Claude Opus 4.7 做长程智能体：很有竞争力，但还不是定论

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。