Claude Opus 4.7：努力档位与迁移提示模板

一句话结论

Opus 4.7 先用 xhigh 跑代码和 Agent 长任务、用 high 做大多数高质量工作，并把目标、验收标准和验证步骤写清楚；从 4.6 迁移时不要依赖模型“自行补全”遗漏要求。

适用场景

• 适合的任务：多步编码、代码审查、重复工具调用、长时间 Agent 运行、需要自检的复杂任务。

• 不适合的任务：简单分类、短问答、高吞吐低延迟任务；这些任务应先评估 low/medium。

• 适用的模型版本：claude-opus-4-7。

• 适用的客户端、Agent 或 API：Claude API、Claude Code，以及支持 effort 的 Anthropic 平台。

• 推荐的推理档位和参数：代码/Agent 从 xhigh 开始；一般高智力任务至少 high；成本敏感用 medium；max 只在自己的 eval 证明有增益时使用。xhigh/max 建议给足 max_tokens，官方文档建议可从 64K 起调。

可直接使用的内容

以下是依据 Anthropic 官方 effort 和迁移说明组合的可复用模板（不是 Anthropic 逐字发布的完整 system prompt）。把尖括号字段替换为真实任务：

你是负责交付的实现 Agent。

目标：<用一句话说明最终可验收结果>
上下文：<仓库、输入文件、现有实现、相关约束>
硬约束：<不能改动的接口、文件、依赖、权限或时间限制>
验收标准：
1. <可观察的功能结果>
2. <必须通过的测试或检查>
3. <输出/文件格式要求>

请先检查现状并选择最小可行方案，然后执行任务。完成前逐项运行验收标准；
如果遇到工具失败、缺失数据或不确定假设，请明确指出并修复或请求补充，
不要用看似合理的占位结果替代验证。最后报告：改动、验证命令、结果、未解决风险。

This task involves multistep reasoning. Think carefully before responding.

如果使用 API，按请求设置 output_config.effort（例如 "xhigh"）；如果同一长会话依赖 prompt cache，官方建议不要在缓存前缀中途改变 effort。

测试/工作流步骤

1. 用同一组代表性任务分别跑 high 与 xhigh，记录成功率、工具调用数、token、延迟和人工返工量。

2. 将 4.6 时代的 prompt 原样跑一遍，标注“旧模型遗漏而新模型严格执行”的行为差异。

3. 按模板补全目标、硬约束、验收和失败处理，再重复相同任务。

4. 对代码 Agent 保留工作树快照、测试日志和最终 diff；不要只根据模型自述判断完成。

5. 若 xhigh 的质量增益不足以覆盖成本，逐步降到 high/medium，不要以 max 作为默认兜底。

原始证据与数据

• Anthropic effort 文档：Opus 4.7 API 默认 high；代码与 Agent 推荐从 xhigh 开始，high 是大多数 intelligence-sensitive 工作的最低起点；medium 用于节省成本；max 留给真正的 frontier 问题。

• 官方发布页：Opus 4.7 的 xhigh 位于 high 和 max 之间；Claude Code 默认提高到 xhigh；公开 beta 的 task budgets 可引导长任务 token 使用。

• 官方文档还说，Opus 4.7 比 4.6 更严格地遵守 effort，尤其是 low/medium；若低档位的复杂任务过浅，应提高 effort，而不是用提示绕开模型行为。

• 从 4.6 迁移时，官方报告新 tokenizer 可能使同样输入映射为约 1.0–1.35× token，且高档位后续 Agent turn 可能思考更多；应在真实流量上测成本。

适用边界

• 上述模板是基于官方原则的组合模板，不是 Anthropic 官方完整 prompt；需要按产品和工具 schema 改写。

• effort 控制整次响应的 token 使用，包括工具调用和 thinking（启用时），不等于可见答案长度控制；需要更短输出时另写长度要求。

• max 在多数工作负载上可能只带来较小质量增益，却显著增加成本；必须以自己的 eval 决定。

• 4.7 变得更“按字面执行”后，旧 prompt 中依赖模型自行补全的隐含约束可能失效。

来源摘录或观察（仅做合规短引）

官方 effort 建议是 “Start with xhigh for coding and agentic use cases”；发布页还提醒旧 prompt 和 harness 应重新调校，因为新模型会更严格地按指令执行。