近期AI热点005｜Claude Opus 5 发布：长程 Agent 更强之后，成本与验证如何控制

主要信息源：Anthropic 官方发布文章、Claude Opus 5 System Card、Claude Platform 开发者文档
关键词：Claude Opus 5、Anthropic、AI Agent、Agentic Coding、API 接入、Token 成本、模型安全

2026 年 7 月 24 日，Anthropic 发布 Claude Opus 5，并在当天开放 Claude API，模型名为 claude-opus-5。

这次更新没有把重点放在“更会聊天”上。Anthropic 对 Opus 5 的定位很明确：让模型在编程、专业知识工作和长时间运行的 Agent 任务中，更愿意检查自己的结果、发现问题后继续迭代，而不是刚得到一个看似合理的答案就结束任务。

价格也提供了一个重要线索。Opus 5 的 API 单价与 Opus 4.8 相同，输入为每百万 Token 5 美元，输出为每百万 Token 25 美元。Anthropic 称，它在部分编程与知识工作评测中接近更高端的 Claude Fable 5，但单位任务成本约为后者的一半。

这并不意味着所有请求都应该迁移到 Opus 5。对开发者来说，更实际的问题是：哪些任务值得使用更强的长程 Agent，怎样用 effort、Token 预算和验证流程把结果控制在可接受范围内？

Opus 5 的变化，主要发生在任务执行过程

大模型完成复杂任务，通常不只需要生成一段答案，而是要经历一条更长的链路：

理解目标
  ↓
搜索文件与资料
  ↓
制定计划
  ↓
调用工具并修改外部状态
  ↓
运行测试或检查结果
  ↓
发现问题后继续修正
  ↓
提交最终结果与证据

链路越长，单步的小错误越容易累积。一个模型即使代码生成能力不错，如果不会主动运行测试、检查边界条件或重新审视假设，也很难稳定完成跨文件重构、数据分析、自动化办公和科研任务。

Anthropic 在发布文章中反复强调 Opus 5 的“验证”和“迭代”能力，并列出三个代表性案例：模型从原始像素中提取几何信息并重建 FreeCAD 零件；定位开源包管理器中的真实缺陷并修复社区补丁遗漏的边界情况；在没有实时数据源可验证时，为交易所行情接入任务自行建立测试工具。

这些案例说明了产品方向，但仍然来自厂商测试和早期客户反馈。它们不能直接证明模型在任意代码库中都能自主完成同类工作。复现环境、工具权限、任务提示、允许尝试次数和验收标准，都会明显改变结果。

官方评测很亮眼，但要先看评测边界

Anthropic 公布的结果覆盖编程、知识工作、计算机操作和科学研究等方向。

评测或场景	Anthropic 公布的结论
Frontier-Bench v0.1	成绩超过其他被测模型，相比 Opus 4.8 提升超过一倍，单位任务成本更低
CursorBench 3.2	在 max effort 下，与 Fable 5 峰值成绩相差不到 0.5%，单位任务成本约为其一半
ARC-AGI 3	成绩约为第二名模型的 3 倍
Zapier AutomationBench	在相同单位任务成本下，通过率约为第二名的 1.5 倍
OSWorld 2.0	在成本—性能曲线上优于其他被测模型，并以略高于三分之一的成本超过 Fable 5 最佳结果

这些数字不适合简单汇总成一个“模型排名”。不同评测测量的是不同能力，而且 Anthropic 也在脚注中说明，Frontier-Bench 结果来自其内部运行环境，每个任务尝试 5 次；当 Opus 5 或 Fable 5 被安全分类器拦截时，评测会回退到 Opus 4.8。

这意味着评测结果包含模型、Agent 框架、尝试策略和回退机制的共同影响。企业在选型时，更有价值的指标通常不是单次最高分，而是下面四项：

1. 在自己的任务集上，一次成功率和多次尝试后的成功率分别是多少。
2. 一个成功任务平均消耗多少输入、输出 Token 和工具调用。
3. 不同运行之间的结果波动有多大。
4. 失败时能否被测试、规则或人工审查及时发现。

同价升级，不等于任务成本不变

Opus 5 的基础单价与 Opus 4.8 相同：

计费项	API 单价
输入 Token	5 美元 / 100 万 Token
输出 Token	25 美元 / 100 万 Token
Fast 模式	基础价格的 2 倍，官方称速度约为默认模式的 2.5 倍

Agent 任务的成本不能只看单价。模型如果读取更多文件、生成更长的推理与结果、反复调用工具或重新尝试，最终费用仍可能增加。

例如，不考虑缓存、工具和其他平台费用时：

场景	计算	估算费用
5 万输入 + 5000 输出	0.05 × $5 + 0.005 × $25	0.375 美元
20 万输入 + 2 万输出	0.2 × $5 + 0.02 × $25	1.50 美元
上述第二个任务使用 Fast 模式	1.50 × 2	3.00 美元

Fast 模式适合延迟直接影响业务价值的交互场景，例如实时编程协作和高价值工作流。批处理、夜间分析和用户不等待结果的后台任务，通常没有必要为速度统一支付双倍价格。

Anthropic 还提供 effort 设置，让开发者在推理投入、速度和成本之间调整。更稳妥的路由方式是按任务难度分层，而不是让所有请求固定使用最高 effort：

• 文本改写、字段提取和简单问答，优先交给成本更低的模型。
• 单文件修改、常规调试和有明确验收条件的任务，可以先用中等推理投入。
• 跨系统排障、长程代码修改、复杂研究和高价值专业任务，再使用 Opus 5 的高推理配置。
• 即使任务重要，也要设置 Token、时间、工具调用次数和重试上限。

具体 effort 可用值和请求格式可能随 Claude Platform 更新，生产代码应以调用时的官方文档为准。

最小 API 接入

先在隔离环境中安装 Anthropic Python SDK：

python -m venv .venv
.venv\Scripts\Activate.ps1
python -m pip install --upgrade anthropic
$env:ANTHROPIC_API_KEY="你的 API Key"

一个最小调用示例如下：

from anthropic import Anthropic


client = Anthropic()

message = client.messages.create(
    model="claude-opus-5",
    max_tokens=4096,
    system=(
        "你是代码审查助手。先定位根因，再提出最小修改方案。"
        "没有运行测试或获得可复核证据时，不要声称问题已经解决。"
    ),
    messages=[
        {
            "role": "user",
            "content": "分析这段任务队列代码中的重复执行问题，并列出验证步骤。",
        }
    ],
)

for block in message.content:
    if block.type == "text":
        print(block.text)

print(message.usage)

示例显式设置了 max_tokens，但这只是输出预算。实际 Agent 服务还应在应用层记录输入 Token、输出 Token、工具调用次数、完整耗时、重试次数和最终验收状态。

如果任务允许模型修改代码或调用外部系统，还要把“模型完成”与“业务完成”分开。模型说已经修复，不代表测试通过；模型说邮件已经准备好，也不等于应该直接发送。

长程 Agent 需要四道工程边界

1. 路径和工具白名单

只向 Agent 暴露当前任务需要的目录与工具。代码修改任务通常不需要访问凭据目录、生产数据库或部署密钥；资料分析任务通常也不需要 Shell 和写文件权限。

2. 可执行的验收条件

把“修好问题”改写成可以验证的结果，例如：

先定位重复消费的调用链和现有测试。
只允许修改 src/queue/ 和 tests/queue/。
不得新增依赖，不得提交 Git commit。
修改后运行指定测试，并报告命令、退出码和失败项。
如果无法复现问题，停止修改并说明缺少的证据。

这种提示不会保证模型正确，但能减少任务边界漂移，并让最终结果更容易审查。

3. 外部动作单独确认

写文件、执行测试和读取文档通常可以在隔离环境中自动完成；部署生产、发送邮件、删除数据、付款和修改权限则应保留独立确认。Agent 越擅长连续操作，越不能把所有工具权限一次性打开。

4. 用结果决定是否升级模型

可以让低成本模型先处理任务，只有在测试失败、置信度不足、上下文复杂或需要跨工具规划时再升级到 Opus 5。路由依据应来自任务结果，而不是用户输入里是否出现“复杂”“紧急”等词。

安全改进值得关注，但不能替代权限控制

Anthropic 称，Opus 5 在其自动化行为审计中的“整体不对齐行为”得分为 2.3，是近期 Claude 模型中最低的；同时，模型在生物研究和攻击性网络安全能力上仍落后于 Mythos 5。

官方也为部分网络安全请求设置了额外分类器。与 Fable 5 相比，Opus 5 的分类器预计减少约 85% 的介入，但仍会拦截二进制漏洞扫描、渗透测试和漏洞利用生成等请求。Claude.ai、Claude Code 和 Claude Cowork 中，被标记的请求默认可以回退到 Opus 4.8；API 也新增了自动回退能力。

这里需要区分两件事：模型更少欺骗、更少执行不可逆动作，是发布前评测中的行为信号；应用是否安全，则取决于模型、工具权限、数据边界、回退逻辑和人工确认的共同设计。任何单一安全分数都不能替代应用层控制。

Opus 5 更像一个“高价值任务层”

Opus 5 的核心卖点不是基础单价下降，而是在保持 Opus 4.8 单价的同时，提高长程任务成功率，并通过 effort 和 Fast 模式提供速度、推理投入与成本之间的选择。

如果官方结果能在真实项目中复现，它更适合承担跨文件重构、复杂排障、专业分析、科研辅助和端到端业务自动化，而不是统一替换所有聊天、摘要和分类请求。

后续最值得观察的也不是更多单项榜单，而是三类生产数据：一次成功任务的平均成本、不同运行之间的稳定性，以及模型在较少人工干预下能否持续遵守工具和权限边界。

参考资料

• Anthropic：Introducing Claude Opus 5，2026-07-24
  https://www.anthropic.com/news/claude-opus-5
• Anthropic：Claude Opus 5 System Card
  https://www.anthropic.com/claude-opus-5-system-card
• Claude Platform：Prompting Claude Opus 5
  https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-opus-5
• Claude Platform：Mid-conversation tool changes
  https://platform.claude.com/docs/en/build-with-claude/mid-conversation-system-messages
• Claude Platform：Automatic fallbacks
  https://platform.claude.com/docs/en/build-with-claude/refusals-and-fallback#server-side-fallback
• Frontier-Bench
  https://www.frontierbench.ai/
• Artificial Analysis：GDPval-AA
  https://artificialanalysis.ai/evaluations/gdpval-aa