Claude Opus 5：1M 上下文对 Agent 意味着什么
Claude Opus 5 把 1M token 上下文带给了 Anthropic 最强模型。对 agent 架构、成本取舍的影响，以及什么时候 Sonnet 5 是更好的选择。
先说结论 — Claude Opus 5 是 Anthropic 最强模型，1M token 上下文窗口。擅长复杂多步推理、细微分析、长文档理解。但定价约 $15/M input + $75/M output，比 Sonnet 5 贵 5 倍。只在推理深度是瓶颈时用它——其他场景 Sonnet 5 够了。
Claude Opus 5 已经在 SandBase 上线，1,000,000 token 上下文。一百万 token——听起来像是标题。其实不是。真正的故事是：一个以 Opus 深度推理能力处理这么长上下文的模型，能做什么。
Opus 5 是什么
| 规格 | 值 |
|---|---|
| 上下文窗口 | 1,000,000 tokens |
| 提供商 | Anthropic |
| 模型等级 | Opus（最高能力档） |
| 模态 | 文本输入、图像输入、文本输出 |
| SandBase 调用名 | anthropic/claude-opus-5 |
Opus 是 Anthropic 的”想得更深”档。不比 Sonnet 快，不比 Sonnet 便宜。它存在的意义是：推理质量是约束的任务——模型多想一会儿能产出显著更好结果的场景。
什么时候 1M 上下文 + Opus 推理有意义
场景 1：全代码库分析
把一整个仓库（500-800 个文件，30-70 万 token）喂给 Opus 5，让它找架构问题、安全漏洞或提出重构方案。
128K 模型做法：切块、丢失跨文件依赖、得到碎片化分析。 Opus 5 做法：一次看完整个依赖图。能从 API handler 追踪 bug，穿过三层 middleware 到数据库查询。
单次分析费用：50 万 input × ~$15/M + 5K output × ~$75/M = $7.88。贵——但高级工程师花 4 小时做同样 review 成本是 $200+。
场景 2：多文档法律/财务分析
尽职调查 agent 审查 50 份合同（每份 2 万 token = 总计 100 万 token）。需要发现文档间的矛盾、识别非标准条款、标记只有交叉引用才能看到的风险。
切块做法：丢失跨文档引用。A 文档的竞业禁止和 B 文档的合作条款矛盾——但模型没同时看到就无法标记。
Opus 5：同时看 50 份合同。交叉引用是一等公民。
费用：100 万 input × ~$15/M + 1 万 output × ~$75/M = $15.75/次。对于一个能省 $5 万律师费的交易，这钱可以忽略。
场景 3：Agent 编排规划
自主 agent 接到复杂多步任务：“研究 X 行业 Top 20 公司、分析他们的招聘模式、识别哪些在扩展 AI 业务、产出带投资建议的报告。”
规划步骤——把任务拆解成子任务、识别数据源、预判失败、设计执行顺序——受益于 Opus 深度推理。执行步骤（实际拉数据、格式化输出）可以跑便宜模型。
模式：Opus 5 做规划（一次调用，5K tokens，$0.08）→ Sonnet 5 或 mini 做执行（多次调用，低成本）。
什么时候不该用 Opus 5
5 倍溢价只在推理深度有影响时合理。这些任务 Sonnet 5 就够：
| 任务 | 为什么 Sonnet 够 |
|---|---|
| 代码生成（单文件） | 质量差距小，Sonnet 便宜 5 倍 |
| 分类/路由 | 简单决策不需要深度推理 |
| 摘要（单文档） | 摘要质量差距边际 |
| 工具调用 | 机械任务，不是推理瓶颈 |
| 对话（大部分轮次） | 只对特别复杂的问题升级到 Opus |
| 数据抽取 | 按 schema 填字段不需要 Opus 深度 |
规则：Sonnet 5 能对 95% 的时候，那 5% 的提升很少值 5 倍价格。
Opus 5 vs 1M 上下文竞争对手
三个模型现在都有 ~1M 上下文：
| 模型 | 上下文 | 推理深度 | 速度 | 成本档 |
|---|---|---|---|---|
| Claude Opus 5 | 1M | 最高 | 最慢 | 最高 |
| Claude Sonnet 5 | 1M | 高 | 中 | 中 |
| Kimi K3 | 1M | 高（新锐） | 快 | 较低 |
| GPT-5.6 Sol | 1.05M | 高 | 中 | 待定 |
Opus 5 的差异化不是上下文窗口——别人也有。是对那些上下文施加的推理深度。Opus 处理 1M tokens 能发现快模型忽略的微妙模式。
怎么用
from openai import OpenAI
client = OpenAI(base_url="https://api.sandbase.ai/v1", api_key="sk-...")
response = client.chat.completions.create(
model="anthropic/claude-opus-5",
messages=[
{"role": "system", "content": "你是一个高级代码审查员，正在分析一整个代码库。"},
{"role": "user", "content": f"审查这个代码库的安全问题：\n\n{full_codebase}"}
],
max_tokens=8000
)同一个端点、同一个 SDK、同一把 key。只是 model 名不同。
成本管理
策略 1：Opus 规划 + 便宜模型执行
plan = call_model("anthropic/claude-opus-5", "把这个任务分解成步骤...") # 贵，一次
for step in plan.steps:
result = call_model("anthropic/claude-sonnet-5", f"执行：{step}") # 便宜，多次策略 2：复杂度路由
只有最难的 20% 任务上 Opus，中间用 Sonnet，简单的用 mini。
策略 3：Cache 长上下文
重复 Opus 调用（比如迭代代码 review）用 Anthropic 1 小时 cache，首次 $1.50，后续 $0.15（90% 节省）。
局限
- 速度慢：Opus 是 Claude 家族最慢的。50 万+ token 调用要 30-60 秒。不适合实时面向用户的响应。
- 贵：1M token 输入光 input 就是 ~$15。不适合随意使用。
- 大部分任务杀鸡用牛刀：多数 agent 轮次 Sonnet 或更便宜的就够。Opus 应该是瞄准工具，不是默认选项。
FAQ
Opus 5 是 2026 年最好的模型吗？
推理深度：可以说是。性价比：不是。速度：绝对不是。“最好”取决于你的约束。预算约束选 Sonnet 5，延迟约束选 Sonnet 5 或 GPT-4o，推理质量约束选 Opus 5。
能把 1M token 的文档喂给 Opus 5 吗？
能。上下文窗口就是 1,000,000 tokens。但想想：1M input × ~$15/M = 每次 $15。确保任务值这个价。大部分文档可以先提取相关段落，发 5-10 万 token 的精准 prompt。
我的 agent 应该默认用 Opus 5 吗？
不。默认 Sonnet 5 或更便宜的，只在任务明确受益于更深推理时升级到 Opus。好的启发式：任务有多种正确方案且需要模型评估取舍时考虑 Opus；任务有明确唯一正确答案时 Sonnet 够了。
LLM 定价全景看 LLM 定价指南。成本优化通用策略看 按次 vs 按 Token。
要点
- Opus 5 = 最深推理 + 1M 上下文，不是最快或最便宜
- 适合：多文档分析、复杂规划、代码库级 review、细微差别重要的问题
- 不适合：分类、抽取、简单生成、大部分 agent 轮次
- 成本模式：Opus 规划（1 次）→ Sonnet/mini 执行（多次）
- Cache 长上下文——重复调用 90% 节省
- 1M 上下文不独特（Sonnet 5 和 Kimi K3 也有）；Opus 的独特价值是推理深度
