AI प्रोजेक्ट्स के लिए डेव एनवायरनमेंट और इंफ्रा गाइड

Google Cloud के बिल पर रहते हुए Claude इस्तेमाल करने के दो तरीके हैं: Google-प्रबंधित वर्ज़न, जिसे Google, Agent Platform (पहले Vertex AI) के हिस्से के रूप में चलाता है, और Anthropic-प्रबंधित वर्ज़न, जो 22 अक्टूबर 2026 को सभी के लिए उपलब्ध हुआ। Claude Code, Google-प्रबंधित वर्ज़न पर चलता है और CLAUDE_CODE_USE_VERTEX व संबंधित सेटिंग से कॉन्फ़िगर होता है (कई लोगों के लिए लागू करें तो मॉडल पिन करने की सलाह है)। अगर आपको Files API, Agent Skills, Managed Agents, fast mode और ऐसे ही फ़ीचर चाहिए, तो Anthropic-प्रबंधित वर्ज़न चुनें। Google-प्रबंधित global endpoint पर Opus 5.5, Sonnet 5.5 और Haiku 5.5 की कीमत Claude API जितनी ही है, जबकि us और eu मल्टी-रीजन 1.1 गुना महँगे हैं। Anthropic-प्रबंधित वर्ज़न CCU में मापा जाता है, और आधिकारिक डॉक्यूमेंटेशन में प्रति-टोकन प्राइस लिस्ट नहीं है। आधिकारिक डॉक्यूमेंटेशन (26 अक्टूबर 2026 को जाँचा गया) के आधार पर यह लेख दोनों का फ़र्क और चुनने का तरीका, कीमत, रीजन, शुरुआत, SDK, Claude Code का सेटअप, और कोटा व 429 एरर से निपटने के तरीके बताता है।

Claude API में "`temperature` is deprecated for this model." त्रुटि आए, तो कारण यह है कि Claude 4.7 और बाद के मॉडलों को temperature, top_p और top_k के डिफ़ॉल्ट से अलग मान भेजे गए हैं। इन तीनों को अनुरोध से हटाने पर त्रुटि दूर हो जाती है। नए API version 2026-10-21 में ये मान किसी भी मॉडल पर, डिफ़ॉल्ट होने पर भी 400 error देते हैं, और anthropic 2.0.0 जैसे नए Python SDK इसी version को अपने-आप भेजते हैं। यह लेख त्रुटि के दोनों स्थितियाँ, कोड में खोजने का तरीका, SDK के version और "anthropic-version: header is required" का समाधान Anthropic के आधिकारिक दस्तावेज़ (26 अक्टूबर 2026 को जाँचे गए) के आधार पर समझाता है।

Codex धीमा या भारी लगे तो लक्षण के अनुसार कारण और उपाय यहाँ दिए गए हैं। AI का जवाब धीमा हो तो सोच की तीव्रता घटाएँ, तेज़ मोड चुनें (Fast मोड उपयोग कोटा 2.5 गुना खर्च करता है) या हर काम के लिए नया थ्रेड बनाएँ, और शुरू होने में देरी हो तो बिना इस्तेमाल के MCP सर्वर को enabled = false से बंद करके CLI अपडेट करें। ऐप भारी हो तो नया संस्करण लें (Windows की एक खराबी v26.825.32147 में ठीक हुई), कमांड धीमी हो तो WSL में फ़ाइलें Linux की ओर रखें, और जानकारी OpenAI के दस्तावेज़ों और GitHub के जवाबों पर आधारित है (2026 अक्टूबर 25 को जाँची गई)।

ChatGPT सफलतापूर्वक स्थानांतरित हुआ, पर गंतव्य तैयार होते समय उसी ड्राइव के Docker और Unity में I/O विफलता आई। जानें लॉग से क्या पता चला।

ऐप और मुख्य डेटा D ड्राइव पर रखे तथा सक्रिय रनटाइम C ड्राइव पर। हमने क्या बैकअप लिया, स्थानांतरित किया और जाँचा, इसका रिकॉर्ड।

CLI के अलावा Codex ऐप और IDE, तथा Claude Desktop, VS Code, वेब और मोबाइल पर केवल जाँच वाला मोड कैसे चुनें, यह एक जगह मिलेगा। read-only और Plan का अंतर, सेटिंग कहाँ तक लागू होती है, टूल की पाबंदी, तैयार निर्देश और Git के अंतर की जाँच भी समझाई गई है। Plan मोड के अपवाद और गुप्त जानकारी पढ़ने या बाहरी सेवाओं में बदलाव जैसे बचे हुए जोखिम भी बताए गए हैं।

Codex में गोपनीय फ़ाइलों को पढ़ने से रोकने के लिए पढ़ने की रोक, अलग कार्यक्षेत्र, मंज़ूरी और नेटवर्क के बीच का अंतर समझें। Permission profile की सेटिंग उदाहरण, .env के नाम और दायरे, पर्यावरण चर और OS की सीमाएँ देखें। डमी फ़ाइलों से रोक की पुष्टि करने के चरण भी मिलेंगे।

प्रोडक्शन में घुसने का कोई नया रास्ता खोले बिना आप Claude Code के क्लाउड सेशन को डेवलपमेंट सौंप सकते हैं: कोड को प्राइवेट GitHub रिपॉज़िटरी में रखें, Claude GitHub App को सिर्फ़ उसी रिपॉज़िटरी पर इंस्टॉल करें, और प्रोडक्शन सर्वर को read-only deploy key से बस उसे pull करने दें। यह लेख 4 अक्टूबर 2026 को एक अलग डेवलपमेंट प्रोजेक्ट पर क्लाउड सेशन इस्तेमाल करना शुरू करने का मेरा रिकॉर्ड है, जिसे उस तारीख के आधिकारिक डॉक्यूमेंटेशन के मूल पाठ से मिलाया गया है। इसमें बताया गया है कि GitHub के बिना claude --cloud हर ब्रांच की हिस्ट्री और ट्रैक की गई फ़ाइलों के बिना commit किए बदलाव भेजता है (Windows पर फ़ाइल के नाम चाहे जो हों), कोई दूसरा GitHub अकाउंट जुड़ा हो तो उसे कैसे ठीक करें, "Only select repositories" और पब्लिक रिपॉज़िटरी सूची में क्यों दिखती हैं, हर प्रोजेक्ट के लिए नया एनवायरनमेंट क्यों बनाना चाहिए क्योंकि एनवायरनमेंट का इस्तेमाल करने वाला कोई भी उसके एनवायरनमेंट वेरिएबल पढ़ सकता है, लोकल फ़ाइलें दिखती नहीं हैं, और क्लाउड में Accept edits हर कमांड पर रुकता है जबकि Auto चलता रहता है; यह सब शुरू करने से पहले की एक चेकलिस्ट में समेटा गया है। इसमें एक असली मामला भी है, जिसमें अपने-आप चलाए गए एक निर्देश ने बीच में रुकने को कहने से पहले सीमित समय वाले क्रेडिट के $226 खर्च कर दिए, साथ ही यह भी कि क्रेडिट इतनी तेज़ी से क्यों घटता है और खर्च घटाने के तरीके।

आपकी Claude Code बातचीत AI मॉडल की ट्रेनिंग में इस्तेमाल होगी या नहीं, यह आपके प्लान और अकाउंट setting पर निर्भर करता है। Free, Pro और Max जैसे consumer प्लान में आपका डेटा ट्रेनिंग में तभी जाता है जब claude.ai की privacy settings में मॉडल सुधार वाली setting चालू हो (5 साल तक रखा जाता है), और इसे बंद करने से ट्रेनिंग रुक जाती है (30 दिन तक रखा जाता है)। Setting आपके अकाउंट की है, इसलिए Claude Code चलाने वाले कंप्यूटर पर settings files बदलने की ज़रूरत नहीं। 4 अक्टूबर 2026 तक Claude Code docs के पेज "Data usage", Anthropic Privacy Center और Claude Platform के पेज "API and data retention" के मूल पाठ के आधार पर यह लेख बताता है कि setting कहाँ है और उसे कैसे बंद करें, opt out करने से आपका डेटा पिछली ट्रेनिंग से नहीं हटता, 👍👎 रेटिंग, /feedback और नीति उल्लंघन के रूप में चिह्नित बातचीत कैसे संभाली जाती है, और Team, Enterprise, API और Bedrock समेत हर प्लान में ट्रेनिंग और retention कैसी है। यह भी समझाता है कि API inputs और outputs डिफ़ॉल्ट रूप से ट्रेनिंग में इस्तेमाल नहीं होते और 30 दिन के भीतर डिलीट हो जाते हैं, ZDR में क्या शामिल है और Fable जैसे Covered Models के लिए 30 दिन रखना क्यों ज़रूरी है, ट्रेनिंग से अलग भेजे जाने वाले usage metrics और error reports रोकने वाले environment variables, आपके अपने कंप्यूटर पर plaintext में सहेजे गए transcripts, और गोपनीय काम के लिए सेटअप कैसे चुनें।

Claude Code का /doctor prompt-audit (/checkup prompt-audit भी यही है) Claude से CLAUDE.md, CLAUDE.local.md, AGENTS.md और .claude/ के अंदर की rules, स्किल, कमांड और सबएजेंट पढ़वाता है, पुराने मॉडलों के लिए लिखी प्रॉम्प्टिंग, मौजूद न रहीं फ़ाइलों या कमांड के हवाले और आपस में टकराते निर्देश खोजता है, और सुझाए गए diff के साथ रिपोर्ट लौटाता है। आपके कहे बिना कुछ नहीं बदलता, और इसके लिए v2.1.283 या उसके बाद का वर्ज़न चाहिए। 3 अक्टूबर 2026 तक के आधिकारिक दस्तावेज़ और CHANGELOG तथा Claude Code के साथ आने वाली ऑडिट गाइड के आधार पर यह लेख बताता है कि इसे कैसे चलाएँ और पाथ देकर दायरा कैसे छोटा करें, यह किसे पुराना मानता है (ज़रूरत से ज़्यादा सख़्त भाषा, ग़ायब पाथ, फ़ाइलों के बीच टकराव वगैरह), संदर्भ और किसी कारण से मौजूद पाबंदियों को न हटाने का इसका नियम, रिपोर्ट के छह फ़ील्ड और confidence कैसे पढ़ें, और यह /doctor, /claude-api prompt-audit और टर्मिनल वाले claude doctor कमांड से कैसे अलग है। साथ ही यह भी कि इस साइट की इंस्ट्रक्शन फ़ाइलों पर चलाने पर क्या हुआ (9 में से 7 सुझाव लागू किए, जिनमें एक सच्चा भटकाव था: नियम जोड़ने के बाद एक व्याख्या दोबारा लिखना भूल गए थे), और यूसेज सीमा, हर बार अलग नतीजे और लागू करने से पहले सुझाव जाँचने की मेहनत जैसी सावधानियाँ।

Claude Code का /code-review एक बिल्ट-इन स्किल है, जो upstream से आगे के आपके कमिट और अनकमिटेड बदलाव (या आपका दिया PR, ब्रांच या पाथ) पढ़कर correctness बग खोजती है और उनकी रिपोर्ट देती है। /review इसका alias है, समीक्षा बैकग्राउंड सबएजेंट के रूप में चलती है, और इसकी लागत आपके सामान्य उपयोग में गिनी जाती है। यह लेख बताता है कि लक्ष्य कैसे दें, low (सिर्फ़ पक्के नतीजे) तथा medium से max (बड़ा दायरा, लेकिन नतीजे छाँटने पड़ते हैं) में से कैसे चुनें, लेवल न लिखने पर पिछली बार टाइप किया गया लेवल दोबारा लगने का नियम, बैकग्राउंड में हुए --fix के बदलाव /rewind से वापस न होने की सावधानी, और GitHub व GitLab पर --comment कहाँ पोस्ट करता है। 2 अक्टूबर 2026 तक (लेवल का विवरण 14 अक्टूबर तक) के आधिकारिक दस्तावेज़ और CHANGELOG के मूल पाठ के आधार पर यह ultra को भी समझाता है, जिसमें क्लाउड में कई एजेंट सिर्फ़ जाँचे हुए नतीजे लौटाते हैं (लगभग 15 से 25 मिनट; Pro और Max पर एक बार के 3 मुफ़्त रन, फिर आम तौर पर हर रन के $5 से $25 यूसेज क्रेडिट), और यह भी कि /code-review, /simplify, /security-review, GitHub App के Code Review और claude-code-action से कैसे अलग है। आख़िर में, इस साइट के AI इमेज डिटेक्टर टूल के कोड पर /code-review high एक बार चलाने के नतीजे (10 में से 9 नतीजे असली बग थे, सब ठीक किए गए) और कमियाँ भी हैं, जैसे उपयोग की खपत, नतीजे जाँचने की मेहनत और --fix को वापस करने का तरीक़ा।

मैंने Claude Code के Projects (पब्लिक बीटा) से लोकल LLM की ज़रूरी मेमोरी खोजने वाली एक पूरी वेबसाइट बनवाई। बनाने से आख़िरी मर्ज तक क़रीब 20 घंटे लगे: 10 थ्रेड, 11 PR, क़रीब 23,000 लाइनें, और क़रीब 19 करोड़ टोकन (जिनमें 97.7% कैश रीड थे)। रात में 3 काम समानांतर आगे बढ़े, थ्रेड समन्वयक के ज़रिये आपस में तालमेल बिठाते रहे, और काम सौंपने वाले निर्देश देने पर उसने अगला काम भी ख़ुद तय किया। दूसरी तरफ़, डेटा जुटाने और पेज वाले थ्रेडों की सीमा पर "क्या इसे दिखाया जा सकता है" तय करने वाला हिस्सा किसी ने नहीं बनाया, इसलिए प्रोडक्शन में 0 मॉडल दिखे। असली डेटा ने ऐसे बग भी दिखाए जो सैंपल डेटा वाले टेस्ट में कभी नहीं आए, और सिर्फ़ SSH से पहुँचने वाले सर्वर पर डिप्लॉय करते समय बात अटक गई। शुरू करते समय की अड़चनें, हर क़दम पर मंज़ूरी और काम सौंपने का फ़र्क़, सेटअप क्रेडिट कैसे घटा, और किस काम के लिए यह ठीक है और किसके लिए नहीं — सब असली आँकड़ों के साथ दर्ज है।