Perubahan Claude Opus 4.7 untuk pengembang: ulasan mendalam tentang model baru.

Beranda » Ular sanca » Perubahan Claude Opus 4.7 untuk pengembang: ulasan mendalam tentang model baru.

Claude Opus 4.7 diluncurkan sebagai model ketersediaan umum unggulan baru dari Anthropic, dan bagi para pengembang, ini terasa bukan sekadar peningkatan kecil, melainkan lebih seperti generasi baru perangkat pengembangan. Fokus dari rilis ini jelas: tugas rekayasa perangkat lunak yang lebih sulit, alur kerja otonom yang lebih panjang, pemahaman multimodal yang lebih mendalam, dan kontrol yang lebih ketat atas seberapa banyak model "berpikir" dan menghabiskan sumber daya. Jika Anda telah mendorong versi Opus sebelumnya hingga batasnya dengan agen pengkodean yang kompleks, pekerjaan berbasis pengetahuan yang sarat data, atau otomatisasi berbasis visi, pembaruan ini mengubah permainan dalam beberapa cara praktis.

Yang benar-benar menonjol adalah Anthropic tidak hanya meningkatkan kemampuan mentah; mereka juga telah mengubah perilaku-perilaku kunci, API dan pengaman Jadi, Opus 4.7 berperilaku lebih seperti rekan tim yang andal yang dapat dibiarkan berjalan pada pekerjaan yang memakan waktu lama. Kepatuhan terhadap instruksi lebih ketat, memori lebih mudah digunakan dalam proyek nyata, dukungan multimodal meningkat ke resolusi tinggi yang sebenarnya, dan platform di sekitarnya (Claude Code, anggaran tugas, tingkat upaya) telah disesuaikan dengan alur kerja pengembang di dunia nyata. Itu berarti Anda perlu meninjau kembali beberapa petunjuk dan infrastruktur, tetapi jika Anda beradaptasi, Anda dapat mengurangi lebih banyak "hal-hal sulit dan menjengkelkan" daripada sebelumnya.

Apa yang ingin dicapai Claude Opus 4.7 untuk para pengembang?

Anthropic memposisikan Claude Opus 4.7 sebagai model yang paling mumpuni dan tersedia secara umum, yang secara khusus disesuaikan untuk pekerjaan "agen" jangka panjang dan tugas-tugas pengetahuan tingkat lanjut. Sederhananya, sistem ini dirancang untuk menjalankan alur kerja perangkat lunak dan data multi-langkah dengan lebih sedikit intervensi manual, pemeriksaan mandiri yang lebih baik, dan perilaku yang lebih konsisten dalam banyak tahapan.

Dibandingkan dengan Opus 4.6, model baru ini menunjukkan peningkatan yang signifikan dalam rekayasa perangkat lunak tingkat lanjut, terutama pada tugas-tugas paling menantang yang sebelumnya membutuhkan pengawasan manusia secara ketat. Para pengguna awal melaporkan bahwa mereka sekarang dapat menyerahkan masalah pengkodean tersulit mereka—termasuk refaktorisasi yang sangat kompleks, perubahan multi-layanan, dan debugging yang rumit—kepada Opus 4.7 dengan keyakinan yang jauh lebih besar. Model ini tidak hanya menghasilkan kode; ia merencanakan, mengeksekusi, dan memverifikasi ulang pekerjaannya sendiri dengan jauh lebih teliti.

Secara internal, Opus 4.7 mempertahankan jendela konteks 1 juta token yang sama dan hingga 128 ribu token keluaran yang membuat versi Opus sebelumnya menarik untuk basis kode besar dan dokumen besar. Selain itu, fitur ini juga mendukung pemikiran adaptif, yaitu perangkat dan platform yang sudah dikenal dari Opus 4.6, dan tersedia di mana pun Anda harapkan: melalui API Claude, semua produk Claude, Amazon Bedrock, Google Cloud Vertex AI, dan Microsoft Foundry. Harganya tetap sama: sekitar $5 per juta token input dan $25 per juta token output.

Di luar batasan throughput dan token mentah, model ini sengaja dibuat lebih otonom dalam cara menangani loop yang "mirip agen". Dipadukan dengan konsep-konsep baru seperti anggaran tugas dan parameter upaya yang lebih disempurnakan, Opus 4.7 dirancang untuk diintegrasikan ke dalam sistem di mana ia dapat mengatur berbagai langkah—penggunaan alat, pengeditan file, pemeriksaan, ringkasan—tanpa harus terus-menerus mengembalikan kendali kepada pengguna.

Pengembang harus beradaptasi dengan kepatuhan instruksi yang lebih ketat dan perubahan perilaku yang lebih drastis.

Salah satu perbedaan terbesar yang akan dirasakan pengembang dalam penggunaan sehari-hari adalah bagaimana Opus 4.7 secara harfiah mengikuti instruksi dibandingkan dengan model Claude yang lebih lama. Jika Opus 4.6 dan versi sejenisnya terkadang mengabaikan detail, melakukan generalisasi dari satu contoh ke contoh lain, atau diam-diam melewatkan bagian-bagian yang kurang jelas dari sebuah petunjuk, Opus 4.7 berusaha jauh lebih keras untuk mematuhi persis apa yang Anda tulis—dan tidak lebih dari itu.

Penerapan instruksi yang lebih ketat ini memiliki konsekuensi praktis: perintah yang sebelumnya berfungsi "cukup baik" kini dapat mulai berperilaku dengan cara yang mengejutkan. Jika kerangka kerja lama Anda mengandalkan model untuk menyimpulkan langkah-langkah yang tidak Anda jelaskan sepenuhnya, atau untuk menggeneralisasi pola dari satu item daftar ke item berikutnya, Anda mungkin sekarang melihat output yang terasa kaku atau tidak lengkap. Anthropic secara eksplisit merekomendasikan untuk meninjau kembali dan menyempurnakan prompt dan kerangka kerja integrasi karena alasan ini.

Panjang respons juga dikalibrasi secara berbeda: Opus 4.7 menyesuaikan tingkat detail respons dengan kompleksitas tugas yang dirasakan, alih-alih menggunakan gaya jawaban dengan panjang tetap sebagai standar. Untuk pertanyaan sederhana, Anda seringkali akan mendapatkan jawaban yang lebih ringkas, sementara tugas yang lebih kompleks, multi-bagian, atau berbasis agen secara alami menghasilkan keluaran yang lebih panjang dan lebih detail. Ukuran dinamis ini berarti Anda perlu lebih eksplisit tentang keringkasan jika aplikasi Anda memiliki batasan keluaran yang ketat.

Model ini juga menggunakan lebih sedikit panggilan alat secara default dan lebih mengandalkan penalaran internalnya sendiri, kecuali jika Anda sengaja mendorongnya untuk menggunakan alat dengan menaikkan tingkat upaya. Ini adalah kabar baik untuk latensi dan biaya dalam banyak kasus, tetapi jika sistem Anda mengharapkan arsitektur yang sangat bergantung pada alat (misalnya, eksekusi kode yang agresif, linter, atau simulator), Anda harus menguji apakah Anda perlu mendorong lebih banyak penggunaan alat melalui pemberian petunjuk dan penyesuaian upaya.

Dari segi nada, Opus 4.7 bergeser dari gaya Opus 4.6 yang sangat hangat dan penuh validasi menuju suara yang lebih langsung dan berpendapat, dengan lebih sedikit emoji dan lebih sedikit ungkapan "kamu hebat". Untuk alat bantu pengembang, ini biasanya menguntungkan: Anda mendapatkan penilaian yang lebih jelas, kritik yang lebih lugas, dan tidak banyak basa-basi. Untuk aplikasi pengguna akhir yang mengandalkan ungkapan yang sangat ramah, Anda mungkin perlu mengarahkan nada secara eksplisit dalam petunjuk Anda.

Visi beresolusi tinggi dan keuntungan multimodal yang penting dalam proyek nyata.

Opus 4.7 adalah model Claude pertama dengan dukungan gambar resolusi tinggi sejati, meningkatkan ukuran gambar maksimum menjadi 2576 piksel pada sisi terpanjang, atau sekitar 3.75 megapiksel. Itu lebih dari tiga kali lipat batas sebelumnya yaitu 1568px / 1.15MP, dan secara fundamental mengubah apa yang dapat Anda berikan dengan aman ke model saat menangani artefak visual yang padat.

Peningkatan resolusi ini secara langsung membuka peningkatan kinerja pada beban kerja yang membutuhkan banyak pemrosesan visual: agen kini dapat menganalisis tangkapan layar UI yang padat, diagram kompleks, dan pemindaian dokumen yang berisi detail halus dengan andal. Kasus penggunaan seperti agen pengguna komputer yang membaca tangkapan layar desktop lengkap, mengambil data terstruktur dari grafik yang rumit, atau membandingkan tata letak yang sangat presisi menjadi jauh lebih layak tanpa harus mengecilkan semuanya hingga kehilangan informasi.

Anthropic juga menyederhanakan penanganan koordinat sehingga koordinat internal model sejajar 1:1 dengan piksel sebenarnya dalam gambar. Artinya, saat Anda memetakan kotak pembatas, target klik, atau anotasi overlay, Anda tidak perlu lagi mengatur faktor skala sendiri. Jauh lebih mudah untuk mengatakan "klik di (x, y)" berdasarkan output model dan yakin bahwa itu persis sesuai dengan gambar yang Anda kirim.

Selain resolusi murni, Opus 4.7 meningkatkan persepsi dan lokalisasi tingkat rendah: ia lebih baik dalam menunjuk, mengukur, menghitung, dan tugas-tugas granular serupa, dan deteksi kotak pembatas gambar alaminya lebih akurat. Bagi para pengembang yang membangun agen pengujian UI, alur kerja QA visual, atau bot analisis grafik, perubahan kecil ini berarti mengurangi kesalahan dalam perhitungan koordinat dan deteksi objek.

Tentu saja, ada konsekuensinya: gambar dengan resolusi lebih tinggi akan mengonsumsi lebih banyak token. Jika Anda sebenarnya tidak membutuhkan ketelitian ekstra, Anthropic menyarankan untuk melakukan downsampling gambar sebelum mengirimkannya ke model agar penggunaan token tetap terkontrol. Tetapi ketika Anda membutuhkan setiap piksel—misalnya, saat mentranskripsikan data grafik pada tingkat piksel atau memverifikasi tata letak slide hingga label individual—batasan baru ini jelas merupakan keuntungan.

Alur kerja berbasis pengetahuan, keuangan, dan dokumen profesional.

Opus 4.7 bukan hanya peningkatan dalam hal pengkodean; ia juga mencetak skor yang lebih tinggi pada tolok ukur pekerjaan berbasis pengetahuan, terutama di bidang seperti keuangan dan hukum di mana ketelitian dan penalaran lintas dokumen sangat penting. Berdasarkan evaluasi internal Finance Agent dari Anthropic, Opus 4.7 mencapai kinerja terbaik dan bertindak lebih seperti analis junior yang cakap daripada sekadar generator teks sederhana.

Dalam pengujian internal, model ini menghasilkan model dan analisis keuangan yang lebih teliti daripada Opus 4.6, dengan narasi yang lebih terstruktur dan asumsi yang lebih jelas. Selain itu, sistem ini juga berhasil menyatukan berbagai sub-tugas—pengumpulan data, pemodelan numerik, pembuatan presentasi—menjadi hasil akhir yang kohesif, terlihat profesional, dan menyeluruh.

Opus 4.7 juga mencapai hasil terbaik di GDPval-AA, tolok ukur pihak ketiga yang berfokus pada karya pengetahuan bernilai ekonomi di bidang keuangan, hukum, dan bidang terkait. Hal ini menunjukkan bahwa ini bukan sekadar kemenangan internal yang dipilih-pilih: model ini secara sistematis mengungguli pendahulunya pada masalah penalaran terapan yang kompleks di mana uang atau risiko nyata dipertaruhkan.

Dari sisi dokumen, Opus 4.7 secara signifikan lebih baik dalam alur kerja yang melibatkan pembuatan dan kemudian pemeriksaan visual file perkantoran seperti .docx dan .pptx. Fitur ini telah ditingkatkan dalam menghasilkan perubahan yang dilacak dalam file Word, menyesuaikan tata letak di PowerPoint, dan kemudian membaca ulang output tersebut—melalui alat atau visualisasi—untuk memastikan desain slide dan penandaan sudah benar. Jika sebelumnya petunjuk Anda harus menjelaskan secara berlebihan "periksa kembali tata letak slide sebelum mengembalikannya," Anda mungkin dapat mengurangi beberapa penjelasan yang bertele-tele tersebut.

Analisis grafik dan angka juga mendapat manfaat dari kekuatan multimodal yang baru. Opus 4.7 lebih baik dalam memanggil alat eksternal seperti pustaka pengolahan gambar Python (misalnya, PIL) untuk memeriksa grafik, mengekstrak data tingkat piksel, dan menerjemahkan visual tersebut ke dalam kumpulan data terstruktur atau penjelasan. Kombinasi tersebut—pemanggilan alat ditambah visi yang lebih tajam—membuatnya jauh lebih mudah digunakan sebagai mitra dalam dasbor analitik dan alur kerja pelaporan.

Memori, agen jangka panjang, dan tempat penyimpanan sementara sistem berkas

Area lain di mana Opus 4.7 secara diam-diam namun signifikan mengalami peningkatan adalah memori, terutama dalam pengaturan di mana agen dapat menulis dan membaca dari file catatan permanen atau penyimpanan terstruktur. Alih-alih memperlakukan setiap permintaan sebagai awal yang hampir sepenuhnya baru, model ini lebih baik dalam memutuskan detail mana yang perlu dicatat, bagaimana cara memberi label pada detail tersebut, dan kapan detail tersebut akan digunakan kembali pada giliran berikutnya. Además, mejora la toleransi terhadap kesalahan distribusi dalam jangka panjang yang bergantung pada konteks yang terus-menerus.

Jika agen Anda menyimpan catatan sementara, dokumen catatan, atau basis data memori ringan di antara giliran, Opus 4.7 akan menunjukkan peningkatan yang jelas dalam kemampuannya untuk memanfaatkan konteks eksternal tersebut. Ini akan secara lebih konsisten mengingat keputusan proyek penting, hasil parsial, dan hal-hal yang perlu dilakukan (TODO) di seluruh pekerjaan multi-sesi, mengurangi seberapa banyak Anda perlu mengulanginya di setiap pengingat.

Anthropic secara eksplisit menyebutkan bahwa Claude sekarang lebih mahir dalam menulis dan menggunakan memori berbasis sistem file, yang sangat berguna dalam pengkodean kompleks atau agen penelitian. Sebagai contoh, jika Anda memiliki bot refactoring otonom yang melacak masalah terbuka, keputusan arsitektur, dan pengujian yang tertunda di dalam sekumpulan file, Opus 4.7 biasanya akan mengatur dan mengakses informasi tersebut dengan lebih cermat daripada Opus 4.6.

Jika Anda tidak ingin membuat lapisan memori sendiri, Anthropic menawarkan alat memori sisi klien yang berfungsi sebagai tempat penyimpanan sementara yang terkelola untuk Claude. Ini memungkinkan Anda bereksperimen dengan agen yang berumur lebih panjang—meliputi sesi, cabang, atau bahkan berminggu-minggu pekerjaan—tanpa harus terlebih dahulu membangun basis data vektor lengkap atau layanan catatan khusus.

Untuk pelacakan agen jangka panjang, model ini juga cenderung memberikan pembaruan kemajuan yang lebih teratur kepada pengguna. Artinya, jika sebelumnya Anda menambahkan perintah kerangka kerja yang rumit hanya untuk memunculkan pesan "status" berkala, Anda dapat mencoba menyederhanakannya dan membiarkan perilaku default Opus 4.7 menangani pelaporan kemajuan, terutama pada tingkat upaya yang lebih tinggi di Claude Code.

Keselamatan, penyelarasan, dan perlindungan keamanan siber

Dari segi keamanan dan keselarasan, evaluasi Anthropic menunjukkan bahwa Opus 4.7 memiliki profil risiko yang secara umum serupa dengan Opus 4.6, dengan tingkat perilaku yang rendah yang akan mengkhawatirkan sebagian besar pengembang: penipuan, penjilat, dan kerja sama dengan penyalahgunaan. Dalam beberapa aspek, sebenarnya ini sedikit lebih aman.

Model ini memiliki skor lebih baik dalam hal kejujuran dan ketahanan terhadap serangan injeksi prompt berbahaya, yang sangat relevan jika Anda membangun agen yang menerima konten yang tidak tepercaya dari web, email, atau dokumen yang dibuat pengguna. Ketahanan injeksi yang lebih kuat mempersulit input musuh untuk membajak instruksi model atau mengeksfiltrasi rahasia melalui trik perintah yang cerdas.

Namun, ada beberapa area di mana Opus 4.7 sedikit lebih lemah daripada Opus 4.6—misalnya, kecenderungannya untuk memberikan saran pengurangan risiko yang terlalu rinci terkait zat-zat terlarang. Anthropic tetap menyimpulkan bahwa model tersebut "pada umumnya selaras dan dapat dipercaya, meskipun tidak sepenuhnya ideal," dan mencatat bahwa Claude Mythos Preview yang lebih eksperimental tetap menjadi model yang paling selaras menurut ukuran internal mereka.

Rilis ini juga menandai dimulainya penerapan pengamanan siber secara real-time oleh Anthropic ke dalam model arus utama, menyusul riset dan pesan dari proyek Glasswing mereka. Opus 4.7 menyertakan sistem yang mendeteksi dan secara otomatis memblokir permintaan yang terkait dengan topik keamanan siber yang dilarang atau berisiko tinggi, terutama jika maksudnya tampak mencurigakan.

Yang penting, Anthropic membedakan antara penyalahgunaan dan pekerjaan keamanan yang sah: jika Anda seorang profesional keamanan yang melakukan riset kerentanan, pengujian penetrasi, atau red teaming, Anda dianjurkan untuk mendaftar ke Program Verifikasi Siber mereka. Program tersebut dimaksudkan untuk memberikan akses kepada praktisi yang telah diverifikasi ke kemampuan Opus 4.7 yang relevan dengan keamanan siber tanpa membuka pintu bagi penyalahgunaan yang meluas, dan pelajaran yang dipetik di sini akan memandu keputusan selanjutnya tentang merilis model dalam kelas Mythos secara lebih luas.

Kontrol pengembang baru: tingkat upaya, pemikiran adaptif, dan anggaran tugas.

Opus 4.7 memperkenalkan serangkaian "tombol" yang lebih bernuansa bagi pengembang untuk menyeimbangkan kemampuan, kecepatan, dan biaya, dengan parameter upaya sebagai pusatnya. Effort mengontrol seberapa banyak model berpikir sebelum membalas dan seberapa agresif model menggunakan alat, yang secara langsung memengaruhi latensi dan penggunaan token.

Perubahan utama adalah level upaya ekstra tinggi baru, xhigh, yang berada di antara high dan max dan sekarang menjadi pengaturan default untuk Claude Code di semua paket. Untuk kasus penggunaan pengkodean dan agenik, Anthropic merekomendasikan untuk memulai dengan high atau xhigh, dan hanya menggunakan max untuk masalah yang paling sulit. Upaya yang lebih tinggi berarti pencarian yang lebih luas, penalaran yang lebih dalam, dan keandalan yang umumnya lebih baik—tetapi juga lebih banyak token keluaran dan waktu eksekusi yang lebih lama.

Opus 4.7 menghapus sepenuhnya konsep lama “anggaran pemikiran yang diperluas”. Jika Anda mencoba mengatur thinking: {“type”: “enabled”, “budget_tokens”: N}, Anda sekarang akan mendapatkan error 400. Pemikiran adaptif adalah satu-satunya mode “thinking-on” yang didukung, dan benchmark internal Anthropic menunjukkan bahwa mode ini secara konsisten mengungguli anggaran extended lama.

Pemikiran adaptif dinonaktifkan secara default, sehingga permintaan tanpa kolom pemikiran akan dijalankan tanpa saluran penalaran internal yang eksplisit. Jika aplikasi Anda mendapat manfaat dari alur pemikiran yang lebih kaya—misalnya, perencanaan kompleks atau tugas pengkodean multi-langkah—Anda harus secara eksplisit mengatur thinking: {type: “adaptive”} untuk mengaktifkannya.

Penambahan penting lainnya adalah anggaran tugas, yang saat ini dalam versi beta publik di Platform Claude. Anggaran tugas memberikan model perkiraan target jumlah token yang akan digunakan di seluruh siklus agen: pemikiran internalnya, panggilan alat, hasil alat, dan jawaban akhir. Model melihat hitungan mundur yang terus berjalan dan seharusnya memprioritaskan pekerjaan dan menyelesaikannya dengan baik saat mendekati anggaran, alih-alih berjalan hingga jumlah token maksimum menghentikannya secara tiba-tiba.

Anggaran tugas bersifat sebagai saran, bukan batasan tetap, dan secara konseptual terpisah dari max_tokens. `max_tokens` adalah batasan ketat per permintaan pada token yang dihasilkan dan tidak terlihat oleh model, sedangkan `task_budget` adalah batasan lunak yang mempertimbangkan model di seluruh loop. Gunakan `task_budget` ketika Anda ingin model mengatur ambisinya sendiri berdasarkan alokasi, dan pertahankan `max_tokens` sebagai penghenti pengaman untuk mencegah biaya yang tak terkendali.

Anda perlu bereksperimen dengan anggaran tugas per beban kerja: jika terlalu rendah, model mungkin akan berhenti lebih awal atau menghasilkan hasil yang kurang memuaskan; jika tinggi, Anda akan membayar lebih banyak token. Anthropic menyarankan untuk tidak menggunakan anggaran tugas untuk tugas-tugas agensi terbuka di mana kualitas adalah yang utama; sebaliknya, simpan anggaran tugas untuk pekerjaan di mana Anda benar-benar membutuhkan batasan atas deterministik pada konsumsi sumber daya.

Perubahan API dan tokenizer yang memengaruhi migrasi dari Opus 4.6

Meskipun Opus 4.7 merupakan jalur peningkatan langsung dari Opus 4.6, terdapat beberapa perubahan tingkat API dan perbedaan tokenisasi yang mutlak harus Anda pertimbangkan dalam perencanaan. Mengabaikan hal-hal ini dapat menyebabkan kesalahan 400 yang membingungkan atau lonjakan biaya yang tidak terduga.

Pertama, Opus 4.7 menggunakan tokenizer baru yang berkontribusi pada peningkatan kinerjanya di berbagai tugas, tetapi juga mengubah jumlah token yang dikonsumsi oleh input dan output Anda. Dalam praktiknya, teks yang sama mungkin menggunakan sekitar 1.0-1.35 kali lebih banyak token daripada di Opus 4.6—hingga sekitar 35% lebih banyak tergantung pada jenis konten. Oleh karena itu, endpoint /v1/messages/count_tokens akan melaporkan angka yang berbeda untuk Opus 4.7 dibandingkan dengan model yang lebih lama.

Efisiensi token akan bervariasi tergantung pada bentuk beban kerja, tetapi tolok ukur pengkodean internal Anthropic sendiri menunjukkan bahwa penggunaan token bersih sebenarnya dapat meningkat ketika Anda mempertimbangkan penalaran yang lebih cerdas dan perencanaan yang lebih ringkas. Meskipun demikian, mereka secara eksplisit merekomendasikan pengukuran pada lalu lintas produksi nyata dan memperbarui parameter max_tokens Anda untuk memberikan ruang gerak tambahan, termasuk untuk pemicu pemadatan otomatis apa pun yang mungkin telah Anda siapkan.

Kedua, Anthropic telah memperketat kontrol atas parameter pengambilan sampel: mulai dari Opus 4.7, mengatur suhu, top_p, atau top_k ke nilai selain nilai default akan memicu kesalahan 400. Jalur migrasi yang direkomendasikan adalah dengan menghapus parameter tersebut dari permintaan Anda dan mengandalkan prompting untuk mengarahkan gaya dan determinisme model. Dan meskipun sebelumnya Anda menggunakan temperature = 0 untuk mencoba "membekukan" respons, perlu diingat bahwa determinisme sejati tidak pernah dijamin.

Ketiga, konten penalaran dihilangkan dari respons secara default di Opus 4.7. Anda tetap akan menerima blok pemikiran dalam respons streaming, tetapi kolom pemikirannya akan kosong kecuali Anda secara eksplisit memilih untuk mengaktifkannya. Perubahan kecil ini sedikit meningkatkan latensi dan mengurangi bandwidth. Jika aplikasi Anda membutuhkan ringkasan yang mudah dibaca dari penalaran internal model, Anda dapat mengaktifkannya kembali dengan mengatur tampilan ke "ringkas" untuk output pemikiran dengan sedikit perubahan konfigurasi.

Terakhir, beberapa penyesuaian perilaku yang bukan merupakan perubahan API permanen mungkin masih memerlukan pembaruan segera. Ini termasuk mengikuti instruksi secara lebih harfiah (terutama pada tingkat upaya yang lebih rendah), lebih sedikit subagen otomatis, lebih sedikit panggilan alat default, dan perubahan pada pembaruan kemajuan selama pelacakan agen yang panjang. Anthropic menyediakan panduan migrasi dan bahkan alat bantu migrasi otomatis melalui kemampuan API Claude untuk basis kode yang menggunakan Claude Code atau Agent SDK.

Claude Code dengan Opus 4.7: peningkatan praktis untuk alur kerja pengembangan Anda

Claude Code, lingkungan pemrograman Anthropic, telah dioptimalkan secara intensif berdasarkan Opus 4.7, dan Boris Cherny—salah satu penciptanya—telah berbagi saran praktis berdasarkan pengalamannya selama berminggu-minggu menggunakannya pada proyek nyata. Singkatnya: jika Anda bersedia mengubah cara Anda menggunakannya, Anda bisa mendapatkan peningkatan produktivitas yang nyata pada tugas-tugas teknik yang serius.

Pertama, mode otomatis yang baru sebagian besar menghilangkan pop-up izin yang terus-menerus muncul dan sebelumnya mengganggu pekerjaan yang berjalan lama. Alih-alih meminta Anda untuk mengkonfirmasi setiap pengeditan file atau perintah, Claude mengarahkan pemeriksaan izin tersebut melalui pengklasifikasi yang secara otomatis menyetujui tindakan yang aman. Anda dapat membiarkan Opus 4.7 memproses refaktor, menjalankan pengujian, atau membersihkan file sementara Anda fokus pada hal lain, lalu kembali untuk melihat apa yang telah dicapai.

Mode otomatis saat ini tersedia untuk pengguna Max, Teams, dan Enterprise, dan dapat diaktifkan/dinonaktifkan dengan cepat melalui Shift+Tab di baris perintah, atau melalui menu tarik-turun di aplikasi desktop dan ekstensi VS Code. Salah satu manfaat yang sering diremehkan adalah kemampuan untuk menjalankan beberapa agen secara paralel, masing-masing melakukan pekerjaan mendalamnya sendiri, dan kemudian beralih di antara mereka seiring kemajuan pekerjaan—tanpa harus mengawasi setiap dialog persetujuan.

Jika Anda tidak nyaman menggunakan sistem otomatis sepenuhnya, Claude Code menawarkan skill /fewer-permission-prompts yang menganalisis riwayat sesi Anda untuk menemukan perintah berulang yang aman namun tetap memicu permintaan izin. Setelah analisis, sistem ini menyarankan perintah-perintah yang dapat Anda masukkan ke daftar putih dengan aman, mengurangi banyak gangguan bernilai rendah sambil tetap menjaga tindakan berisiko tinggi di balik persetujuan.

Rekap adalah fitur lain yang sangat cocok dengan fokus jangka panjang Opus 4.7. Saat Anda kembali ke sesi yang telah berjalan cukup lama, Claude memberikan ringkasan singkat tentang apa yang telah dilakukan dan apa yang masih tersisa. Ini sangat berguna ketika Anda meninggalkan tugas refactoring atau riset yang sedang berlangsung; alih-alih menelusuri tumpukan log atau perbedaan, Anda mendapatkan ringkasan cepat "inilah keadaan saat ini".

Bagi mereka yang sudah mempercayai model ini untuk tugas-tugas kompleks, mode fokus menyembunyikan informasi perantara dan hanya menampilkan hasil akhir. Cherny menyebutkan menggunakannya ketika dia tidak perlu mengamati setiap langkah yang dilakukan Opus—dia hanya menginginkan kode, pengujian, atau dokumentasi yang sudah jadi. Anda dapat beralih fokus dengan perintah /focus langsung di CLI, yang membantu mengurangi gangguan kognitif selama sesi kerja yang mendalam.

Pengendalian upaya juga menjadi inti dalam Claude Code: Opus 4.7 meninggalkan anggaran penalaran tetap yang lama dan sepenuhnya bergantung pada upaya adaptif. Anda dapat menyesuaikan upaya melalui /effort, dan semua level kecuali maksimum akan tetap berlaku di seluruh sesi. Pola pribadi Cherny adalah menggunakan upaya yang sangat tinggi hampir sepanjang waktu, menyimpan upaya maksimum absolut untuk masalah yang lebih rumit di mana setiap sedikit penalaran tambahan sangat berarti.

Bisa dibilang, nasihat terpenting dari Cherny adalah selalu memberi Claude cara untuk memeriksa pekerjaannya sendiri. Terlepas dari tumpukan teknologi yang digunakan, agen membutuhkan mekanisme untuk menjalankan pengujian atau alur kerja ujung-ke-ujung. Pada proyek backend, itu mungkin berarti skrip atau perintah untuk menjalankan server dan melakukan pengujian integrasi; pada pekerjaan frontend, ia sering menggunakan ekstensi Chromium sehingga Claude dapat mengontrol browser, sementara kemampuan Penggunaan Komputer mencakup aplikasi desktop.

Alur kerja Cherny sendiri menggabungkan filosofi ini ke dalam skill /go khusus yang membuat Claude menjalankan pengujian, menyederhanakan kode dengan /simplify, dan kemudian membuka permintaan pull. Berdasarkan pengalamannya, alur kerja verifikasi-kemudian-kirim seperti ini dengan mudah menggandakan atau melipatgandakan nilai yang Anda dapatkan dari Opus 4.7. Ini sangat selaras dengan kemampuan model yang lebih baik untuk memvalidasi outputnya sendiri sebelum melaporkan kembali.

Mengapa prinsip “kerja keras dulu, gairah kemudian” masih berlaku saat mengadopsi alat baru

Menariknya, cara para pengguna Anthropic dan pengguna tingkat lanjut berbicara tentang mendapatkan nilai dari Opus 4.7 mencerminkan poin yang lebih luas tentang karier dan penguasaan: gairah cenderung mengikuti kompetensi, bukan mendahuluinya. Jensen Huang dari NVIDIA terkenal menolak klise "ikuti saja hasratmu," dengan berpendapat bahwa orang-orang yang memberikan nasihat itu biasanya sudah hidup nyaman, jauh setelah mereka melewati tahun-tahun sulit di awal karier.

Pola pikir yang sama muncul ketika orang menjelaskan cara bekerja dengan model seperti Opus 4.7: pilih jalur di mana Anda dapat benar-benar menjadi kuat, lalu tekuni dalam jangka waktu yang lama. Daripada mengejar tren sesaat, pilihlah bidang—sistem backend, otomatisasi keamanan, rekayasa data, alat pengembangan—di mana terdapat permintaan nyata dan di mana model ini dapat melipatgandakan keterampilan Anda selama bertahun-tahun, bukan hanya beberapa minggu.

Sekilas, strategi itu tampak tidak menarik: Anda mengukur kemajuan alih-alih suasana hati, menerima bahwa akan ada gesekan, kebosanan, dan kesalahan, dan Anda terus melakukan pengulangan. Hari-hari sulit bukanlah bukti bahwa Anda memilih jalan yang salah; biasanya itu adalah bukti bahwa Anda sedang mengerjakan sesuatu yang penting. Dalam konteks Opus 4.7, itu berarti Anda secara iteratif menyempurnakan prompt, pipeline, dan alur tinjauan hingga semuanya berfungsi dengan baik di lingkungan produksi, alih-alih menerapkan model tersebut pada proyek sampingan secara acak dan mengharapkan keajaiban.

Saat Anda menguasai—baik keahlian Anda maupun alat-alat seperti Opus 4.7 yang mendukungnya—Anda perlahan-lahan "mendapatkan hak untuk mengedit" hidup dan koleksi musik Anda. Anda bisa memilih masalah yang lebih menarik, tim yang lebih baik, dan batasan yang lebih sehat karena keterampilan Anda sekarang langka dan dapat diandalkan. Pada awalnya, Anda mungkin mengorbankan keseimbangan untuk berinvestasi besar-besaran dalam pembelajaran; kemudian, investasi itu memungkinkan Anda untuk mendapatkan kembali waktu, kendali, dan fleksibilitas.

Kesimpulan praktis bagi para pengembang yang mengadopsi Claude Opus 4.7 sangat sederhana: jangan hanya bereksperimen, tetapi lakukan commit. Perlakukan pekerjaan migrasi, penyesuaian prompt, eksperimen anggaran upaya dan tugas seperti latihan bertahun-tahun yang mendasari keterampilan serius apa pun. Seiring waktu, begitulah cara Anda akhirnya memiliki alur kerja dan agen yang benar-benar mengubah cara Anda membangun perangkat lunak, bukan sekadar alat lain yang Anda "mainkan selama akhir pekan."

Secara keseluruhan, Claude Opus 4.7 menghadirkan mesin yang lebih tajam, lebih literal, dan lebih mumpuni untuk pengkodean, pekerjaan berbasis pengetahuan, dan tugas-tugas yang banyak melibatkan visualisasi, yang dibungkus dengan kontrol yang lebih baik untuk penalaran dan biaya—dan dikelilingi oleh ekosistem seperti Claude Code yang disesuaikan dengan pekerjaan rekayasa nyata yang kompleks. Para pengembang yang menerima perubahan ini, memikirkan ulang petunjuk dan alur kerja mereka, serta memberikan model cara konkret untuk memverifikasi keluarannya sendiri, adalah mereka yang paling mungkin merasa telah mempekerjakan kolaborator yang tak kenal lelah dan terobsesi dengan detail, alih-alih hanya meningkatkan ke fitur pelengkapan otomatis yang sedikit lebih pintar.

Artikel terkait:

Penyebaran API yang tidak terkendali: penyebab, risiko, dan cara untuk mendapatkan kembali kendali.