Změny Claude Opus 4.7 pro vývojáře: podrobný přehled nového modelu

Home » PYTHON » Změny Claude Opus 4.7 pro vývojáře: podrobný přehled nového modelu

Claude Opus 4.7 je zaváděn jako nový vlajkový model společnosti Anthropic pro všeobecnou dostupnost a pro vývojáře to mnohem méně působí jako drobná vylepšení a spíše jako nová generace nástrojů. Zaměření této verze je jasné: náročnější úkoly softwarového inženýrství, delší autonomní pracovní postupy, hlubší multimodální porozumění a přísnější kontrola nad tím, kolik model „přemýšlí“ a kolik energie spotřebovává. Pokud jste předchozí verze Opusu posouvali na hranici jejich možností pomocí komplexních kódovacích agentů, práce s velkým množstvím dat nebo automatizace založené na vizuální technologii, tato aktualizace mění pravidla hry v několika praktických ohledech.

Co opravdu vyniká, je to, že Anthropic nejenže zvýšil hrubé schopnosti, ale také přepracoval klíčové chování, API a zábradlí Opus 4.7 se tedy chová spíše jako spolehlivý týmový kolega, kterého lze nechat běžet i na delší dobu. Dodržování instrukcí je přísnější, paměť je v reálných projektech lépe použitelná, multimodální podpora přechází na skutečně vysoké rozlišení a okolní platforma (Claude Code, rozpočty úloh, úrovně úsilí) byla vyladěna podle pracovních postupů reálných vývojářů. To znamená, že budete muset některé výzvy a infrastrukturu znovu projít, ale pokud se přizpůsobíte, můžete se zbavit více „těžkých a otravných věcí“ než dříve.

Čím se Claude Opus 4.7 snaží být pro vývojáře

Společnost Anthropic řadí Claude Opus 4.7 jako svůj nejschopnější obecně dostupný model, vyladěný speciálně pro dlouhodobou „agentskou“ práci a úkoly s pokročilými znalostmi. Jednoduše řečeno, je navržen tak, aby spouštěl vícekrokové softwarové a datové pracovní postupy s menším počtem zásahů, lepšími samokontrolami a konzistentnějším chováním v mnoha otáčkách.

Ve srovnání s Opus 4.6 vykazuje nový model znatelné pokroky v pokročilém softwarovém inženýrství, zejména u nejnáročnějších úkolů, které dříve vyžadovaly přísný lidský dohled. První uživatelé uvádějí, že nyní mohou s mnohem větší jistotou přenést své nejtěžší problémy s kódováním – včetně hluboce vnořených refaktorů, změn napříč více službami a složitého ladění – na Opus 4.7. Model nejen generuje kód, ale mnohem důsledněji plánuje, spouští a znovu ověřuje svou vlastní práci.

Pod kapotou si Opus 4.7 zachovává stejné kontextové okno s 1 milionem tokenů a až 128 tisíc výstupních tokenů, díky nimž byly dřívější verze Opusu atraktivní pro velké kódové základny a rozsáhlé dokumenty. Podporuje také adaptivní myšlení, známé nástroje a platformy z Opus 4.6, a je k dispozici všude, kde byste očekávali: prostřednictvím Claude API, všech produktů Claude, Amazon Bedrock, Google Cloud Vertex AI a Microsoft Foundry. Ceny zůstávají stejné: zhruba 5 dolarů za milion vstupních tokenů a 25 dolarů za milion výstupních tokenů.

Kromě limitů hrubé propustnosti a tokenů je model záměrně autonomnější ve způsobu, jakým zpracovává smyčky „podobné agentům“. V kombinaci s novými koncepty, jako jsou rozpočty úkolů a zdokonalený parametr úsilí, je Opus 4.7 určen k implementaci do systémů, kde dokáže organizovat více kroků – používání nástrojů, úpravy souborů, kontroly, shrnutí – bez neustálého přesměrování kontroly zpět na uživatele.

Vývojáři se musí přizpůsobit ostřejšímu dodržování instrukcí a změnám v chování

Jedním z největších rozdílů, které vývojáři pocítí v každodenním životě, je to, jak doslova Opus 4.7 plní instrukce ve srovnání se staršími modely Claude. Zatímco Opus 4.6 a jeho kolegové někdy přehlíželi detaily, zobecňovali z jednoho příkladu na druhý nebo tiše přeskakovali méně jasné části výzvy, Opus 4.7 se mnohem více snaží přesně dodržovat to, co jste napsali – a nic víc.

Toto přísnější dodržování pokynů má praktický důsledek: pokyny, které dříve fungovaly „dostatečně dobře“, se nyní mohou začít chovat překvapivým způsobem. Pokud se vaše staré integrační systémy spoléhaly na model k odvození kroků, které jste úplně nevyjádřili, nebo k zobecnění vzorců z jedné položky seznamu na druhou, může se nyní zobrazit výstup, který působí rigidní nebo neúplný. Anthropic z tohoto důvodu výslovně doporučuje přepracovat a znovu doladit výzvy a integrační systémy.

Délka odpovědi je také kalibrována odlišně: Opus 4.7 přizpůsobuje výřečnost vnímané složitosti úkolu, místo aby se standardně používal styl odpovědi s pevnou délkou. U jednoduchých otázek často dostanete stručnější odpovědi, zatímco náročnější vícedílné nebo agentní úlohy přirozeně produkují delší a podrobnější výstupy. Toto dynamické dimenzování znamená, že pokud má vaše aplikace přísná omezení výstupu, budete chtít být explicitnější ohledně stručnosti.

Model také ve výchozím nastavení používá méně volání nástrojů a více se spoléhá na vlastní uvažování, pokud jej záměrně nepostrčíte k využití nástrojů zvýšením úrovně úsilí. To je v mnoha případech dobrá zpráva z hlediska latence a nákladů, ale pokud váš systém očekává architekturu s velkým množstvím nástrojů (např. agresivní provádění kódu, lintery nebo simulátory), měli byste otestovat, zda je třeba podpořit větší používání nástrojů pomocí výzev a ladění úsilí.

Co se týče tónů, Opus 4.7 se odklání od extra vřelého, na uznání zaměřeného stylu Opus 4.6 směrem k přímočařejšímu, názorovějšímu hlasu s menším počtem emoji a méně okázalými gesty typu „daří se ti to skvěle“. Pro vývojářské nástroje je to obvykle výhra: získáte jasnější úsudky, přímočařejší kritiku a méně přikrášlování. U aplikací pro koncové uživatele, které se spoléhají na extra přátelské formulace, byste se měli ve svých výzvách explicitně zaměřit na tón.

Vize s vysokým rozlišením a multimodální výhody, na kterých záleží v reálných projektech

Opus 4.7 je první model Claude se skutečnou podporou obrazu ve vysokém rozlišení, která zvyšuje maximální velikost obrazu na 2576 pixelů na delší straně, tedy přibližně 3.75 megapixelů. To je více než trojnásobek předchozího limitu 1568px / 1.15MP a zásadně to mění, co můžete modelu bezpečně poskytnout při práci s hustými vizuálními artefakty.

Tento skok v rozlišení přímo odemyká lepší výkon při úlohách s vysokou vizuální náročností: agenti nyní mohou spolehlivě analyzovat snímky obrazovky s přeplněným uživatelským rozhraním, složité diagramy a skeny dokumentů, které obsahují jemné detaily. Případy užití, jako jsou počítačoví agenti, kteří čtou snímky obrazovky celé plochy, stahují strukturovaná data ze složitých grafů nebo porovnávají dokonalé rozvržení, se stávají mnohem životaschopnějšími, aniž by se vše zmenšovalo do bodu ztráty informací.

Anthropic také zjednodušil práci se souřadnicemi tak, aby vnitřní souřadnice modelu odpovídaly skutečným pixelům v obraze v poměru 1:1. To znamená, že když mapujete ohraničující rámečky, cíle kliknutí nebo překryvné anotace, nemusíte žonglovat s vlastními faktory měřítka. Je mnohem jednodušší říct „klikněte v (x, y)“ na základě výstupu modelu a věřit, že přesně odpovídá odeslanému obrázku.

Kromě čistého rozlišení vylepšuje Opus 4.7 vnímání a lokalizaci na nízkých úrovních: je lepší v ukazování, měření, počítání a podobných detailních úkonech a detekce ohraničujícího rámečku přirozeného obrazu je přesnější. Pro vývojáře, kteří vytvářejí agenty pro testování uživatelského rozhraní, vizuální QA pipeline nebo boty pro analýzu grafů, se tato drobná vylepšení promítají do menšího počtu chyb v matematických výpočtech souřadnic a detekci objektů.

Samozřejmě je tu kompromis: obrázky s vyšším rozlišením spotřebovávají více tokenů. Pokud ve skutečnosti nepotřebujete zvýšenou přesnost, Anthropic doporučuje před odesláním do modelu převzorkovat obrázky, aby se udrželo využití tokenů pod kontrolou. Pokud ale potřebujete každý pixel – například při přepisování dat grafu na úrovni pixelu nebo ověřování rozvržení snímků až po jednotlivé popisky – jsou nová omezení jasnou výhodou.

Znalostní práce, finance a profesionální pracovní postupy v oblasti dokumentů

Opus 4.7 není jen vylepšením kódování; dosahuje také lepších výsledků v testech znalostní práce, zejména v oblastech, jako jsou finance a právo, kde je přesnost a uvažování napříč dokumenty skutečně důležité. V interním hodnocení finančních agentů společnosti Anthropic dosahuje Opus 4.7 špičkového výkonu a funguje spíše jako schopný juniorský analytik než jako jednoduchý generátor textu.

V interním testování model vytvořil přesnější finanční modely a analýzy než Opus 4.6, s lépe strukturovanými popisy a jasnějšími předpoklady. Také lépe propojil několik dílčích úkolů – sběr dat, numerické modelování, tvorbu prezentací – do ucelených výstupů, které vypadají a působí profesionálně.

Opus 4.7 také dosahuje špičkových výsledků v GDPval-AA, což je benchmark nezávislého výzkumu zaměřený na ekonomicky cennou znalostní práci v oblasti financí, práva a souvisejících oblastí. To naznačuje, že se nejedná jen o vybrané interní úspěchy: model systematicky překonává svého předchůdce v komplexních problémech aplikovaného uvažování, kde jsou v sázce skutečné peníze nebo riziko.

Na straně dokumentů je Opus 4.7 výrazně lepší v pracovních postupech, které zahrnují generování a následnou vizuální kontrolu kancelářských souborů, jako jsou .docx a .pptx. Je vylepšený při vytváření sledovaných změn v souborech Wordu, úpravě rozvržení v PowerPointu a následném opětovném načítání těchto výstupů – pomocí nástrojů nebo vizuální grafiky – aby se zajistila správnost návrhu snímků a značek. Pokud vaše výzvy musely dříve zbytečně vysvětlovat „před vrácením snímku dvakrát zkontrolujte rozvržení“, možná se vám podaří část tohoto lešení odstranit.

Grafy a analýzy čísel také těží z nových silných stránek multimodálního provozu. Opus 4.7 lépe volá externí nástroje, jako jsou knihovny pro práci s obrázky v Pythonu (např. PIL), k prohlížení grafů, extrakci dat na úrovni pixelů a převodu těchto vizuálů do strukturovaných datových sad nebo vysvětlení. Tato kombinace – volání nástrojů a ostřejší vize – z něj činí mnohem použitelnějšího partnera v analytických dashboardech a reportingových kanálech.

Paměť, agenti s dlouhým horizontem a zápisníky souborového systému

Další oblastí, kde se Opus 4.7 tiše, ale podstatně zlepšuje, je paměť, zejména v nastaveních, kde agent může zapisovat a číst z perzistentního souboru s poznámkami nebo strukturovaného úložiště. Místo toho, aby se s každým požadavkem zacházelo jako s převážně novým začátkem, model lépe rozhoduje, které detaily si zaznamenat, jak je označit a kdy je znovu použít v budoucích kolech. Navíc, lepší než... tolerancia a fallos en búsqueda distribuida en flujos largos que dependen de contexto persistente.

Pokud si váš agent mezi tahy udržuje zápisník, dokument s poznámkami nebo odlehčenou databázi paměti, Opus 4.7 by měl prokázat jasné zlepšení ve své schopnosti využít tento externí kontext. Bude si konzistentněji připomínat důležitá rozhodnutí projektu, dílčí výsledky a úkoly v rámci práce s více relacemi, čímž se sníží potřeba opakovat je v každém výzvě.

Anthropic výslovně uvádí, že Claude je nyní lepší v psaní a používání paměti zálohované souborovým systémem, což je obzvláště užitečné u komplexního kódování nebo výzkumných agentů. Například pokud máte autonomního refaktorovacího bota, který sleduje otevřené problémy, architektonická rozhodnutí a čekající testy v rámci sady souborů, Opus 4.7 obvykle tyto informace uspořádá a probere promyšleněji než Opus 4.6.

Pokud si nechcete vytvářet vlastní paměťovou vrstvu, Anthropic nabízí klientský nástroj pro práci s pamětí, který pro Claude funguje jako spravovaný zápisník. To vám umožňuje experimentovat s agenty s delší životností – zahrnujícími relace, větve nebo dokonce týdny práce – bez nutnosti nejprve vytvářet plnohodnotnou vektorovou databázi nebo vlastní službu pro poznámky.

U agentních tras s dlouhým horizontem má model také tendenci poskytovat uživateli pravidelnější aktualizace průběhu. To znamená, že pokud jste dříve přidali propracované výzvy pro scaffolding jen proto, abyste vynutili pravidelné „stavové“ zprávy, můžete zkusit zjednodušit a nechat hlášení o průběhu v Opusu 4.7, zejména při vyšších úrovních úsilí v Claude Code.

Bezpečnostní, sladěná a kybernetická ochranná opatření

Pokud jde o bezpečnost a zarovnání, hodnocení Anthropic ukazují, že Opus 4.7 má v podstatě podobný rizikový profil jako Opus 4.6, s nízkou mírou chování, které by většinu vývojářů znepokojovalo: podvod, podlézavost a spolupráce se zneužitím. V několika ohledech je to vlastně o něco bezpečnější.

Model dosahuje lepších výsledků v poctivosti a odolnosti vůči škodlivým útokům typu prompt-injection, což je obzvláště důležité, pokud vytváříte agenty, kteří přijímají nedůvěryhodný obsah z webu, e-mailu nebo dokumentů generovaných uživateli. Silnější odolnost proti vkládání dat ztěžuje útočníkům zneužití instrukcí modelu nebo odhalení tajných informací pomocí chytrých triků s výzvou.

Existuje však několik oblastí, kde je Opus 4.7 o něco slabší než Opus 4.6 – například jeho tendence poskytovat příliš podrobné rady o snižování škod v souvislosti s kontrolovanými látkami. Společnost Anthropic stále dochází k závěru, že model je „z velké části dobře sladěný a důvěryhodný, i když ne zcela ideální“, a poznamenává, že experimentálnější Claude Mythos Preview zůstává jejich nejlépe sladěným modelem podle interních měřítek.

V tomto vydání také Anthropic začíná nasazovat kybernetická bezpečnostní opatření v reálném čase do běžného modelu, a to na základě výzkumu a zpráv z jejich práce na projektu Glasswing. Opus 4.7 obsahuje systémy, které detekují a automaticky blokují požadavky spojené se zakázanými nebo vysoce rizikovými tématy v oblasti kybernetické bezpečnosti, zejména tam, kde se záměr jeví jako podezřelý.

Důležité je, že Anthropic rozlišuje mezi zneužitím a legitimní prací v oblasti bezpečnosti: pokud jste bezpečnostní profesionál provádějící výzkum zranitelností, penetrační testování nebo red teaming, doporučujeme vám přihlásit se do jejich programu kybernetického ověřování. Tento program má poskytnout ověřeným odborníkům přístup k funkcím Opusu 4.7 relevantním pro kybernetickou bezpečnost, aniž by otevíral dveře širokému zneužívání, a poznatky získané zde budou vodítkem pro případná rozhodnutí o širším vydání modelů třídy Mythos.

Nové ovládací prvky pro vývojáře: úrovně úsilí, adaptivní myšlení a rozpočty úkolů

Opus 4.7 zavádí propracovanější sadu „knoflíků“, které vývojářům umožňují kompromis mezi schopnostmi, rychlostí a náklady, přičemž ústředním bodem je parametr úsilí. Úsilí určuje, kolik času model před odpovědí přemýšlí a jak agresivně používá nástroje, což přímo ovlivňuje latenci a využití tokenů.

Hlavní změnou je nová úroveň extra vysokého úsilí, xhigh, která se nachází mezi vysokou a maximální a nyní je pro Claude Code výchozí ve všech plánech. Pro kódování a agentní použití Anthropic doporučuje začít s hodnotou high nebo xhigh a hodnotu max vyhradit pouze pro nejnáročnější problémy. Vyšší úsilí znamená širší vyhledávání, hlubší uvažování a obecně lepší spolehlivost – ale také více výstupních tokenů a delší běhové doby.

Opus 4.7 zcela odstraňuje starý koncept „rozšířeného myšlení s rozpočtem“. Pokud se pokusíte nastavit myšlení: {“type”: “enabled”, “budget_tokens”: N}, zobrazí se vám chyba 400. Adaptivní myšlení je jediný podporovaný režim „myšlení zapnuto“ a interní benchmarky Anthropic ukazují, že stejně konzistentně překonává staré rozšířené rozpočty.

Adaptivní myšlení je ve výchozím nastavení vypnuto, takže požadavky bez myšlenkového pole běží bez explicitního vnitřního kanálu pro uvažování. Pokud vaše aplikace těží z bohatších myšlenkových řetězců – například komplexního plánování nebo vícekrokových kódovacích úloh – měli byste explicitně nastavit myšlení: {type: „adaptive“}, abyste ho zapnuli.

Dalším významným přírůstkem jsou rozpočty úkolů, které jsou momentálně ve veřejné beta verzi na platformě Claude. Rozpočet úkolu dává modelu hrubý cíl, kolik tokenů má použít v celé agentické smyčce: její interní myšlení, volání nástrojů, výsledky nástrojů a konečná odpověď. Model vidí probíhající odpočet a má upřednostňovat práci a elegantně ji ukončovat, jakmile se blíží k rozpočtu, místo aby běžel, dokud ho max_tokens náhle neukončí.

Rozpočty úkolů jsou doporučující, nikoli fixní a jsou koncepčně oddělené od max_tokens. Parametr max_tokens je striktní limit pro počet generovaných tokenů na požadavek a je pro model neviditelný, zatímco parametr task_budget je měkký limit v celé smyčce, který zohledňuje model. Parametr task_budget použijte, pokud chcete, aby model sám upravoval své ambice na základě určitého limitu, a parametr max_tokens ponechte jako bezpečnostní prvek, abyste zabránili nekontrolovatelným nákladům.

Budete muset experimentovat s rozpočty úloh na jednotlivá pracovní zatížení: pokud je nastavíte příliš nízko, model může brzy selhat nebo produkovat povrchní výsledky; pokud je nastavíte vysoko, zaplatíte více v tokenech. Anthropic doporučuje nepoužívat rozpočty úkolů pro otevřené agentické úkoly, kde je kvalita prvořadá; místo toho je rezervovat pro úkoly, kde skutečně potřebujete deterministické horní hranice spotřeby zdrojů.

Změny API a tokenizéru, které ovlivňují migraci z Opus 4.6

Přestože je Opus 4.7 přímou cestou upgradu z Opus 4.6, existuje několik změn na úrovni API a rozdílů v tokenizaci, které je bezpodmínečně nutné zvážit. Ignorování těchto faktorů může vést k matoucím chybám 400 nebo neočekávaným nárůstům nákladů.

Zaprvé, Opus 4.7 používá nový tokenizátor, který přispívá k jeho lepšímu výkonu napříč úlohami, ale také mění, kolik tokenů vaše vstupy a výstupy spotřebovávají. V praxi může stejný text použít zhruba 1.0–1.35× více tokenů než v Opusu 4.6 – až o 35 % více v závislosti na typu obsahu. Koncový bod /v1/messages/count_tokens proto bude pro Opus 4.7 hlásit jiná čísla než pro starší modely.

Efektivita tokenů se bude lišit v závislosti na objemu práce, ale interní benchmarky kódování společnosti Anthropic naznačují, že využití tokenů v síti se může ve skutečnosti zlepšit, pokud započítáte chytřejší uvažování a stručnější plánování. Nicméně výslovně doporučují měřit provoz na reálném produkčním provozu a aktualizovat parametry max_tokens, abyste získali další prostor, a to i pro případné automatické spouštěče kompakce, které jste případně nastavili.

Za druhé, Anthropic zpřísnila kontrolu nad parametry vzorkování: počínaje Opus 4.7 nastavení teploty, top_p nebo top_k na jakékoli jiné než výchozí hodnoty spustí chybu 400. Doporučená cesta migrace je jednoduše vynechat tyto parametry z vašich požadavků a spoléhat se na výzvy k řízení stylu a determinismu modelu. A i když jste dříve použili teplotu = 0 k pokusu o „zmrazení“ odpovědí, mějte na paměti, že skutečný determinismus nebyl nikdy zaručen.

Za třetí, v Opusu 4.7 je z odpovědí standardně vynechán obsah uvažování. V odpovědích streamovaných dat budete stále dostávat bloky myšlení, ale jejich pole pro myšlení bude prázdné, pokud se k tomu explicitně nepřihlásíte. Tato nenápadná změna mírně zlepšuje latenci a snižuje šířku pásma. Pokud vaše aplikace potřebuje čitelné shrnutí interního uvažování modelu, můžete se k tomu znovu přihlásit nastavením zobrazení na „sumarizované“ pro výstup myšlení pomocí jednořádkové konfigurační úpravy.

A konečně, některé úpravy chování, které nepředstavují trvalé přerušení API, mohou stále vyžadovat okamžité aktualizace. Patří mezi ně doslovnější následování instrukcí (zejména při nižších úrovních úsilí), méně automatických subagentů, méně volání výchozích nástrojů a změna aktualizací průběhu během dlouhých agentních tras. Anthropic poskytuje průvodce migrací a dokonce i automatizovaného pomocníka pro migraci prostřednictvím dovednosti Claude API pro kódové základny, které používají Claude Code nebo Agent SDK.

Claude Code s Opus 4.7: praktické vylepšení vašeho vývojářského pracovního postupu

Claude Code, kódovací prostředí Anthropicu, bylo silně vyladěno kolem Opusu 4.7 a Boris Cherny – jeden z jeho tvůrců – se podělil o praktické rady z týdnů používání na reálných projektech. Stručně řečeno: pokud jste ochotni upravit způsob, jakým s ním pracujete, můžete dosáhnout hmatatelného zvýšení produktivity u seriózních inženýrských úkolů.

Zaprvé, nový automatický režim z velké části odstraňuje neustálá vyskakovací okna s oprávněními, která dříve přerušovala dlouhodobě běžící úlohy. Místo toho, aby vás Claude žádal o potvrzení každé úpravy souboru nebo příkazu, směruje tyto kontroly oprávnění přes klasifikátor, který automaticky schvaluje bezpečné akce. Můžete nechat Opus 4.7 procházet refaktoringem, spouštět testy nebo čistit soubory, zatímco se vy soustředíte na něco jiného, ​​a pak se vrátit a podívat se, čeho dosáhl.

Automatický režim je aktuálně k dispozici pro uživatele verzí Max, Teams a Enterprise a lze jej rychle přepínat pomocí kláves Shift+Tab v příkazovém řádku nebo prostřednictvím rozbalovací nabídky v desktopové aplikaci a rozšíření VS Code. Jednou podceňovanou výhodou je možnost spouštět více agentů paralelně, z nichž každý vykonává svou vlastní hloubkovou práci, a poté mezi nimi přepínat podle postupu – bez nutnosti hlídat každý schvalovací dialog.

Pokud se vám nelíbí plně automatický přístup, Claude Code nabízí dovednost /fewer-permission-prompts, která analyzuje historii vaší relace a vyhledává opakující se, bezpečné příkazy, které stále spouštějí žádosti o oprávnění. Po analýze navrhne příkazy, které můžete bezpečně přidat na bílou listinu, čímž se eliminuje mnoho málo závažných přerušení a zároveň se zachovává kontrola nad akcí s vyšším rizikem.

Shrnutí jsou dalším prvkem, který přirozeně ladí s dlouhodobým zaměřením Opus 4.7. Když se vrátíte k relaci, která již nějakou dobu běží, Claude poskytne krátké shrnutí toho, co se udělalo a co zbývá. To je obzvláště užitečné, když se odpojíte od probíhajícího refaktoringu nebo výzkumného úkolu; místo procházení stěnou protokolů nebo rozdílů získáte rychlé shrnutí „takhle se věci mají“.

Pro ty, kteří již modelu důvěřují při složitých úkolech, režim zaměření skryje mezilehlé chvění a zobrazí pouze konečné výsledky. Cherny zmiňuje, že jej používá, když nepotřebuje sledovat každý krok, který Opus udělá – chce jen hotový kód, testy nebo dokumentaci. Fokus můžete přepínat příkazem /focus přímo v CLI, což pomáhá redukovat kognitivní šum během náročných pracovních sezení.

Řízení úsilí je ústředním bodem i v Claude Code: Opus 4.7 opouští staré fixní rozpočty na uvažování a spoléhá se výhradně na adaptivní úsilí. Úsilí můžete upravit pomocí parametru /effort a všechny úrovně kromě maximální přetrvávají napříč sezeními. Chernyho osobním vzorem je vynakládat velmi vysoké úsilí po většinu času a absolutní maximum si vyhradit pro složitější problémy, kde se počítá každý kousek uvažování navíc.

Pravděpodobně nejdůležitější radou od Chernyho je vždy dát Claudovi možnost zkontrolovat si vlastní práci. Bez ohledu na použitý stack agent potřebuje mechanismus pro spouštění testů nebo end-to-end flow. U backendových projektů to může znamenat skript nebo příkaz pro spuštění serveru a spuštění integračních testů; u frontendových projektů často používá rozšíření Chromium, aby Claude mohl ovládat prohlížeč, zatímco funkce „Používání počítače“ pokrývá desktopové aplikace.

Chernyho vlastní pracovní postup zabaluje tuto filozofii do vlastní dovednosti /go, která Claudeovi umožňuje spouštět testy, zjednodušovat kód pomocí /simplify a poté otevírat pull request. Podle jeho zkušeností tento druh procesu „ověření a následné odeslání“ snadno zdvojnásobí nebo ztrojnásobí hodnotu, kterou získáte z Opusu 4.7. Dokonale to odpovídá vylepšené schopnosti modelu validovat vlastní výstupy před jejich podáním zpět.

Proč při zavádění nových nástrojů stále platí „nejdříve tvrdá práce, pak vášeň“

Je zajímavé, že způsob, jakým antropoti a power users hovoří o získávání hodnoty z Opusu 4.7, odráží širší myšlenku týkající se kariéry a mistrovství: vášeň má tendenci kompetence následovat, nikoli ji předcházet. Jensen Huang ze společnosti NVIDIA se slavně staví proti klišé „prostě následujte svou vášeň“ a tvrdí, že lidé, kteří tuto radu dávají, si obvykle již žijí pohodlně, dlouho poté, co si prošli těžkými prvními lety.

Stejný způsob myšlení se objevuje, když lidé popisují, jak pracovat s modelem, jako je Opus 4.7: vyberte si dráhu, kde se můžete stát skutečně silnými, a pak jděte do hloubky po dlouhou dobu. Místo honění se za humbukem v hlavě si vyberte oblast – backendové systémy, automatizace zabezpečení, datové inženýrství, vývojářské nástroje – kde je skutečná poptávka a kde vám tento model pomůže rozvíjet dovednosti v průběhu let, ne týdnů.

Tenhle postup na první pohled vypadá neatraktivně: měříte pokrok místo vibrací, akceptujete, že budou tření, nuda a chyby, a stále opakujete. Těžké dny nejsou důkazem, že jste si zvolili špatnou cestu; obvykle jsou důkazem, že pracujete na něčem důležitém. V kontextu Opusu 4.7 to znamená, že iterativně vylepšujete výzvy, pipeline a kontrolujete postupy, dokud neobstojí v produkčním prostředí, místo abyste model naházeli na náhodné vedlejší projekty a očekávali magii.

Jak si budujete mistrovství – jak ve svém řemesle, tak v nástrojích, jako je Opus 4.7, které ho podporují – pomalu si „zasloužíte právo upravovat“ svůj život a stack. Můžete si vybrat zajímavější problémy, lepší týmy a zdravější hranice, protože vaše dovednosti jsou nyní vzácné a spolehlivé. Zpočátku můžete obětovat rovnováhu, abyste mohli výrazně investovat do učení; později vám tato investice umožní získat zpět čas, kontrolu a flexibilitu.

Praktické ponaučení pro vývojáře, kteří zavádějí Claude Opus 4.7, je jednoduché: nejen experimentovat, ale i realizovat. Zacházejte s migrací, laděním včasných kroků, úsilím a experimenty s rozpočtem úkolů jako s roky praxe, které stojí za jakoukoli seriózní dovedností. Postupem času tak skončíte s pracovními postupy a agenty, které skutečně změní způsob, jakým vytváříte software, a ne s dalším nástrojem, se kterým jste si „hráli víkend“.

Claude Opus 4.7 dohromady přináší ostřejší, doslovnější a výkonnější engine pro kódování, znalostní práci a úkoly náročné na vizuální zpracování, zabalený v lepších kontrolách pro uvažování a náklady – a obklopený ekosystémem, jako je Claude Code, který je vyladěn na skutečnou a chaotickou inženýrskou práci. Vývojáři, kteří se na tyto změny zaměří, přehodnotí své výzvy a postupy a dají modelu konkrétní způsoby, jak ověřovat jeho vlastní výstup, budou s největší pravděpodobností mít pocit, že si najali neúnavného spolupracovníka posedlého detaily, místo aby jen upgradovali na o něco chytřejší automatické doplňování.