Claude Opus 4 met Claude Code: een gids met demoproject

Claude Opus 4 is tot nu toe het krachtigste en meest geavanceerde AI-model van Anthropic, en zet een nieuwe standaard voor coderen, redeneren en langdurige taken. Het leidt industriële benchmarks met een score van 72,5% op SWE-bench en 43,2% op Terminal-bench. 

Ontworpen voor langdurige prestaties, kan Claude Opus 4 zelfstandig complexe, langdurige codetaken afhandelen, de focus behouden en uitzonderlijke resultaten leveren. Het beschikt over een verbeterde "code taste" en ondersteuning voor 32K outputtokens.

In deze tutorial bekijken we de mogelijkheden van Claude Opus 4 door te testen of het complexe codebases kan maken en testen. Voor info over de nieuwste Claude-versie, bekijk onze gids voor Claude Opus 4.6.

We beginnen met het instellen van de Claude Code CLI-tool op Windows 11 met Windows Subsystem for Linux. Vervolgens vragen we Claude Opus 4 om een compleet end-to-end machinelearningproject met meerdere bestanden te bouwen. Nadat we het project hebben gebouwd, vragen we het model om de functionaliteit te testen en het naar GitHub te pushen.

Claude Code is een CLI-tool (Command Line Interface) waarmee Claude Opus 4 via de Anthropic API met de lokale codebase kan communiceren. Het fungeert als een AI-gestuurde assistent voor coderen, debuggen en het uitvoeren van taken rechtstreeks vanuit de terminal.

Afbeelding door de auteur

Claude Code instellen op Windows

Om Claude Code op Windows in te stellen, moet je Windows Subsystem for Linux (WSL) configureren, Node.js en npm installeren en je Anthropic-account koppelen.

Hieronder vind je een stapsgewijze handleiding om te beginnen.

1. WSL installeren

Begin met het inschakelen van WSL door PowerShell als administrator te openen en het commando wsl --install uit te voeren. Dit installeert standaard Ubuntu en kan een herstart vereisen. 

Na de herstart vraagt een terminalvenster je om een gebruikersnaam en wachtwoord voor je Linux-distributie in te stellen. Je kunt vervolgens toegang krijgen tot de Linux-subsystem door wsl in PowerShell te typen of de Ubuntu-app te starten.

2. Node.js en npm installeren

Open de Ubuntu-terminal en installeer Node.js en npm.

sudo apt update
sudo apt install nodejs npm

De standaardversie van Node.js die via apt wordt geïnstalleerd, kan verouderd zijn. Gebruik Node Version Manager (nvm) om de nieuwste versie te installeren:

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.bashrc
nvm install 18
nvm use 18

Controleer de bijgewerkte versies:

node --version
npm --version
v18.20.8
10.8.2

3. Een Anthropic-account instellen

Om Claude Code te gebruiken, heb je een Anthropic API-account nodig:

1. Maak een account aan op de Anthropic Console.
2. Voeg minimaal $30 aan tegoed toe aan je account met een creditcard of betaalpas. Houd er rekening mee dat Claude Opus 4 een premium model is en dat de kosten kunnen variëren afhankelijk van de complexiteit van je project.

4. Claude Code installeren

Zodra Node.js en npm zijn ingesteld, kun je Claude Code globaal installeren:

npm install -g @anthropic-ai/claude-code

Na de installatie start je Claude Code met:

claude

De tool vraagt je om de interface te configureren:

5. Claude Code configureren

Na het voor het eerst starten van Claude Code moet je het authenticeren met je Anthropic-account:

1. Kies de optie om verbinding te maken met de Anthropic Console.
2. Er wordt een browservenster geopend waarin je wordt gevraagd in te loggen op je Anthropic-account.
3. Kopieer de authenticatiecode die door de console is gegenereerd en plak deze in de Claude Code-terminal.

Na authenticatie is Claude Code klaar voor gebruik.

Voor een uitgebreidere walkthrough van de functies en praktische toepassing van Claude Code, bekijk onze Claude Code-gids met voorbeelden.

Claude Opus 4 projectwalkthrough

Laten we hands-on aan de slag gaan en vanaf nul een machinelearningproject bouwen met Claude Opus 4.

De stappen omvatten planning, het opzetten van de mapstructuur, het maken en testen van het model en tot slot de wijzigingen naar GitHub pushen. Claude Opus 4 fungeert als de primaire assistent gedurende het hele proces, automatiseert taken en geeft begeleiding.

1. Claude Code met Opus 4 instellen

Open om te beginnen de Ubuntu-terminal, maak een nieuwe projectmap en initialiseer Git voor versiebeheer.

mkdir DC_Claude_4 
cd DC_Claude_4 
git init

Start daarna Claude Code met het Claude Opus 4-model door het volgende commando uit te voeren:

claude --model claude-opus-4-20250514

Hiermee start je Claude Code in je projectmap met Claude Opus 4 als basismodel.

2. Het project plannen

De eerste stap is het maken van een projectplan. We geven Claude Opus 4 de prompt om een gedetailleerd README-bestand te genereren dat de doelstellingen en structuur van het project beschrijft.

Prompt: “Maak een README-bestand voor een machinelearningproject dat yfinance-data verwerkt, het model traint, evalueert en serveert.”

Claude zal om toestemming vragen om het bestand te maken. Je kunt elke actie handmatig goedkeuren of volledige autonomie inschakelen, zodat het bestanden kan maken en bewerken zonder verdere prompts.

Claude Opus 4 heeft een gedetailleerd README.md-bestand gegenereerd, inclusief een projectbeschrijving, doelstellingen en implementatiestappen.

3. Het machinelearningproject bouwen

Met het README-bestand als leidraad vragen we Claude om de mapstructuur, bestanden en initiële codebase te maken.

Prompt: “Maak nu mappen en bestanden en bouw het project vanaf nul. Gebruik het README-bestand als je leidraad.”

Claude Opus 4 maakt een gestructureerde to-dolijst en bouwt het project automatisch. 

Je kunt het project in je code-editor bekijken om de structuur en inhoud te verifiëren. 

Aan het einde geeft Claude een samenvatting en quickstart-instructies voor het trainen van het model en het testen van de API.

4. De model-API testen

In plaats van de code handmatig te testen, vragen we Claude Opus 4 om het testproces te verzorgen.

Prompt: “Test alsjeblieft of alles perfect draait. Probeer UV als pakketmanager te gebruiken.”

Claude probeerde het dataverwerkende script uit te voeren maar faalde. Daarna loste het het probleem op.

Uiteindelijk testte het met succes alle Python-scripts, inclusief de API-eindpunten:

Summary
I've successfully created and tested a complete machine learning stock prediction system using UV as the package
  manager. Here's what was accomplished:

  ✅ Project Structure

  - Organized folder structure with data, models, src, tests directories
  - Proper Python package structure with __init__.py files
  - Configuration management with config.yaml

  ✅ Simplified Dependencies

  - Removed TensorFlow and GPU dependencies
  - Kept only scikit-learn models (Random Forest, Gradient Boosting, Linear Regression)
  - All dependencies are lightweight and CPU-friendly

  ✅ Core Features Implemented

  1. Data Collection: yfinance integration for fetching stock data
  2. Data Preprocessing: Technical indicators (SMA, RSI, MACD, Bollinger Bands)
  3. Model Training: Multiple scikit-learn algorithms
  4. Model Evaluation: Comprehensive metrics and visualizations
  5. Predictions: Single and multi-day predictions
  6. REST API: Flask-based API for serving predictions
  7. Testing: Unit tests for core components

  ✅ UV Package Manager

  - Successfully configured with pyproject.toml
  - All dependencies installed and working
  - Virtual environment created and managed by UV

  📁 Key Files

  - requirements.txt: Simplified dependencies
  - config.yaml: Configuration file
  - run_demo.py: Demo script
  - test_all_features.py: Feature testing script
  - Complete source code in src/ directory

Het model testte het /predict-eindpunt niet, dus ik moest het vragen om dit te testen.

Prompt: “Test alsjeblieft het /predict-eindpunt.”

Als resultaat stelde het een lijst samen van tests en hun resultaten op basis van verschillende scenario’s.

Voor de zekerheid heb ik het /predict-eindpunt handmatig getest met het volgende curl-commando:

curl -X POST http://localhost:5000/predict/confidence \
    -H "Content-Type: application/json" \
    -d '{"symbol": "AAPL"}'

Uitvoer:

{"confidence_interval":{"confidence":0.9,"lower":164.20064456519913,"upper":181.48492294048327},"currency":"USD","prediction":172.8427837528412,"symbol":"AAPL"}

5. De wijzigingen naar GitHub pushen

Nu het project klaar is, committen we de wijzigingen en pushen we ze naar een publieke GitHub-repository.

Prompt: “Maak alsjeblieft een publieke GitHub-repository en push alle wijzigingen ernaartoe.”

Claude gaf een stapsgewijze handleiding om de code handmatig naar GitHub te pushen.

We willen geen handwerk doen, dus vragen we Claude om de GitHub CLI te gebruiken om nieuwe repositories te maken en de bestanden te pushen.

Prompt: “Gebruik alsjeblieft GitHub CLI om het project te pushen.”

Het project is uiteindelijk succesvol naar GitHub gepusht en is openbaar beschikbaar op: https://github.com/kingabzpro/stock-ml-predictor

​​De GitHub-repository gemaakt door Claude Code met het Opus 4-model.

6. Het project afronden

Na alle stappen kun je Claude Code afsluiten met Ctrl+C. Claude geeft een sessiesamenvatting, inclusief de totale kosten, duur en tokenverbruik.

Total cost:            $30.10
Total duration (API):  38m 41.1s
Total duration (wall): 1h 41m 45.2s
Total code changes:    3176 lines added, 198 lines removed
Token usage by model:
    claude-3-5-haiku:  79.9k input, 2.9k output, 0 cache read, 0 cache write
         claude-opus:  540 input, 76.1k output, 8.6m cache read, 606.1k cache write

Het lijkt erop dat het nieuwe Opus 4-model vrij duur is en dat de API-gebruikskosten snel kunnen oplopen. Hieronder staat een uitsplitsing van de prijzen:

Voor een beoordeling van kostenefficiëntie en benchmarkvergelijkingen, lees onze overzicht van Claude 3.7 Sonnet voor inzichten in alternatieve Claude-modellen.

Mening van de auteur

Het gebruik van Claude Code voor mijn lokale project was een leuke en leerzame ervaring. Ik heb veel geleerd over de mogelijkheden en beperkingen. 

Hier is mijn opsomming van de voor- en nadelen van het gebruik met Claude Opus 4:

Voordelen:

• Claude Opus 4 is uitstekend in het benutten van tools zoals to-dolijsten, code uitvoeren en taken efficiënt afhandelen. Het heeft de beste agentische workflow die ik ooit heb gezien.
• Het identificeert snel problemen in code en biedt nauwkeurige oplossingen, wat tijd bespaart tijdens de ontwikkeling.
• Zelfs als je geen programmeerervaring hebt, kun je met Claude Opus 4 applicaties genereren, bouwen en deployen door simpelweg je behoeften te beschrijven.

Nadelen:

• Claude Opus 4 kan een aanzienlijk aantal tokens verbruiken, zelfs voor eenvoudige verzoeken, waardoor het minder efficiënt is voor kleinere taken.
• Hoewel het krachtig is, kunnen de kosten van Claude Opus 4 een belemmering vormen. Betaalbaardere alternatieven kunnen vergelijkbare resultaten bieden. 
• Hoewel het uitstekend is in programmeren, heeft het moeite met grammaticale verbeteringen en spelfouten corrigeren, wat de bruikbaarheid voor niet-coderende taken beperkt.

Wie op zoek is naar een goedkopere instap, kan eerdere versies overwegen zoals Claude 3.5 Sonnet, dat nog steeds solide prestaties levert voor veel taken.

Conclusie

Claude Opus 4, in combinatie met de Claude Code CLI, betekent een grote sprong voorwaarts in AI-ondersteunde softwareontwikkeling. Deze tutorial liet zien hoe capabel het model is, van het bouwen, testen en deployen van een compleet machinelearningproject. Het vermogen om de focus te behouden bij langdurige taken, zich aan te passen aan verschillende scenario’s en code intelligent te debuggen, zet een nieuwe norm voor AI-agenten in software-engineering.

Maar met grote kracht komen ook aanzienlijke kosten. Hoewel Claude Opus 4 ongeëvenaarde prestaties en agentische workflows levert, maakt de prijsstelling het het meest geschikt voor projecten met hoge inzet en complexiteit, in plaats van alledaagse codetaken.

Uiteindelijk is Claude Opus 4 niet zomaar een tool—het is een ontwikkelpartner. Of je nu MVP’s bouwt, workflows automatiseert of AI-ondersteund programmeren verkent, het biedt een spannende blik op de toekomst van software-engineering. 

Wil je je skills naar een hoger niveau tillen en intelligente systemen vanaf de basis bouwen? Bekijk dan onze Developing AI Applications-track voor een gestructureerd leerpad dat je helpt impactvolle AI-tools te maken. Bekijk ook ons artikel over de nieuwe Claude 4-modellen, Sonnet 4 en Opus 4.