Claude Opus 4.7 官方支援 1M token context window，並支援最多 128k output tokens；若 repo、提示、對話歷史、工具結果與輸出預留都在限制內，才有機會一次處理。[2] Anthropic 將 Opus 4.7 定位於 complex agentic workflows、long running work 與較大型 codebase；這支持它更適合大型程式碼任務，但不等於任何 monorepo 都能無條件一次完成。[6][8] 實測前應使用 Opus 4.7 的 token counting 重新估算；Anthropic 指出新 tokenizer 可能讓同一文本使用約 1x 至 1.35x tokens，舊模型估算未必準。[2] Claude Opus 4.7 1M context：能一次讀完整個 repo 嗎？ 示意圖：1M context 讓 Claude Opus 4.7 更適合大型 codebase 分析，但仍要先計算 token 與任務範圍。 AI 提示詞 Create a landscape editorial hero image for this Studio Global article: Claude Opus 4.7 1M context：能一次讀完整個 repo 嗎？. Article summary: Claude Opus 4.7 官方支援 1M token context window 和最多 128k output tokens；但「一次讀完整個 repo」只在 repo、提示、對話歷史與工具結果都放得入上下文，並為長輸出留足空間時才成立。[2]. Topic tags: ai, anthropic, claude, coding, agents. Reference image context from search candidates: Reference image 1: visual subject "# Claude's 1M Token Context Window: When It's Worth It and How to Use It Right. Claude Opus 4.7, Opus 4.6, and Sonnet 4.6 now all support 1M context in GA — no beta flag needed. Bu" source context "Claude's 1M Token Context Window: When It's Worth It and How to Use It Right | Claude API" Reference image 2: visual subject "# Claude's 1M Token Context Window: When It's Worth It and How to Use It Right. Claude Opus 4.7, Opus 4.6, and Sonnet 4.6 now all support 1M context in GA — no beta flag needed. Bu
openai.com 答案可以先說清楚：Claude Opus 4.7 的 1M context window 是官方能力，但「1M」不是萬能通行證。
如果整個 repo，加上任務說明、system prompt、對話上下文、工具輸出、錯誤 log、測試結果，以及最後要輸出的報告或 patch 預留空間，全部都還在限制內，那麼一次分析有機會可行。反過來說，如果是大型 monorepo、包含大量 generated files、vendor 依賴、文件、快取或 logs，通常仍然需要篩選、分批讀取，或搭配工具式工作流程。
重點先看：1M context 是上限，不是工作流程
Claude Opus 4.7 官方文件列出 1M token context window，並支援最多 128k output tokens。
大家也會問 「Claude Opus 4.7 的 1M context 能一次讀完整個 repo 嗎？」的簡短答案是什麼？ Claude Opus 4.7 官方支援 1M token context window，並支援最多 128k output tokens；若 repo、提示、對話歷史、工具結果與輸出預留都在限制內，才有機會一次處理。[2]
最值得優先驗證的重點是什麼？ Claude Opus 4.7 官方支援 1M token context window，並支援最多 128k output tokens；若 repo、提示、對話歷史、工具結果與輸出預留都在限制內，才有機會一次處理。[2] Anthropic 將 Opus 4.7 定位於 complex agentic workflows、long running work 與較大型 codebase；這支持它更適合大型程式碼任務，但不等於任何 monorepo 都能無條件一次完成。[6][8]
接下來在實務上該怎麼做？ 實測前應使用 Opus 4.7 的 token counting 重新估算；Anthropic 指出新 tokenizer 可能讓同一文本使用約 1x 至 1.35x tokens，舊模型估算未必準。[2]
Claude Opus 4.7 官方支援 1M token context window，並支援最多 128k output tokens；若 repo、提示、對話歷史、工具結果與輸出預留都在限制內，才有機會一次處理。[2] Anthropic 將 Opus 4.7 定位於 complex agentic workflows、long running work 與較大型 codebase；這支持它更適合大型程式碼任務，但不等於任何 monorepo 都能無條件一次完成。[6][8] 實測前應使用 Opus 4.7 的 token counting 重新估算；Anthropic 指出新 tokenizer 可能讓同一文本使用約 1x 至 1.35x tokens，舊模型估算未必準。[2] Claude Opus 4.7 1M context：能一次讀完整個 repo 嗎？ 示意圖：1M context 讓 Claude Opus 4.7 更適合大型 codebase 分析，但仍要先計算 token 與任務範圍。 AI 提示詞 Create a landscape editorial hero image for this Studio Global article: Claude Opus 4.7 1M context：能一次讀完整個 repo 嗎？. Article summary: Claude Opus 4.7 官方支援 1M token context window 和最多 128k output tokens；但「一次讀完整個 repo」只在 repo、提示、對話歷史與工具結果都放得入上下文，並為長輸出留足空間時才成立。[2]. Topic tags: ai, anthropic, claude, coding, agents. Reference image context from search candidates: Reference image 1: visual subject "# Claude's 1M Token Context Window: When It's Worth It and How to Use It Right. Claude Opus 4.7, Opus 4.6, and Sonnet 4.6 now all support 1M context in GA — no beta flag needed. Bu" source context "Claude's 1M Token Context Window: When It's Worth It and How to Use It Right | Claude API" Reference image 2: visual subject "# Claude's 1M Token Context Window: When It's Worth It and How to Use It Right. Claude Opus 4.7, Opus 4.6, and Sonnet 4.6 now all support 1M context in GA — no beta flag needed. Bu
openai.com 答案可以先說清楚：Claude Opus 4.7 的 1M context window 是官方能力，但「1M」不是萬能通行證。
如果整個 repo，加上任務說明、system prompt、對話上下文、工具輸出、錯誤 log、測試結果，以及最後要輸出的報告或 patch 預留空間，全部都還在限制內，那麼一次分析有機會可行。反過來說，如果是大型 monorepo、包含大量 generated files、vendor 依賴、文件、快取或 logs，通常仍然需要篩選、分批讀取，或搭配工具式工作流程。
重點先看：1M context 是上限，不是工作流程
Claude Opus 4.7 官方文件列出 1M token context window，並支援最多 128k output tokens。
大家也會問 「Claude Opus 4.7 的 1M context 能一次讀完整個 repo 嗎？」的簡短答案是什麼？ Claude Opus 4.7 官方支援 1M token context window，並支援最多 128k output tokens；若 repo、提示、對話歷史、工具結果與輸出預留都在限制內，才有機會一次處理。[2]
最值得優先驗證的重點是什麼？ Claude Opus 4.7 官方支援 1M token context window，並支援最多 128k output tokens；若 repo、提示、對話歷史、工具結果與輸出預留都在限制內，才有機會一次處理。[2] Anthropic 將 Opus 4.7 定位於 complex agentic workflows、long running work 與較大型 codebase；這支持它更適合大型程式碼任務，但不等於任何 monorepo 都能無條件一次完成。[6][8]
接下來在實務上該怎麼做？ 實測前應使用 Opus 4.7 的 token counting 重新估算；Anthropic 指出新 tokenizer 可能讓同一文本使用約 1x 至 1.35x tokens，舊模型估算未必準。[2]
但「能否一次讀完整個 repo」不是只看 1M 這個數字，而要同時看三件事：
所有輸入都要放得進 context。 不能只算 source files；提示詞、對話歷史、工具結果、錯誤訊息、測試輸出與補充資料都會佔用上下文空間。要替輸出保留空間。 Opus 4.7 最多支援 128k output tokens；如果你要求完整審計報告、大型修補、逐檔分析或重構計畫，就不該把輸入塞到極限。要用 Opus 4.7 自己的 tokenizer 重新計算。 Anthropic 指出，Opus 4.7 的新 tokenizer 處理同一文本時，可能使用約 1x 至 1.35x tokens；/v1/messages/count_tokens 對 Opus 4.7 的結果也會不同於 Opus 4.6。
官方資料實際支持哪些說法？ 問題 官方資料支持 實務解讀 Context window 有多大？ Opus 4.7 支援 1M token context window。 可以容納非常大的工作集，但仍有硬上限。 最多能輸出多少？ Opus 4.7 支援最多 128k output tokens。 長報告、長 patch、批量分析都要預留輸出空間。 Token 計算方式有變嗎？ 新 tokenizer 可能讓同一文本使用約 1x 至 1.35x tokens，token counting 結果會與 Opus 4.6 不同。 不應沿用舊模型的 token count，也不要只靠字數粗估。 是否適合 repo 工作？ Anthropic 產品頁將 Opus 4.7 放在 complex agentic workflows、long-running work，並稱它可在 larger codebases 中可靠運作。 可支持「更適合大型程式碼任務」的判斷，但不是無條件保證。 長任務是否穩定？ Anthropic 新聞稿稱 Opus 4.7 可處理 complex, long-running tasks with rigor and consistency。 官方說法偏正面；生產環境仍應用自己的 repo 與測試驗證。
為什麼 1M context 不等於「整個 repo 原封不動丟進去」？ Repo 通常不是一份乾淨、線性的長文件。一次真正有用的 codebase 分析，往往還需要 README、設定檔、測試、依賴清單、CI 錯誤、stack trace、搜尋結果與工具輸出。這些內容加起來，才是模型實際要處理的上下文。
更麻煩的是，很多 repo 裡有大量不該進入 prompt 的內容，例如：
build artifacts 或編譯產物
generated files
vendor、node_modules 之類的第三方依賴巨大的 logs、cache、測試輸出
重複文件或過時文件
大型二進位或壓縮資料的文字化描述
把這些全部塞進 context，表面上像是「完整」，實際上可能只是把寶貴空間浪費在低價值內容上，還會壓縮真正重要的程式碼、任務指令與輸出空間。
在 Opus 4.7 上，這點尤其要注意，因為 Anthropic 已提醒新 tokenizer 可能讓同一批文本使用比前代更多 tokens，最高約 1.35x。
「保持穩定」應該怎麼理解？ Anthropic 的產品頁明確把 Opus 4.7 定位在 complex agentic workflows、long-running work 與 larger codebases 等場景。
這些資料支持一個較穩妥的結論：Anthropic 官方將 Opus 4.7 定位為更適合長上下文、長流程與大型 codebase 任務的模型。
但它們不足以證明「任何超長文件、任何 repo、任何 agent loop 都能一次穩定完成」。如果是安全審計、CI/CD 自動修復、大型重構，或長時間自動化 agent 流程，仍然應該用自己的 repo、測試套件與實際失敗案例驗證結果。
實務建議：想讓它掃完整個 repo，該怎麼做？
1. 先做檔案盤點，不要直接全貼 先列出 repo 的主要目錄、語言、入口點、測試、設定檔與近期改動，再決定哪些檔案真的需要進入上下文。通常應先排除 generated files、build artifacts、vendor 依賴、巨大 logs、cache 與重複文件。
2. 用 Opus 4.7 重新 count tokens 不要拿 Opus 4.6 或其他模型的 token 數直接推算。Anthropic 指出 Opus 4.7 的新 tokenizer 可能讓同一文本使用約 1x 至 1.35x tokens，/v1/messages/count_tokens 的結果也會不同。
3. 不要把 1M context 塞到滿 即使輸入剛好放得進去，也不代表任務會做得好。長 repo 分析通常需要輸出架構摘要、風險列表、修改建議、測試策略，甚至 patch。Opus 4.7 的最大 output tokens 是 128k，因此任務設計時要替輸出留空間。
4. 大型 repo 用分階段流程更可靠 Anthropic 將 Opus 4.7 定位為適合 complex agentic workflows 與 larger codebases 的模型。
5. 要求模型交代「看過什麼、沒看什麼」
已讀檔案與範圍
未讀檔案或被排除的目錄
主要假設
風險與不確定性
需要人工確認的部分
下一步測試建議
這不能保證答案完全正確，但可以避免把「模型看過一大段上下文」誤解成「模型完整理解整個 codebase」。
最終判斷 所以答案不是單純的「可以」或「不可以」。若整個 repo 連同任務上下文與輸出預留都在限制內，一次處理可以成立；若 repo 太大、雜訊太多，或任務本身需要長篇報告與大量修改，較可靠的方法仍是先篩選、再分批，並用實際測試驗證結果。
evrimagaci.org
Anthropic Launches Claude Opus 4.7 With Major Upgrades
但「能否一次讀完整個 repo」不是只看 1M 這個數字，而要同時看三件事：
所有輸入都要放得進 context。 不能只算 source files；提示詞、對話歷史、工具結果、錯誤訊息、測試輸出與補充資料都會佔用上下文空間。要替輸出保留空間。 Opus 4.7 最多支援 128k output tokens；如果你要求完整審計報告、大型修補、逐檔分析或重構計畫，就不該把輸入塞到極限。要用 Opus 4.7 自己的 tokenizer 重新計算。 Anthropic 指出，Opus 4.7 的新 tokenizer 處理同一文本時，可能使用約 1x 至 1.35x tokens；/v1/messages/count_tokens 對 Opus 4.7 的結果也會不同於 Opus 4.6。
官方資料實際支持哪些說法？ 問題 官方資料支持 實務解讀 Context window 有多大？ Opus 4.7 支援 1M token context window。 可以容納非常大的工作集，但仍有硬上限。 最多能輸出多少？ Opus 4.7 支援最多 128k output tokens。 長報告、長 patch、批量分析都要預留輸出空間。 Token 計算方式有變嗎？ 新 tokenizer 可能讓同一文本使用約 1x 至 1.35x tokens，token counting 結果會與 Opus 4.6 不同。 不應沿用舊模型的 token count，也不要只靠字數粗估。 是否適合 repo 工作？ Anthropic 產品頁將 Opus 4.7 放在 complex agentic workflows、long-running work，並稱它可在 larger codebases 中可靠運作。 可支持「更適合大型程式碼任務」的判斷，但不是無條件保證。 長任務是否穩定？ Anthropic 新聞稿稱 Opus 4.7 可處理 complex, long-running tasks with rigor and consistency。 官方說法偏正面；生產環境仍應用自己的 repo 與測試驗證。
為什麼 1M context 不等於「整個 repo 原封不動丟進去」？ Repo 通常不是一份乾淨、線性的長文件。一次真正有用的 codebase 分析，往往還需要 README、設定檔、測試、依賴清單、CI 錯誤、stack trace、搜尋結果與工具輸出。這些內容加起來，才是模型實際要處理的上下文。
更麻煩的是，很多 repo 裡有大量不該進入 prompt 的內容，例如：
build artifacts 或編譯產物
generated files
vendor、node_modules 之類的第三方依賴巨大的 logs、cache、測試輸出
重複文件或過時文件
大型二進位或壓縮資料的文字化描述
把這些全部塞進 context，表面上像是「完整」，實際上可能只是把寶貴空間浪費在低價值內容上，還會壓縮真正重要的程式碼、任務指令與輸出空間。
在 Opus 4.7 上，這點尤其要注意，因為 Anthropic 已提醒新 tokenizer 可能讓同一批文本使用比前代更多 tokens，最高約 1.35x。
「保持穩定」應該怎麼理解？ Anthropic 的產品頁明確把 Opus 4.7 定位在 complex agentic workflows、long-running work 與 larger codebases 等場景。
這些資料支持一個較穩妥的結論：Anthropic 官方將 Opus 4.7 定位為更適合長上下文、長流程與大型 codebase 任務的模型。
但它們不足以證明「任何超長文件、任何 repo、任何 agent loop 都能一次穩定完成」。如果是安全審計、CI/CD 自動修復、大型重構，或長時間自動化 agent 流程，仍然應該用自己的 repo、測試套件與實際失敗案例驗證結果。
實務建議：想讓它掃完整個 repo，該怎麼做？
1. 先做檔案盤點，不要直接全貼 先列出 repo 的主要目錄、語言、入口點、測試、設定檔與近期改動，再決定哪些檔案真的需要進入上下文。通常應先排除 generated files、build artifacts、vendor 依賴、巨大 logs、cache 與重複文件。
2. 用 Opus 4.7 重新 count tokens 不要拿 Opus 4.6 或其他模型的 token 數直接推算。Anthropic 指出 Opus 4.7 的新 tokenizer 可能讓同一文本使用約 1x 至 1.35x tokens，/v1/messages/count_tokens 的結果也會不同。
3. 不要把 1M context 塞到滿 即使輸入剛好放得進去，也不代表任務會做得好。長 repo 分析通常需要輸出架構摘要、風險列表、修改建議、測試策略，甚至 patch。Opus 4.7 的最大 output tokens 是 128k，因此任務設計時要替輸出留空間。
4. 大型 repo 用分階段流程更可靠 Anthropic 將 Opus 4.7 定位為適合 complex agentic workflows 與 larger codebases 的模型。
5. 要求模型交代「看過什麼、沒看什麼」
已讀檔案與範圍
未讀檔案或被排除的目錄
主要假設
風險與不確定性
需要人工確認的部分
下一步測試建議
這不能保證答案完全正確，但可以避免把「模型看過一大段上下文」誤解成「模型完整理解整個 codebase」。
最終判斷 所以答案不是單純的「可以」或「不可以」。若整個 repo 連同任務上下文與輸出預留都在限制內，一次處理可以成立；若 repo 太大、雜訊太多，或任務本身需要長篇報告與大量修改，較可靠的方法仍是先篩選、再分批，並用實際測試驗證結果。
evrimagaci.org
Anthropic Launches Claude Opus 4.7 With Major Upgrades
