، راهنماییهای قدیمی مدتها پس از بیربط شدن باقی میماندند و دستورهای نوشتهشده برای یک نوع کار، به وظایف کاملاً نامرتبط نشت میکردند.
این یافته با توصیه خود شرکت Anthropic نیز همراستاست؛ این شرکت سفارش میکند فایلهای CLAUDE.md نسبتاً کوتاه نگه داشته شوند، زیرا فایلهای بلندتر زمینه بیشتری مصرف میکنند و میتوانند به پایبندی مدل به دستورها آسیب بزنند. به همین دلیل، نویسنده به اصول اولیه بازگشته و از این فایل تنها برای چیزهایی استفاده میکند که مدل باید هر بار بداند، نه بهعنوان بایگانی دائمی همه ترجیحات.
هر وظیفهای در Claude Code به حالت Plan نیاز ندارد
حالت Plan یکی از قابلیتهای محبوب Claude Code است؛ حالتی که در آن مدل پیش از اقدام، توقف میکند، مسیر پیشروی خود را میسنجد و فرصت میدهد تا پیش از دستزدن به فایلها، رویکرد نادرست شناسایی شود. اما مشکل زمانی آغاز شد که نویسنده تقریباً بهصورت پیشفرض از آن استفاده میکرد؛ حتی برای کارهای سادهای که مدل میتوانست با بازبینی فایلها و چند ویرایش کوچک به پایان برساند.
در چنین مواردی، او در واقع هزینه یک دور تفکر اضافی را میپرداخت بدون آنکه چیز زیادی به دست آورد؛ مدل زمانی را صرف طراحی نقشهای میکرد که تنها به چند ویرایش نیاز داشت و سپس همان ویرایشها را انجام میداد.
تنظیمات بهتر، یعنی دقیقاً همان اندازه که لازم است
نتیجه این آزمایش روشن است: توصیههای موجود در اینترنت میتوانند به بهرهگیری بیشتر از Claude Code کمک کنند، اما انباشتن کورکورانه هر ترفند «پیشرفته» در تنظیمات، با بهترکردن آن یکی نیست. در بسیاری از موارد، تنظیمات بهتر همان تنظیماتی است که دقیقاً آنچه مدل نیاز دارد را در اختیارش میگذارد و نه چیزی بیشتر.