Claude Opus 4.6 面向开发者：Agent Teams、1M Context 与真正重要的

Source: Dev.to

TL;DR – 新增功能

1. 代理团队（研究预览）

为什么重要 – 这是 Claude Code 用户的核心功能。

如何启用

通过 settings.json

{
  "experimental": {
    "agentTeams": true
  }
}

或通过环境变量

export CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=true

最佳使用场景

• 跨层次代码审查 – 安全代理 + API 代理 + 前端代理
• 调试竞争假设 – 每个代理并行测试不同的理论
• 跨多个服务的新功能 – 每个代理负责其所属领域
• 大规模重构 – 在模块之间分而治之

实际工作原理

1. 一个会话充当 团队负责人。
2. 负责人 将任务拆分为子任务 并 生成队友会话（每个都有自己的上下文窗口）。
3. 队友独立工作，并将结果回报给负责人。
4. 负责人 综合这些发现。

你可以使用 Shift+↑/↓ 或通过 tmux 跳转到任意子代理。

小技巧：代理团队在阅读密集的任务上表现出色。对于写入密集、可能在同一文件上产生冲突的任务，单代理方式仍然更可靠。

2. 实际可用的 1 M Token 上下文窗口

其他模型以前也有过大上下文窗口。这里的区别在于 检索质量。

Anthropic 的 MRCR v2 基准（衡量模型在海量上下文中查找并推理特定信息的能力）显示：

Opus 4.6 : 76.0% ████████████████████████████████████████
Sonnet 4.5: 18.5% ███

这不仅仅是“更多 token”。它是模型记住上下文与忘记上下文之间的差别。

这如何改变你的日常工作流程

实际示例

# 将整个服务加载到 Claude Code
cat src/**/*.ts | wc -l
# → 28 000 行 – 完全可以放入 1 M token 窗口

# 要求 Claude 在完整代码库中追踪 bug
> "The /api/tasks endpoint sometimes returns stale data.
>  Trace the data flow from the queue processor through
>  the cache layer to the API response handler."

定价说明： 标准定价（每百万输入/输出 token $5 / $25）适用于 200 K token 以内。超过该量后，将使用高级定价 $10 / $37.50。对大多数开发工作流而言，你仍会保持在 200 K token 以下。

3. 自适应思考与努力级别

Claude Opus 4.6 引入了四个努力级别（低 → 最大）。模型会自动选择能够满足请求的最便宜级别，但在需要更深入推理或更彻底的代码生成时，你可以强制使用更高的级别。

如何控制努力

在 settings.json 中

{
  "defaultEffort": "medium",   // low | medium | high | max
  "allowEffortOverride": true   // let the UI expose a selector
}

在提示中内联

@effort=high
Please generate a complete CRUD module for the `Task` entity, including validation, service layer, and unit tests.

何时使用每个级别

结论

• Agent Teams 让您并行处理读取密集型工作，并保持每个子任务的上下文整洁。
• 1 M‑token 上下文 意味着您可以将整个仓库交给 Claude，让它进行整体推理。
• 自适应努力级别 为您提供细粒度的成本控制，在需要时不牺牲深度。

如果您已经在使用 Claude Code，请启用实验性标志，开始向模型提供更大块的代码库，让模型自行决定使用多少“思考”能力。您的日常开发工作流将变得更快、更省钱，且不再缺乏上下文。

新 API 参数：thinking.budget_tokens（结合努力等级）

// 快速重命名 – 不要想太多
const response = await anthropic.messages.create({
  model: "claude-opus-4-6",
  thinking: { type: "enabled", effort: "low" },
  messages: [{ role: "user", content: "Rename userId to accountId across this module" }]
});

// 复杂的架构决策 – 深入思考
const response = await anthropic.messages.create({
  model: "claude-opus-4-6",
  thinking: { type: "enabled", effort: "max" },
  messages: [{ role: "user", content: "Design the migration strategy for moving from REST to GraphQL" }]
});

努力等级

自适应模式

当 thinking.type 设置为 adaptive 时，模型会自动选择合适的努力等级：

• 简单问题 → 快速、低成本的答案。
• 复杂推理 → 完整处理的响应。

为什么这对成本很重要

在生产环境中运行 AI 驱动的工具时，并不需要每个请求都使用最高智能。通过利用自适应思考，你可以：

• 将琐碎查询路由到更快、更便宜的模型。
• 为高需求任务保留最强大的模型（例如 Opus）。

我们在 Glinr 中采用了这种模式，动态地将简单查询路由到轻量模型，将复杂工作委派给 Opus。自适应思考将这种路由逻辑直接嵌入模型，降低了延迟和成本。

4. Context Compaction (Beta)

const response = await anthropic.messages.create({
  model: "claude-opus-4-6",
  context_compaction: { enabled: true },
  // ... long conversation history
});

为什么重要

• 如果不进行压缩，2 小时的重构会超出任何上下文限制。
• 通过压缩，模型会保留 摘要 形式的早期工作，同时对最近的回合保持完整细节。
• 可以把它想象成对话历史的 git squash。

5. Benchmarks That Matter for Developers

跳过学术基准。以下才是写代码时真正重要的：

Terminal‑Bench 分数尤为重要。它衡量模型在拥有完整终端环境时的表现——运行测试、调试和迭代。65.4 % 的成功率意味着模型能够自主解决近三分之二的复杂编码任务。

6. 安全性：发现 500 + 零日漏洞

在发布前，Anthropic 的团队使用 Opus 4.6 对开源代码库进行漏洞搜寻。扫描发现了 500 + 之前未知的零日漏洞，从简单的崩溃错误到严重的内存损坏缺陷不等。在一个显著案例中，Claude 自动生成了概念验证 exploit 以验证该发现。

关键要点

• AI 能发现数百个传统测试遗漏的关键漏洞。
• 自动化的概念验证生成加快了验证和修复的速度。
• 将 AI 用于安全审计代表了我们保护软件方式的重大变革。

如果你在使用 AI 进行安全审计，这是一场颠覆性的变革。

关键要点

Opus 4.6 并非边际升级。以下组合：

• 实际有效的上下文 – 1 M token，检索准确率 76 %
• 并行代理团队 – 分而治之
• 自适应投入 – 按需付费
• 上下文压缩 – 会话可持续数小时，而非数分钟

…打造出一种质的不同的工具。它不再是“AI 自动补全”，而更像是“AI 开发团队”。

该模型现已通过 API 中的 claude-opus-4-6、Claude Code 和 claude.ai 提供。

我们正在将 Opus 4.6 的能力集成到 Glinr —— 一个智能在模型之间路由、管理多代理工作流并跟踪从工单到部署的所有内容的 AI 任务编排平台。如果你正在构建 AI 驱动的开发工具，欢迎交流。

Tags: ai, webdev, programming, productivity, Claude4.6, GLINR

---

关注并点赞以获取更多内容

• Medium –
• LinkedIn –
• Site –