Claude Opus 4.7: la verdad sobre leer un repo completo con 1M de contexto

Qué dicen realmente las fuentes oficiales

Por qué un repo completo suele ser más grande de lo que parece

En la práctica, un repositorio útil para análisis no se reduce al código principal. Suelen importar también:

• README, documentación y decisiones de arquitectura.
• Archivos de configuración.
• Tests y fixtures.
• Dependencias declaradas.
• Pipelines de CI/CD.
• Mensajes de error, stack traces y logs.
• Resultados de búsquedas, linters o herramientas de análisis.

Todo eso forma parte del contexto que el modelo necesita para razonar bien. En repositorios medianos puede caber. En monorepos grandes, proyectos con muchos archivos generados, carpetas vendor, dependencias copiadas, documentación masiva o logs enormes, meterlo todo de golpe puede desperdiciar contexto y desplazar lo realmente importante.

Además, el cambio de tokenizer importa: Anthropic indica que Opus 4.7 puede necesitar hasta alrededor de un 35% más de tokens para el mismo contenido, según el caso.

Cómo entender la promesa de «estabilidad»

Conviene ser optimista, pero no absoluto.

Anthropic sitúa Claude Opus 4.7 en escenarios de flujos agentic complejos, trabajo de larga duración y codebases más grandes. Su anuncio también dice que puede manejar tareas complejas y prolongadas con rigor y consistencia.

Eso permite una conclusión razonable: Opus 4.7 está diseñado y comercializado como un modelo más apto para contextos largos, tareas de varias etapas y bases de código grandes. Pero no demuestra que cualquier documento enorme, cualquier repo o cualquier bucle de agente vaya a completarse de una sola vez sin degradación.

Para usos de producción —auditorías de seguridad, arreglos automáticos en CI/CD, refactorizaciones grandes o agentes que trabajan durante mucho tiempo— lo prudente es validarlo con el repositorio real, la batería de pruebas y ejemplos de fallos propios.

Flujo práctico si quieres analizar todo un repositorio

1. Empieza por un mapa del repo, no por pegarlo entero

Genera primero una lista de directorios, lenguajes, puntos de entrada, tests, archivos de configuración y cambios recientes. Después decide qué merece entrar en el contexto.

Normalmente conviene excluir desde el principio:

• Artefactos de build.
• Archivos generados.
• Dependencias vendorizadas.
• Cachés.
• Logs gigantes.
• Duplicados o documentación irrelevante para la tarea.

2. Recalcula tokens con Opus 4.7

No uses como referencia directa el conteo de Opus 4.6 ni el de otros modelos. Anthropic señala que el nuevo tokenizer de Opus 4.7 puede usar entre 1x y 1,35x tokens para el mismo texto, y que /v1/messages/count_tokens dará resultados diferentes.

3. No llenes el millón de tokens hasta el límite

Aunque la entrada quepa, la tarea puede necesitar una respuesta larga: diagnóstico, riesgos, parches, estrategia de tests o pasos de migración. Como Opus 4.7 admite hasta 128k tokens de salida, hay que diseñar el prompt dejando margen suficiente para responder.

4. Para repos grandes, usa fases y herramientas

Anthropic posiciona Opus 4.7 como modelo para flujos agentic complejos y codebases grandes. Aun así, en proyectos grandes suele ser más fiable un proceso por etapas: primero entender la arquitectura, luego leer archivos clave, buscar referencias, revisar tests y contrastar logs de error.

Es menos vistoso que pegarlo todo, pero suele producir mejores resultados.

5. Pide al modelo que declare su cobertura

En análisis de repos, una buena salida debería indicar:

• Qué archivos leyó.
• Qué archivos no leyó.
• Qué supuestos hizo.
• Qué riesgos detectó.
• Qué partes requieren revisión humana.
• Qué pruebas deberían ejecutarse después.

Esto no garantiza que el resultado sea perfecto, pero reduce el riesgo de confundir «el modelo vio parte del contexto» con «el modelo entendió todo el codebase».

Veredicto

Claude Opus 4.7 sí admite una ventana de contexto de 1 millón de tokens y hasta 128k tokens de salida. Anthropic también lo presenta como un modelo adecuado para flujos largos, tareas agentic y codebases más grandes.

Pero la pregunta «¿puede leer un repo entero de una vez?» no se responde solo mirando el número 1M. Si el repositorio completo, las instrucciones, el contexto de trabajo y el margen de salida caben dentro del límite, una pasada única puede tener sentido. Si el repo es muy grande, contiene mucho ruido o exige una respuesta extensa, lo más fiable sigue siendo filtrar, dividir en fases y comprobar los resultados con pruebas reales.