Claude Opus 4.7の1Mコンテキストで、リポジトリを丸ごと読めるのか

しかし、実際には次の3点を満たす必要があります。

1. 入力全体が1M tokenに収まること。 ソースコードだけでなく、system prompt、ユーザー指示、会話履歴、検索結果、テストログ、エラーログ、ツール実行結果もコンテキストを消費します。
2. 出力用の余白を残すこと。 Opus 4.7の最大出力は128k tokensです。詳細な監査レポート、大規模なpatch、ファイル別レビュー、移行計画まで求めるなら、入力を限界まで詰め込むのは得策ではありません。
3. Opus 4.7のtokenizerで数え直すこと。 Anthropicは、Opus 4.7の新tokenizerでは同じテキストでも約1x〜1.35xのtokenを使う可能性があり、/v1/messages/count_tokensの結果もOpus 4.6とは異なると説明しています。

公式情報から確認できること

なぜ1M contextでも「全repo一発投入」とは限らないのか

コードリポジトリは、きれいな長文ドキュメントとは違います。実際に意味のある分析をさせるには、ソースコードだけでなく、README、設定ファイル、テスト、依存関係、CIの失敗ログ、stack trace、検索結果なども必要になることが多いからです。

さらに、大きなrepoにはしばしば次のようなノイズが含まれます。

• build artifacts
• generated files
• vendorディレクトリや外部依存のコピー
• 巨大なログファイル
• キャッシュ
• 重複したドキュメント
• minifiedされたファイル

これらをすべて入れると、1M tokenの枠を無駄に使い、肝心のアプリケーションコードや設計情報、出力余地を圧迫します。特にOpus 4.7では、新tokenizerにより同じ入力でも前世代よりtoken数が増える場合があるため、見積もりには注意が必要です。

「安定して処理できる」はどこまで信じてよいか

AnthropicはOpus 4.7を、complex agentic workflowsやlong-running work、larger codebasesに適したモデルとして紹介しています。 また、公式発表でも、複雑で長く続くタスクをrigor and consistencyをもって処理できると説明しています。

ただし、これらの情報から言えるのは、あくまで「Opus 4.7は長いコンテキスト、長いワークフロー、大きめのコードベースに向くよう設計・位置づけられている」ということです。任意の巨大monorepo、任意の超長文、任意のagent loopを、常に一度で安定して完了できるとまでは言えません。

セキュリティ監査、CI/CDの自動修復、大規模リファクタリング、長時間動くagentワークフローのような本番用途では、自分たちのrepo、テストスイート、実際の失敗ケースで検証するのが現実的です。

実務でrepoを読ませるなら、こう進める

1. いきなり全部貼らず、まずファイル構成を把握する

最初に、主要ディレクトリ、使用言語、エントリーポイント、テスト、設定ファイル、最近変更された箇所を一覧化します。そのうえで、分析に本当に必要なファイルを選びます。

build artifacts、generated files、vendor依存、巨大ログ、キャッシュ、重複ファイルは、原則として最初から除外した方がよいでしょう。

2. Opus 4.7用にtoken countを取り直す

Opus 4.6や他モデルのtoken数をそのまま流用しない方が安全です。Anthropicは、Opus 4.7の新tokenizerでは同じテキストでも約1x〜1.35xのtokenを使う可能性があり、/v1/messages/count_tokensの結果もOpus 4.6とは異なると説明しています。

3. 1Mの枠を使い切らない

入力がぎりぎり1M tokenに収まるとしても、それで良い分析になるとは限りません。repo分析では、モデルにリスク一覧、設計上の論点、修正案、テスト方針、patchなどを出力させることが多くなります。

Opus 4.7の最大出力は128k tokensです。 長い出力を期待するなら、入力側には余白を持たせるべきです。

4. 大規模repoでは段階的に読む

大型repoでは、最初に全体構造を把握し、次に重要ファイルを読み、参照関係を検索し、テストやエラーログを確認する、という段階的な進め方の方が安定しやすくなります。

AnthropicはOpus 4.7をcomplex agentic workflowsやlarger codebases向けに位置づけています。 その強みを生かすなら、「全部を一度に詰め込む」より、「必要な情報をツールで取りに行きながら分析する」設計の方が自然です。

5. モデルに「何を読んだか」を明記させる

repo分析を頼むときは、回答に次の項目を含めるよう指示するとよいでしょう。

• 読んだファイル
• 読んでいないファイル
• 主要な仮定
• 見落とし得るリスク
• 人間が確認すべき点
• 次に実行すべきテスト

これで正確性が保証されるわけではありません。しかし、「一部の文脈を見た」ことを「コードベース全体を完全に理解した」と誤解するリスクは下げられます。

最終判断

Claude Opus 4.7は、公式に1M token context windowと最大128k output tokensをサポートしています。 Anthropicも、長いワークフロー、agentic workflow、大きめのcodebaseに向くモデルとしてOpus 4.7を位置づけています。

したがって、小〜中規模のrepoで、不要ファイルを除外し、指示文や出力余地を含めても上限内に収まるなら、一度の分析でかなり広い範囲を扱える可能性があります。

一方で、大型monorepo、generated filesやvendor依存を多く含むrepo、長大なログやドキュメントを抱えるrepoでは、1M tokenでも足りない、または足りても効率が悪い場合があります。その場合は、token countを取り直し、ファイルを選別し、段階的なツールフローで読ませるのが堅実です。