Claude Certified Architect — Foundations
Гід з сертифікаційного екзамену

Вступ

Сертифікація Claude Certified Architect — Foundations підтверджує, що практики здатні приймати обґрунтовані рішення щодо компромісів при реалізації реальних рішень з Claude. Іспит перевіряє базові знання у сферах Claude Code, Claude Agent SDK, Claude API та Model Context Protocol (MCP) — основних технологій для створення промислових застосунків з Claude.

Питання іспиту базуються на реалістичних сценаріях із реальних кейсів клієнтів: побудова agentic-систем для клієнтської підтримки, проєктування multi-agent дослідницьких пайплайнів, інтеграція Claude Code у CI/CD воркфлоу, інструменти продуктивності розробників та витягнення структурованих даних із неструктурованих документів. Кандидати мають демонструвати не лише концептуальні знання, а й практичне судження щодо архітектури, конфігурації та компромісів у продакшен-розгортаннях.

Цей гід описує зміст іспиту, перелічує домени та task statements, надає приклади питань і рекомендації щодо підготовки. Використовуйте його разом із практичним досвідом для ефективної підготовки.

Опис цільового кандидата

Ідеальний кандидат для цієї сертифікації — solution architect, що проєктує та реалізує промислові застосунки з Claude. Цей кандидат має практичний досвід:

• Побудови agentic-застосунків за допомогою Claude Agent SDK, включно з multi-agent оркестрацією, делегуванням до субагентів, інтеграцією інструментів та lifecycle hooks
• Налаштування та кастомізації Claude Code для командних воркфлоу через файли CLAUDE.md, Agent Skills, інтеграції MCP-серверів та план-режим
• Проєктування інтерфейсів MCP-інструментів і ресурсів для інтеграції з бекенд-системами
• Конструювання промптів для отримання надійного структурованого виводу з використанням JSON-схем, few-shot прикладів та патернів витягнення
• Ефективного управління контекстними вікнами в довгих документах, multi-turn діалогах та multi-agent передачах
• Інтеграції Claude у CI/CD пайплайни для автоматизованого code review, генерації тестів та фідбеку на pull requests
• Прийняття правильних рішень щодо ескалації та надійності, включно з обробкою помилок, human-in-the-loop воркфлоу та патернами самооцінки

Кандидат зазвичай має 6+ місяців практичного досвіду роботи з Claude API, Agent SDK, Claude Code та MCP, розуміючи як можливості, так і обмеження великих мовних моделей у промислових середовищах.

Зміст іспиту

Типи відповідей

Всі питання іспиту мають формат multiple choice. Кожне питання має одну правильну відповідь і три неправильні (distractors). Оберіть єдину відповідь, яка найкраще доповнює твердження або відповідає на питання. Distractors — це варіанти, які може обрати кандидат з неповними знаннями або досвідом. Питання без відповіді вважаються неправильними; штрафу за здогадку немає.

Результати іспиту

Іспит має позначення «склав» або «не склав». Іспит оцінюється відповідно до мінімального стандарту, встановленого профільними спеціалістами. Результати надаються у вигляді scaled score від 100 до 1000. Мінімальний прохідний бал — 720. Scaled scoring дозволяє порівнювати результати між різними версіями іспиту з різними рівнями складності.

Структура змісту — домени та ваги

Сценарії іспиту

Іспит використовує питання на основі сценаріїв. Кожен сценарій представляє реалістичний виробничий контекст, що обрамляє набір питань. Під час іспиту випадково обирається 4 сценарії з повного набору з 6.

Домени — детальний опис

Домен 1: Agentic Architecture & Orchestration (27%)

Task 1.1: Проєктування та реалізація agentic loops

• Lifecycle agentic loop: надсилання запитів до Claude, перевірка stop_reason («tool_use» vs «end_turn»), виконання інструментів і повернення результатів
• Результати інструментів додаються до conversation history для наступного міркування моделі
• Відмінність між model-driven (Claude міркує, який інструмент викликати) та pre-configured decision trees
• Навичка: правильне завершення loop при «end_turn»; уникання anti-patterns (перевірка тексту відповіді, жорсткий ліміт ітерацій)

Task 1.2: Оркестрація multi-agent систем (coordinator-subagent)

• Hub-and-spoke архітектура: coordinator управляє всією комунікацією між субагентами
• Субагенти мають ізольований контекст — вони не успадковують conversation history coordinator'а
• Роль coordinator у декомпозиції задач, делегуванні, агрегації результатів та динамічному виборі субагентів
• Навичка: iterative refinement loop; маршрутизація через coordinator для спостережуваності

Task 1.3: Конфігурація виклику, передачі контексту та spawning субагентів

• Інструмент Task як механізм spawning субагентів; allowedTools має включати «Task»
• Контекст субагента має бути наданий явно в промпті — субагенти не успадковують його автоматично
• Паралельний запуск: кілька Task-викликів в одній відповіді coordinator'а

Task 1.4: Multi-step workflows з enforcement та handoff патернами

• Різниця між programmatic enforcement (hooks, prerequisite gates) та prompt-based guidance
• При обов'язковому дотриманні (напр. верифікація перед фінансовими операціями) — prompt-інструкції мають ненульовий рівень відказів
• Навичка: programmatic prerequisites що блокують downstream tool calls; structured handoff summaries при ескалації

Task 1.5: Agent SDK hooks для перехоплення tool calls та нормалізації даних

• PostToolUse hooks для перетворення результатів інструментів перед обробкою моделлю
• Hooks для перехоплення вихідних tool calls для дотримання compliance rules
• Навичка: нормалізація форматів (Unix timestamps, ISO 8601); блокування операцій понад ліміт

Task 1.6: Стратегії декомпозиції задач

• Коли використовувати fixed sequential pipelines (prompt chaining) vs dynamic adaptive decomposition
• Prompt chaining для передбачуваних multi-aspect reviews; dynamic decomposition для відкритих дослідницьких задач

Task 1.7: Управління станом сесії, відновлення та forking

• Named session resumption через --resume <session-name>
• fork_session для незалежних гілок від спільного analysis baseline
• Важливість інформування агента про зміни файлів при відновленні сесій після модифікацій коду

Домен 2: Tool Design & MCP Integration (18%)

Task 2.1: Ефективні інтерфейси інструментів з чіткими описами

• Описи інструментів — основний механізм вибору інструментів LLM; мінімальні описи → ненадійний вибір між схожими інструментами
• Важливість вказування форматів входу, прикладів запитів, edge cases та пояснень меж використання
• Навичка: написання описів, що чітко відрізняють кожен інструмент; розбиття generic інструментів на purpose-specific

Task 2.2: Структуровані відповіді помилок для MCP-інструментів

• Патерн isError прапора для комунікації збоїв інструментів агенту
• Різниця між transient, validation, business та permission errors
• Навичка: повернення errorCategory, isRetryable boolean та людиночитного опису

Task 2.3: Розподіл інструментів та налаштування tool_choice

• Занадто велика кількість інструментів (18 замість 4-5) деградує надійність вибору
• tool_choice: «auto», «any», forced tool selection

Task 2.4: Інтеграція MCP-серверів у Claude Code та agent workflows

• Project-level (.mcp.json) для командного інструментарію vs user-level (~/.claude.json) для особистих серверів
• Environment variable expansion у .mcp.json для credential management без коміту секретів
• MCP resources для виставлення каталогів контенту — зменшення exploratory tool calls

Task 2.5: Вбудовані інструменти (Read, Write, Edit, Bash, Grep, Glob)

• Grep — пошук за вмістом файлів; Glob — пошук файлів за патерном; Edit — точкова зміна за унікальним текстом
• Якщо Edit не знаходить унікальний якір → fallback Read + Write
• Інкрементальне вивчення кодбейсу: спершу Grep для точок входу, потім Read для трасування

Домен 3: Claude Code Configuration & Workflows (20%)

Task 3.1: CLAUDE.md — ієрархія, scope, модульна організація

• Ієрархія: user-level (~/.claude/CLAUDE.md), project-level (.claude/CLAUDE.md або root), directory-level
• User-level налаштування не шеряться через version control
• @import синтаксис для референсів зовнішніх файлів; .claude/rules/ для topic-specific файлів правил
• /memory команда для перегляду завантажених memory-файлів та діагностики

Task 3.2: Custom slash commands та skills

• .claude/commands/ (project-scoped, через VCS) vs ~/.claude/commands/ (user-scoped)
• Skills у .claude/skills/ з SKILL.md frontmatter: context: fork, allowed-tools, argument-hint
• context: fork для ізольованого виконання skill без забруднення основної сесії

Task 3.3: Path-specific rules для умовного завантаження конвенцій

• .claude/rules/ файли з YAML frontmatter paths полем та glob patterns для умовної активації
• Правила завантажуються лише при редагуванні файлів, що відповідають патернам
• Перевага перед directory-level CLAUDE.md для конвенцій, що охоплюють кілька директорій (напр. тест-файли)

Task 3.4: Plan mode vs direct execution

• Plan mode: масштабні зміни, кілька валідних підходів, архітектурні рішення, multi-file модифікації
• Direct execution: прості, добре обмежені зміни (single-file bug fix із чітким stack trace)
• Explore subagent для ізоляції verbose discovery та повернення підсумків

Task 3.5: Iterative refinement для прогресивного покращення

• Конкретні input/output приклади — найефективніший спосіб передати очікувані трансформації
• Test-driven ітерація: спочатку тести, потім ітерації через шерінг падінь
• Interview pattern: Claude ставить питання, що виявляють невраховані аспекти перед реалізацією

Task 3.6: Інтеграція Claude Code у CI/CD пайплайни

• Прапорець -p (--print) для non-interactive режиму в автоматизованих пайплайнах
• --output-format json та --json-schema для машиночитного виводу
• Session context isolation: той самий інстанс, що генерував код, гірше його переглядає

Домен 4: Prompt Engineering & Structured Output (20%)

Task 4.1: Явні критерії для підвищення точності та зниження false positives

• Явні критерії замість розмитих інструкцій («флагати лише коли заявлена поведінка суперечить реальній»)
• «Будь консервативним» / «лише high-confidence» не підвищують precision — потрібні категоріальні критерії
• Тимчасове вимкнення категорій з високим FP для відновлення довіри

Task 4.2: Few-shot prompting для консистентності та якості

• Few-shot приклади — найефективніша техніка для консистентного формату виводу, коли інструкцій недостатньо
• Приклади дозволяють моделі узагальнювати судження на нові патерни, а не лише матчити заздалегідь задані

Task 4.3: Структурований вивід через tool use та JSON-схеми

• tool_use з JSON-схемами — найнадійніший підхід для schema-compliant виводу без JSON-синтаксичних помилок
• tool_choice: «auto», «any», forced tool selection — різниця та застосування
• Optional/nullable поля замість required для полів, яких може не бути в джерелі
• Enum + «other» + detail string для розширюваних категорій; «unclear» для неоднозначних

Task 4.4: Валідація, retry та feedback loops

• Retry з помилками: follow-up запит включає оригінальний документ, провалену екстракцію і конкретні помилки
• Retry неефективний, коли інформація відсутня в джерелі (на відміну від format/structural помилок)

Task 4.5: Batch processing

• Message Batches API: 50% економія, до 24 год обробки, без multi-turn tool calling
• custom_id для кореляції пар запит/відповідь; обробка збоїв по custom_id
• Відповідність API для воркфлоу: sync для блокуючих pre-merge checks, batch для нічних звітів

Task 4.6: Multi-instance та multi-pass review архітектури

• Self-review обмеження: модель зберігає reasoning-контекст генерації і менш схильна сумніватись
• Незалежний review-інстанс ефективніший за self-review інструкції або extended thinking

Домен 5: Context Management & Reliability (15%)

Task 5.1: Управління conversation context для збереження критичної інформації

• Ризики progressive summarization: числа, відсотки, дати у розмитих формулюваннях
• «Lost in the middle» ефект: моделі надійно обробляють початок і кінець, але можуть пропустити середину
• Витягнення транзакційних фактів у persistent «case facts» блок поза сумаризованою історією
• Обрізання verbose tool-виводів до релевантних полів до потрапляння в контекст

Task 5.2: Надійність, обробка помилок та людський нагляд

• Structured error propagation: тип збою, спробований запит, partial results та альтернативи
• Розрізнення access failure від валідного empty result
• Маршрутизація на human review при низькій confidence або неоднозначних джерелах
• Stratified random sampling high-confidence екстракцій для вимірювання реального error rate

Приклади питань (офіційні)

Наступні приклади ілюструють формат та рівень складності іспиту. Повний набір практичних питань — у тренажері.

Вправи підготовки

Технології та концепції

• Claude Agent SDK: AgentDefinition, agentic loops, stop_reason handling, hooks (PostToolUse), spawning субагентів через Task, allowedTools
• Model Context Protocol (MCP): MCP servers/tools/resources, isError прапор, описи інструментів, .mcp.json конфігурація, environment variable expansion
• Claude Code: CLAUDE.md ієрархія, .claude/rules/ з YAML frontmatter, .claude/commands/, .claude/skills/ з SKILL.md frontmatter (context: fork, allowed-tools, argument-hint), plan mode, /memory, /compact, --resume, fork_session, Explore subagent
• Claude Code CLI: -p / --print прапорець, --output-format json, --json-schema
• Claude API: tool_use з JSON-схемами, tool_choice («auto», «any», forced), stop_reason значення, system prompts
• Message Batches API: 50% економія, до 24 год обробки, custom_id для кореляції, polling, без multi-turn tool calling
• JSON Schema: required vs optional поля, enum типи, nullable поля, «other» + detail патерни
• Built-in tools: Read, Write, Edit, Bash, Grep, Glob — цілі та критерії вибору
• Few-shot prompting, Prompt chaining, Context window management, Session management, Confidence scoring

Що НЕ перевіряється на іспиті

• Fine-tuning або тренування кастомних моделей Claude
• Автентифікація, білінг або управління акаунтом API
• Розгортання або хостинг MCP-серверів (інфраструктура, networking)
• Внутрішня архітектура Claude або процес тренування
• Embedding моделі або деталі реалізації векторних баз даних
• Computer use (автоматизація браузера, взаємодія з десктопом)
• Vision/image analysis
• Streaming API або server-sent events
• Rate limiting, квоти або розрахунок вартості API
• OAuth, ротація API-ключів або деталі протоколів автентифікації
• Специфічні конфігурації хмарних провайдерів (AWS, GCP, Azure)
• Деталі реалізації prompt caching або алгоритми підрахунку токенів

Рекомендації підготовки

1. Побудуйте агент з Claude Agent SDK: повний agentic loop із tool calling, обробкою помилок та session management. Практикуйте spawning субагентів і передачу контексту.
2. Налаштуйте Claude Code для реального проєкту: CLAUDE.md ієрархія, path-specific rules у .claude/rules/, кастомні skills з frontmatter опціями, мінімум один MCP-сервер.
3. Спроєктуйте та протестуйте MCP-інструменти: описи, що чітко розрізняють схожі інструменти; structured error responses; тест надійності вибору на неоднозначних запитах.
4. Побудуйте pipeline витягнення даних: tool_use з JSON-схемами, validation-retry loops, optional/nullable поля, batch processing з Message Batches API.
5. Практикуйте prompt engineering: few-shot для неоднозначних сценаріїв, явні критерії для зниження false positives, multi-pass review для великих code review.
6. Вивчіть патерни управління контекстом: structured facts із verbose tool outputs, scratchpad файли, делегування субагентам для управління контекстними лімітами.
7. Розгляньте escalation та human-in-the-loop патерни: коли ескалювати (policy gaps, запити клієнтів) vs вирішувати автономно. Human review workflows із confidence-based routing.