Claude Opus 4.7 做长程智能体：很有竞争力，但还不是定论

支持它的强信号

1. Anthropic 把“持续智能体工作”放在核心卖点上

Anthropic 在发布材料中称，Opus 4.7 能以严谨和一致性处理复杂、长时间运行的任务，密切遵循指令，并在回复前验证输出。 对自动或半自动智能体来说，这些正是关键能力：少跑偏、守约束、减少本可避免的错误。

不过，这仍然是厂商发布材料。它说明 Anthropic 如何定位这款模型，但不能单独证明 Opus 4.7 在中立长时间测试中全面超过所有领先替代方案。

2. 100万 token 上下文很有用，但不是充分证明

长程智能体经常需要同时保留大型代码库、文档、工具输出、历史决策和项目约束。Anthropic 和微软都称 Opus 4.7 支持100万 token 上下文窗口，这让它在大型、持续性工作流中具备现实可行性。

但上下文容量不等于上下文可靠性。更大的窗口可以让任务“装得下”，却不保证模型在多轮、多工具调用后仍能稳定检索并正确使用关键细节。

3. 合作伙伴报告的智能体表现值得关注

引用材料中最具体的量化信号来自 Anthropic 披露的 Applied AI 反馈。Applied AI 称，Opus 4.7 在其六模块内部研究智能体基准中以0.715并列总分第一；在 General Finance 模块中从 Opus 4.6 的0.767提升到0.813；并展现出其测试中最一致的长上下文表现。

其他 Anthropic 托管的合作伙伴反馈也指向类似方向。Sourcegraph 描述其在异步工作流、自动化、CI/CD（持续集成/持续交付）和长时间运行任务中表现强；Cognition 则称 Opus 4.7 在 Devin 中可以连贯工作数小时，并支持比过去更深入的调查任务。

这些反馈有价值，因为它们来自智能体产品场景。限制也同样明显：它们是合作伙伴报告或内部基准，经由 Anthropic 材料呈现，而不是由中立机构运行的广泛公开基准。

公开基准能说明什么，不能说明什么

一些公开基准信息能支持“Opus 4.7 的相邻能力很强”这一判断。Vellum 的基准解读涵盖 SWE-bench Verified、SWE-bench Pro、Terminal-Bench 2.0，以及面向规模化工具使用的 MCP-Atlas 等类别。 LLM Stats 报告称，Opus 4.7 在 SWE-bench Verified 上为87.6%，在 GPQA 上为94.2%，并支持100万 token 上下文。

这些数字有参考价值，因为编码、推理、终端操作和工具使用常常是智能体工作流的一部分。 但它们不能完全回答长程可靠性问题。一个模型在编码或推理基准上得分高，并不等于它能在数小时或数天内持续处理变化状态、反复工具调用、局部失败和错误恢复。

证据地图

团队该怎么评估

如果你的任务包括自主编码、研究智能体、企业自动化、CI/CD 排障，或多步骤文档分析，Opus 4.7 值得认真试用。

但实操上，最好把它放进自己的评测环境，而不是直接默认它胜出。对比候选模型时，应尽量统一：

• 工具与权限
• 提示词和任务描述
• 上下文材料包
• 时间限制和重试规则
• 人工介入阈值
• 评分标准
• 预算与延迟约束

长程智能体不能只看最后答案是否漂亮。更应该跟踪任务完成率、工具调用失败、指令漂移、上下文记忆错误、走错路后的恢复能力、人工接管次数、耗时，以及每个成功任务的成本。

结论

Claude Opus 4.7 看起来是长程智能体任务的强候选。100万 token 上下文、Anthropic 的明确定位、微软 Foundry 的目录描述，以及 Anthropic 展示的合作伙伴反馈，都指向一个具有前沿竞争力的智能体模型。

但公开证据还不足以支撑更强的结论。基于目前资料，Opus 4.7 是长时间运行智能体的“必须测试”选项，而不是已经在独立、多小时或多日智能体基准中被定论为冠军的模型。