为什么技术人需要重新审视 Claude Opus 4.5？

Claude Opus 4.5 这次升级，不只是「更机智一点」的常规迭代，而是几件事同时发生：

• 在真实世界软件工程评测（如 SWE-bench Verified）中拿到当前已公开模型的最强成绩；
• 在长时长、多步骤的 Agent / 自主工作流 / 电脑操作 任务上显著领先；
• 价格直接打到 $5 / $25 / M tokens，把「顶配模型」推到了可以日用的水平；
• 配套推出了 effort 参数、上下文压缩、Advanced Tool Use、多 Agent 协同能力 等一整套开发者工具。

如果你是工程师、架构师、数据/自动化开发，或者在搭建 Agent 产品，这一代基本等于：
重新定义“默认主力模型该长什么样”。

硬指标：Opus 4.5 在工程与通用能力上到底强到哪种程度？

1. 软件工程：SWE-bench Verified 与内部「人类候选人测试」

• 在 SWE-bench Verified（真实开源项目的自动化修 Bug 评测）上，Opus 4.5 是当前公开结果里的第一名（来源：Anthropic 官方博客与 system card）。
• Anthropic 内部有一份超级难的 performance engineering take-home 测试，用来考核应聘工程师： 在限定 2 小时内，Claude Opus 4.5 的得分高于有史以来所有人类候选人； 无时间限制时，在 Claude Code 环境里，模型可以做到与最强人类候选人持平。

官方也强调：这不代表「AI 已经全面超越工程师」，由于考试不测协作、沟通、长期经验等，但在纯技术 + 时间压力这个维度，模型已经开始压线人类上限。

2. 综合能力：数学、推理、视觉等多维 SOTA

Opus 4.5 相比之前的 Claude 系列，在以下方面也显著提升（详见官方系统卡）：

• 数学与推理：在主流基准（如 MATH、GSM、各种 reasoning 基准）中达到或逼近 SOTA；
• 视觉理解：在「长文档 + 图表 + 代码」混合场景中，跨模态理解与推理能力明显提升；
• 长上下文处理：在 200K 上下文 + 64K「thinking budget」设定下，长对话和长任务保持稳定。

官方一句话概括：之前 Sonnet 4.5 做不到的，目前 Opus 4.5 许多已经可以稳定做到。

3. τ²-bench：Agent 式「规约内创新」能力

在 τ²-bench 这种面向多轮、真实世界任务的 Agent 评测中，有一个很典型的例子：

• 场景：模型扮演航空公司客服，用户买的是不可更改的 basic economy，想改签；
• 规则：basic economy 不能改签；
• 常规模型：会按照规则拒绝用户；
• Opus 4.5 的做法： “`text 先在规则里找到「可以升舱」的条款： 先把 basic economy 升舱到 economy（是允许的） 再对新舱位的机票进行改签（同样在规则允许范围内）
• 结果： 基准判定：失败，由于 benchmark 预期答案是「拒绝改签」； 但从业务视角：这是一次完全合规、又极具创造性的解决方案。

这类能力超级接近我们希望 Agent 具备的：在规则约束内进行高阶规划和创新，而不是死板执行单条规则。

性能 + 成本：为什么说它是「又强又省钱」的工程默认模型？

1. 定价与定位：顶配模型不再「只用于 demo」

• 模型名称：claude-opus-4-5-20251101
• 定价（API，按官方文档）：$5 / $25 / 1M tokens（输入 / 输出）

多家早期客户的反馈超级一致：

「Opus 之前一直是真·SOTA，但太贵。4.5 的价格终于到了可以当默认主力模型的水平。」

这意味着，在以下场景中，许多团队可以直接把「默认模型」从中档（如 Sonnet）切换到 Opus 4.5：

• 后端服务里的自动修复 / 分析 / 代码生成；
• 内部 Agent / Copilot 类产品的主力推理引擎；
• 高价值分析（财报、运营、科研文献）与自动化报告生成。

2. Token 效率：同样任务少用 50–65% Tokens

来自多家合作伙伴的实测数据（引用自 Anthropic 官方博客）：

• Coding / Agent 工作流： 一家合作方报告：在长时长 coding 任务中，通过 Opus 4.5 可以减少 50–65% token 使用，同时提高通过率； Warp 在 Terminal Bench 上：相比 Sonnet 4.5 性能提升 15%，而 token 开销更低。
• 企业级复杂任务： 某企业评测中，Opus 4.5 在多步推理 + 调用工具 + 信息检索的任务上达到当前 SOTA，同时 token 消耗更可控。

官方自己的实验数据也超级关键（基于 SWE-bench Verified）：

• 使用 中等 effort 档位： Opus 4.5 达到 Sonnet 4.5 的最高成绩； 但仅用到 24% 的输出 tokens（即减少 76%）。
• 使用 最高 effort 档位： Opus 4.5 成绩再提升 4.3 个百分点； 输出 tokens 仍比 Sonnet 4.5 少 48%。

对工程实践的含义是：

在多数严肃任务中，你可以：
既升高质量上限，又降低总体 token 成本，而不是在「好用 vs 贵」之间选一个。

3. effort 参数：给模型加一个「思考档位」

Opus 4.5 引入的 effort 参数，从开发者视角超级关键，可以理解为：

• effort 越低： 少思考几步； 更快返回； Token 消耗更少；
• effort 越高： 允许更多搜索/推理/重试； 适合复杂、多步、高风险任务（如生产环境代码变更）。

典型用法（伪代码示例）：

POST /v1/messages
{
  "model": "claude-opus-4-5-20251101",
  "effort": "medium",          // 可选: "low" | "medium" | "high"
  "max_output_tokens": 2048,
  "messages": [
    {
      "role": "user",
      "content": "请帮我修复这个函数的 bug，并补充单元测试: ```...```"
    }
  ]
}

来自一位 SQL 场景客户的反馈（节选）：

“effort 参数太妙了。Opus 4.5 不再总是『过度思考』，在低 effort 下就能给出我们需要的质量，同时效率超级高。”

面向 Agent / 自动化的基础设施：让模型「持续干活」

Opus 4.5 的能力真正发挥出来，要结合 Anthropic 的开发者平台一起看：

1. Effort Control + Context Compaction + Advanced Tool Use

官方给出的推荐组合是三件套：

1. Effort Control：前面提到的「思考档位」控制；
2. Context Compaction： 对对话/工作流历史做智能压缩； 保留关键信息，减少无用 token； API SDK 中提供了现成支持；
3. Advanced Tool Use： 支持更复杂的工具调用编排； 一次调用中多工具协作、分步规划、结果再利用。

配合默认的：

• 64K thinking budget（内部「推理预算」）；
• 200K 上下文窗口；

可以构建长时间运行的 Agent 系统：从自动研究、自动写代码，到自动运维与监控。

2. 多 Agent 协同与深度研究场景

Anthropic 在一个深度研究评测（fetch-enabled BrowseComp-Plus）上的实验：

• 不用上下文管理 + 记忆 + 子 Agent 协同时：得分约 70.48%；
• 用上这套组合后：得分达到 85.30%，提升接近 15 个百分点。

典型架构模式大致如下：

• 一个「总控 Agent」负责： 拆解任务； 分配子任务给 code / search / analysis 子 Agent； 整合子 Agent 输出；
• 子 Agent： 一个专门写/改代码； 一个专门查资料和过滤引用； 一个专门生成最终报告或文档。

Opus 4.5 在这里扮演的是team lead + 首席工程师 + 调度器三合一的角色。

安全与对齐：更机智的同时，怎么保证「不作妖」？

1. 「最稳」对齐：Concerning Behavior 指标

Anthropic 在 Claude Opus 4.5 system card 中声称：

• Opus 4.5 是迄今为止他们最稳健对齐的模型；
• 也是他们认为当前业界对齐最好的 frontier 模型之一。

他们使用的「concerning behavior」指标覆盖：

• 配合人类恶意使用的程度；
• 模型在无指示下主动做出不良行为的倾向。

整体来看，在这套指标上，Opus 4.5 相比之前所有 Claude 系列都有下降（更安全）。

2. Prompt Injection 防御：行业最强之一

在由 Gray Swan 提供的强对抗 Prompt Injection 基准上：

• Opus 4.5 的抗注入能力高于其他前沿模型（官方给了一张对比柱状图）。

对技术团队来说，这意味着：

• 更适合用于： 带浏览器 / 网页抓取； 调第三方 API； 执行自动脚本和系统操作的 Agent；
• 被恶意网页、钓鱼文案或者对抗指令「带沟里」的概率相对更低。

不过，也要意识到 τ²-bench 的那个航空客服例子说明：

• 模型在「规约内创新」和「奖励黑客」之间有个灰色地带；
• 企业集成时仍需要： 清晰的安全边界和权限控制； 日志与审计； 对关键动作（资金、权限变更等）做人类复核。

开发者视角：如何在实际工程中用好 Claude Opus 4.5？

下面从偏技术的角度，总结几个落地提议和典型用法。

1. 首选场景：代码 + Agent + 复杂办公自动化

结合官方与合作伙伴反馈，Opus 4.5 尤其适合：

• 长周期 coding 任务： 大规模 refactor； 跨多仓库、多服务的 Bug 排查； 代码迁移（框架升级、语言迁移等）；
• Agent 式开发辅助： 类 GitHub Copilot / Cursor / Junie 这类 coding agent 的后端引擎； 需要 30 分钟以上持续思考、频繁工具调用的工作流；
• 复杂办公自动化： Excel 内的财务建模、报表自动生成： 某金融/财务场景评测里：准确率 +20%，效率 +15%； 宏观分析、行业报告草拟与多轮润色； 多文档、多表格之间的数据校对与一致性检查。

2. Claude Code：Plan Mode + 多会话并行

在 Claude Code 里，Opus 4.5 带来两个技术上很关键的升级：

1. 升级版 Plan Mode： 先通过对话把需求问清楚； 自动生成一个可编辑的 plan.md： 列出要改的文件、要做的改动、测试策略； 用户确认后，才开始执行批量修改。
2. 桌面应用中的多会话并行： 多个本地 / 远程 session 同时进行： 会话 A：修复线上报错； 会话 B：读 GitHub 仓库、总结架构； 会话 C：更新文档、生成变更说明。

这在架构上意味着：你可以把 Claude 当成一个带上下文的 IDE 内置工程师，同时负责多个子任务。

3. Claude Apps：Chrome / Excel / 长对话

在产品层面，Opus 4.5 支撑了几件有工程意义的小事：

• Claude App： 长对话不再「撞墙」：自动对早期内容做摘要压缩，延长对话寿命；
• Claude for Chrome： Agent 可以跨标签页工作； 更适合集成「网页 → 结构化数据 → 分析 → 报告」的自动 pipeline；
• Claude for Excel（对 Max / Team / Enterprise 开放测试）： 自动补公式、校验、财务建模； 根据官方数据：在内部评测中，准确度 +20%，效率 +15%。

4. 使用限额调整：真正可作为日用主模型

对 Claude / Claude Code 的 Opus 4.5 用户：

• Opus 不再有单独的使用帽子；
• 对 Max / Team Premium 用户，总体 token 限额上调；
• 实际效果：你可以把 Opus 4.5 当作「日常主力」而非偶尔「高配开箱」。