Короткий ответ: иногда да, но не «любой репозиторий целиком и без подготовки». У Claude Opus 4.7 действительно заявлено контекстное окно в 1 млн токенов, а максимальный вывод — до 128 тыс. токенов.[2] Это заметно расширяет сценарии для длинных документов, аудита кода и анализа больших кодовых баз.
Но репозиторий — не просто папка с «важным кодом». В реальной задаче в контекст попадают системные инструкции, ваш prompt, история диалога, README, конфиги, тесты, трассировки стека, результаты поиска, логи сборки и место под итоговый ответ. Если всё это не помещается в лимит, «прочитать весь repo за один раз» не получится — даже при 1M.
Что говорит официальная информация
| Вопрос | Что подтверждено | Практический смысл |
|---|---|---|
| Насколько большое контекстное окно? | Claude Opus 4.7 поддерживает 1M token context window.[ | Можно работать с очень крупным рабочим набором, но это всё равно жёсткий предел. |
| Сколько модель может вывести? | Максимальный output — до 128k tokens.[ | Для отчёта, плана рефакторинга или большого patch нужно заранее оставить место. |
| Изменился ли подсчёт токенов? | Новый токенизатор может использовать примерно от 1x до 1,35x токенов для того же текста; /v1/messages/count_tokens даст другие числа, чем для Opus 4.6.[ | Старые оценки по символам, строкам кода или предыдущей модели могут подвести. |
| Подходит ли модель для репозиториев? | Anthropic описывает Opus 4.7 как модель для complex agentic workflows, long-running work и работы в larger codebases.[ | Это поддерживает идею, что модель лучше подходит для больших задач с кодом, но не обещает чудес. |
| Можно ли называть её стабильной на длинных задачах? | В анонсе Anthropic говорится, что Opus 4.7 справляется с complex, long-running tasks with rigor and consistency.[ | Формулировка позитивная, но производственные сценарии всё равно нужно проверять на своём коде и тестах. |
Почему 1M context не равен «берём весь repo и вставляем в prompt»
Главная ловушка — считать только исходники. В лимит контекста входит всё, что модель должна «видеть» при генерации ответа: инструкции, файлы, вывод инструментов, ошибки тестов, промежуточные результаты и сам формат будущего ответа. Если вы просите полный security audit, список рисков, diff-патч и план миграции, модель должна не только прочитать входные данные, но и иметь пространство, чтобы всё это написать.[2]
Вторая проблема — шум. В крупных проектах часто есть node_modules, vendor, сгенерированные файлы, артефакты сборки, кэши, минифицированный код, большие JSON, CSV, дампы и логи. Формально их можно попытаться «скормить» модели, но полезности от этого мало: они съедят контекст и ухудшат соотношение сигнала к шуму.
Третья проблема — токенизатор. Anthropic отдельно предупреждает, что у Opus 4.7 новый tokenizer: один и тот же текст может занимать примерно от 1x до 1,35x токенов по сравнению с предыдущими моделями.[2] Для кода это важно: нельзя уверенно сказать «у нас 700 тыс. токенов по старому счётчику, значит всё поместится».
Когда один проход по всему репозиторию реалистичен
Сценарий выглядит правдоподобно, если:
- репозиторий небольшой или средний;
- исключены зависимости, build artifacts, generated files, кэши и большие логи;
- в контекст добавлены только нужные README, конфиги, тесты и ключевые файлы;
- подсчёт сделан через механизм для Opus 4.7, а не «на глаз»;[
2]
- оставлен запас под ответ, особенно если нужны отчёт, patch или пошаговый план;[
2]
- задача сформулирована так, чтобы модель указала, какие файлы она реально учитывала.
В таком режиме 1M context — мощная возможность: модель может держать перед собой архитектурную картину проекта, связи между модулями и больше контекста, чем коротко-контекстные системы.
Когда лучше не пытаться «всё за раз»
Для большого monorepo, проекта с десятками пакетов, объёмной документацией, автогенерацией, внешними зависимостями и длинной историей логов надёжнее идти поэтапно. Anthropic позиционирует Opus 4.7 для сложных агентных workflows и larger codebases,[6] но это скорее аргумент в пользу инструментального процесса, а не против него.
Практичнее сначала дать модели карту проекта: дерево директорий, manifest-файлы, точки входа, тесты, конфиги CI/CD. Затем — попросить выбрать релевантные зоны, выполнить поиск по символам и зависимостям, прочитать ключевые файлы, проанализировать ошибки тестов и только после этого формировать вывод. Такой подход снижает риск, что модель потратит контекст на мусорные или вторичные файлы.
Как организовать анализ repo без самообмана
- Начните с инвентаризации. Сформируйте список директорий, языков, пакетов, entry points, тестов, конфигов и последних изменений.
- Сразу исключите шум. Обычно не стоит включать зависимости, артефакты сборки, автогенерированный код, кэши, большие логи и дубликаты.
- Пересчитайте токены для Opus 4.7. Оценки от Opus 4.6 или других моделей могут не совпасть из-за нового tokenizer.[
2]
- Не забивайте контекст до последнего токена. Максимальный вывод в 128k tokens звучит много, но большие отчёты и patch-и быстро его расходуют.[
2]
- Просите отчёт о покрытии. В финальном ответе полезно требовать список прочитанных файлов, пропущенных зон, допущений, рисков и проверок, которые нужно запустить человеку или CI.
Итог
Claude Opus 4.7 действительно открывает более реалистичный путь к анализу крупных репозиториев: 1M context window и до 128k output tokens — это серьёзный запас.[2] Anthropic также прямо относит модель к сценариям long-running work, complex agentic workflows и larger codebases.[
6][
8]
Но «может один раз прочитать весь repo» — это не универсальное свойство, а условие. Если весь полезный репозиторий плюс prompt, история, результаты инструментов и запас под ответ помещаются в лимит, один проход возможен. Если перед вами большой monorepo или проект с большим количеством шума, разумнее фильтровать, разбивать работу на этапы и проверять результат тестами.
