Claude Code 进化论：从终端研究预览到最强 AI 编程代理

从 2025 年 2 月到 5 月全面可用版发布的 0.2.x 版本系列，逐步稳定了终端体验。当 Claude Code 正式版发布时，它已经为持续的软件工程工作做好了生产环境的准备 。

模型升级：Opus 4.x 系列驱动腾飞

Claude Code 的强大能力背后，是 Anthropic 历代旗舰模型。每一代 Opus 模型都直接提升了工具的编程、推理和可靠性。

Claude Opus 4.5（2025 年 11 月）

于 2025 年 11 月发布的 Claude Opus 4.5，被定位为世界上用于编程、智能体和计算机操作的最佳模型 。它确立了后续成为平台基础的 Opus 4.x 架构。

Claude Opus 4.6（2026 年 2 月 5 日）

Opus 4.6 在规划、长时间运行的智能体任务可靠性以及大型代码库操作方面带来了显著改进。最值得注意的是，它在测试版中引入了 100 万个 token 的上下文窗口——这是 Opus 系列模型中首个能够处理如此规模上下文的版本 。

Claude Opus 4.7（2026 年 4 月）

从 Opus 4.6 到 Opus 4.7 的飞跃，对编程基准测试来说是颠覆性的。仅凭这一次模型发布，Anthropic 就将 SWE-bench Verified （自适应模式）上的得分从 80.8% 提升到了 87.6% 。它还将 SWE-bench Pro 的成绩从 53.4% 提升到 64.3%——领先最接近的竞争对手超过 10 个百分点 。

Opus 4.7 引入了自适应思考，能动态地为每项任务分配计算资源，并将 100 万 token 上下文窗口稳定在了生产环境质量，适用于 Anthropic API、Amazon Bedrock 和 Google Cloud 的 Vertex AI 平台 。

Claude Opus 4.8（2026 年 5 月 28 日）

最新的模型升级侧重于优化而非变革。Opus 4.8 直接构建在 Opus 4.7 之上，将 SWE-bench Pro 的得分从 64.3% 提升至 69.2%，同时大幅降低了未被检测出的代码缺陷率。Anthropic 报告称，该模型对自身代码中的缺陷视而不见的可能性降低了四倍，并且测试者观察到它更愿意标记不确定性，避免做出无根据的断言 。

至关重要的是，Opus 4.8 保持了与 Opus 4.7 的 API 兼容性，且价格不变。它还带来了一个比前代模型便宜三分之二、速度快 2.5 倍的快速模式，直接改善了开发者在 Claude Code 中的使用体验 。

Code with Claude 2026：“做梦”、托管智能体与平台转型

Anthropic 于 2026 年 5 月 6 日在旧金山举行了其首届年度开发者大会“Code with Claude”，并在伦敦和东京设有分会场 。该会议并没有展示新模型，而是将重点完全放在了平台能力上——最引人注目的是针对 Claude 托管智能体的新功能。

四项全新托管智能体能力

Anthropic 为其托管的、有状态的智能体运行时（该运行时仅在约一个月前，即 2026 年 4 月初开始公测）发布了四项新功能 。

“做梦”（Dreaming）（研究预览版） 是这批功能中最具概念野心的一个。当智能体空闲时，一个按计划的背景进程会回顾多达 100 个过往对话，提取出重复的模式、工作流和错误，然后重写智能体的记忆存储以实现更高信号。原始会话数据保持不变——智能体只会在明确采纳时才更新这些记忆，并且开发者可以选择在记忆变更前进行人工审核 。

这种机制有效地让智能体能够在无需直接重新训练的情况下随着时间推移自我改进。该功能目前处于研究预览阶段，需要申请访问权限 。

成果评分（Outcomes）（公测版） 引入了结构化的成功标准。一个独立的评估器会在隔离的上下文窗口中运行，根据开发者定义的评分准则对智能体的输出进行打分。如果分数低于阈值，智能体将自动重试 。

多智能体编排（Multi-Agent Orchestration）（公测版） 允许一个主导智能体分解复杂任务，并将工作分派给一个专家子智能体舰队——每个子智能体都有自己的模型、提示词和工具——在共享文件系统上并行运行 。

Webhooks（公测版） 使智能体能够在任务完成时向外部系统发送通知，将智能体工作流从对话驱动转变为事件驱动 。

其他发布

除了托管智能体的功能，Code with Claude 大会还有其他几项发布：

• Claude Finance：一组 10 个预置的金融智能体，据报道，其中的“金融智能体 v1.1”在基准测试中达到了 64.4% 的性能表现 。
• Add-ins：一种新的可扩展机制，用于将外部工具集成到 Claude 的界面中 。
• SpaceX 计算合作：一项使 Claude Code 在 SpaceX 的 Colossus 超级计算机上的使用配额翻倍的协议，彰显了 Anthropic 在高规模计算可用性方面的雄心 。
• 动态工作流：Claude Code 中的一个研究预览版功能，它可生成数十到数百个并行子智能体，以验证输出结果后再进行汇报 。

Claude Code 基准评测：87.6% 的 SWE-bench 得分及更多

Claude Code 最引人瞩目的基准测试数据，是其在 Claude Opus 4.7 自适应模式下取得的 87.6% 的 SWE-bench Verified 得分 。这一成绩代表了截至 2026 年 6 月，在普遍可用的 AI 编程智能体中最高的公布结果。

SWE-bench Verified 是一个精心筛选的集合，包含来自开源 Python 仓库的 500 个真实世界的 GitHub 问题，需要智能体端到端地解决。它已成为智能体软件工程领域的行业标准参照基准。Claude Code 在此排行榜上的崛起——从 Opus 4.5 的 80.9% 到 Opus 4.7 的 87.6%——一直是该产品发展的核心叙事 。

自适应运行环境（Adaptive Harness）

87.6% 这个数字并非一成不变。它取决于模型、提示词以及编排工具使用的“运行环境”。Claude Opus 4.7 的自适应模式会为每项任务动态分配计算资源，为复杂的重构任务投入更多。而没有这个自适应环境的独立 Claude Code，在同一基准上得分为 80.8% 。

在难度更高的 SWE-bench Pro 基准（测试更复杂的真实问题解决能力）上，Opus 4.7 得分 64.3%，领先于 GPT-5.4（57.7%）、GPT-5.5（58.6%）和 Gemini 3.1 Pro（54.2%）。Opus 4.8 随后又将 SWE-bench Pro 成绩推高至 69.2% 。

其他基准测试与竞争格局

Claude Code 的性能还延伸到了其他多个基准：

• Terminal-Bench 2.0：Opus 4.7 上得分 69.4% 。
• CursorBench：Opus 4.7 上得分 70%，高于 Opus 4.6 的 58% 。
• MCP-Atlas：工具使用性能得分 77.3% 。

在盲测代码质量评审中，Claude Code 在 67% 的一对一比较中胜出 。

值得注意的是，竞争格局仍然充满变数。OpenAI 的 GPT-5.5 曾在 2026 年中短暂以 88.7% 的成绩在 SWE-bench Verified 上领先，造成了一个 Claude Code 领跑 SWE-bench Pro，而 GPT-5.5 领跑 Verified 的分裂局面 。排行榜随着每次模型发布而不断演变。

项目级自主性：Anthropic 的差异化战略

Anthropic 对 Claude Code 的定位已凝聚在长周期自主性这一概念上。Claude Opus 4.8 被描述为具有“在长时间运行的任务上持续工作的连贯性和自主性”，并特别被标注为“Anthropic 在复杂推理、长周期智能体编程和高自主性工作中能力最强的模型” 。

相较于单次提示词自动补全，这种对持续、独立操作的强调，正是 Claude Code 最显著的差异化之处。“做梦”、自适应计算资源分配和多智能体编排等功能，都指向一种理念：智能体应能在跨会话的条件下运行，从自身输出中学习，并在最少的开发者干预下管理复杂的多文件项目。

Anthropic 也开始强调模型诚实度作为一种竞争优势。Opus 4.8 的发布中着重提到了该模型愿意标记不确定性、避免做出无根据断言的特点——这是一种实用、以安全为导向的框架，旨在吸引那些需要信任其智能体在生产环境中输出的开发者 。