任务需求1、调研opus4.6看官方报告opus4.6厉害在哪上面报告里面有2、调研目前实现的case上面报告里面有看能否复现尤其是“用并行计算团队构建 C 编译器”这个项目https://www.anthropic.com/engineering/building-c-compiler用了16个agent组成的teams从零开始编写一个基于 Rust 的 C 编译器该编译器能够编译 Linux 内核调研结果1首先他们是如何实现让claude code一直运行的用一个简单的循环使得claude code完成一个任务后会立即开始下一个任务这个很好复现2他是如何实现并行的他创建了一个新的裸 Git 仓库并为每个代理启动一个 Docker 容器将该仓库挂载到容器内/upstream。每个代理将本地副本克隆到容器/workspace完成后再从本地容器推送到上游。为了防止两个智能体同时尝试解决同一个问题该方案使用了一种简单的同步算法Claude 通过在 current_tasks/ 目录下写入文本文件来“锁定”某个任务例如一个代理可能锁定 current_tasks/parse_if_statement.txt而另一个代理可能锁定 current_tasks/codegen_function_definition.txt。如果两个代理试图获取同一个任务git 的同步机制会强制第二个代理选择不同的任务。Claude 处理任务然后从上游拉取更改合并其他代理的更改推送自己的更改并移除锁定。合并冲突很常见但 Claude 足够聪明能够解决这些问题。无限的代理生成循环会在一个新的容器中生成一个新的 Claude Code 会话然后循环重复。3然后提到一个概念严格的任务验证器非常重要不然Claude 会错误地解决问题在这个项目接近尾声时Claude 每次实现新功能时都会频繁地破坏现有功能。为了解决这个问题他构建了一个持续集成流水线并实施了更严格的强制措施使 Claude 能够更好地测试其工作从而避免新提交的代码破坏现有代码。4搭建agent teams完成大项目的时候需要代入claude的角度去设计比如这些都是工程经验如果想复刻这些很关键上下文窗口污染测试框架不应输出数千字节的无用信息。最多只需输出几行内容并将所有重要信息记录到文件中以便 Claude 在需要时查找。日志文件应易于自动处理如果出现错误Claude 应输出“ERROR”并将错误原因写在同一行以便 grep 可以找到它。预先计算汇总统计信息有助于避免 Claude 重复计算。时间盲 Claude 无法感知时间如果无人干预他会乐此不疲地运行测试而不是推进项目进展。该测试框架很少打印增量进度以避免污染上下文并包含一个默认–fast 选项可以运行 1% 或 10% 的随机样本。该子样本对于每个代理来说是确定性的但在虚拟机之间是随机的因此 Claude 仍然可以覆盖所有文件并且每个代理都可以完美地识别回归问题。5然后回到这个项目上来在编译不同的小型开源项目例如SQLite、Redis、libjpeg、MQuickJS、Lua的时候都非常顺利直到开始编译 Linux 内核时它们就卡住了编译 Linux 内核是一项庞大的任务。每个智能体都会遇到同一个 bug修复该 bug 后彼此的修改就会相互覆盖。即使运行 16 个智能体也无济于事因为每个智能体都卡在解决同一个任务上。个人倾向于这个达到了opus的能力边界然后他的解决方案是给模型找一个参考答案有点赖皮了但这也没办法的办法具体而言是使用GCC作为在线已知良好编译器的参考标准进行对比。我编写了一个新的测试框架它随机使用 GCC 编译大部分内核而只使用 Claude 的 C 编译器编译剩余的文件。如果内核运行正常则问题不在于 Claude 编译的文件子集。如果内核运行失败则可以通过使用 GCC 重新编译其中的一些文件来进一步优化。这样每个代理就可以并行工作修复不同文件中的不同错误直到 Claude 的编译器最终能够编译所有文件。然后这个项目在两周内Opus 4.6 运行了近 2000 次 Claude Code 会话消耗了 20 亿token总成本略低于 2 万美元最后生成的编译器仍有一些缺陷作者认为这个是现有opus模型的能力边界现阶段无法解决了它缺少启动 Linux 系统非实模式所需的 16 位 x86 编译器。为此它调用了 GCCx86_32 和 x86_64 编译器是它自己的。它没有自己的汇编器和链接器这些是克劳德最后才开始自动化的部分目前还存在一些缺陷。演示视频是用 GCC 汇编器和链接器生成的。该编译器能够成功编译许多项目但并非所有项目都能成功。它目前还不能完全替代真正的编译器。生成的代码效率不高。即使启用所有优化其效率也低于禁用所有优化的 GCC 生成的代码。Rust 代码质量尚可但远不及 Rust 专家级程序员编写的代码质量。虽然这个项目还有些缺陷但仍然证明了未来的趋势只要token足够一个人就是一个团队甚至一个公司gcc开发耗费了上千位工程师37年的时间但opus只用两周可以达成这个编译器90%功能剩下只是时间问题模型更强大之后一定可以完全解决但这个里面有一个容易忽略的点就是opus训练的时候肯定是能看到gcc所有代码的所以会稍微讨巧一些如果想完美验证可以生成一种新的语言的编译器3、agent teams和之前多智能体的区别Agent teams详解见Agent teams讲解实操https://www.anthropic.com/news/claude-opus-4-6https://platform.claude.com/docs/en/about-claude/models/whats-new-claude-4-6一、模型概览Claude Opus 4.6 是 Anthropic 于 2026 年 2 月 5 日发布的最新旗舰模型属于 Claude 4.5 模型家族定位为最智能的模型。它在前代 Opus 4.52025 年 11 月发布的基础上实现了全方位的能力跃升尤其在编码、智能体Agentic任务、长上下文推理和企业级知识工作方面取得了显著突破。核心规格参数规格API 模型 IDclaude-opus-4-6上下文窗口200K标准/1MBetaOpus 家族首次最大输出 Token128K前代为 64K翻倍定价$5 / $25 每百万 Token输入/输出与 Opus 4.5 持平超过 200K Token 的高级定价$10 / $37.50 每百万 Token扩展思考支持推荐使用自适应思考模式美国专属推理可选1.1x 定价二、基准测试表现Opus 4.6 在多个权威基准测试中均取得了行业领先或最优成绩以下为关键数据2.1 编码与智能体任务Terminal-Bench 2.0智能体编码评测65.4% — 行业最高分Opus 4.5 为 59.8%SWE-bench Verified真实 GitHub Issue 修复80.8%经 prompt 优化后达 81.42%即能自主解决五分之四的真实 GitHub 问题OSWorld智能体计算机使用72.7%从 Opus 4.5 的 66.3% 大幅提升2.2 推理与知识工作Humanity’s Last Exam复杂多学科推理53.1%带工具 — 所有前沿模型中最高GDPval-AA真实世界经济价值知识工作涵盖金融、法律等领域1606 Elo — 超过 GPT-5.2 约 144 Elo 点超过自己的前代 Opus 4.5 约 190 Elo 点意味着约 70% 的概率在该评测中得分高于 GPT-5.2ARC AGI 2新颖问题求解/抽象推理68.8% — Opus 4.5 为 37.6%GPT-5.2 为 54.2%Gemini 3 Pro 为 45.1%近乎翻倍且大幅领先2.3 长上下文能力MRCR v28-needle 1M 变体大海捞针式长上下文检索76% — 而 Sonnet 4.5 仅 18.5%。这是一个质的飞跃意味着在百万级 Token 的海量文本中模型能可靠地找到并推理出埋藏的关键信息。2.4 智能体搜索BrowseComp寻找网上难以发现的信息84.0% — Opus 4.5 为 67.8%GPT-5.2 Pro 为 77.9%Gemini 3 Pro 为 59.2%2.5 其他突出领域网络安全CyberGym行业领先且在发布前已发现 500 个开源代码中的零日漏洞生命科学在计算生物学、结构生物学、有机化学和系统发育学测试中表现比 Opus 4.5 提升近 2 倍法律推理Harvey BigLaw Bench90.2% — 所有 Claude 模型中最高其中 40% 达到满分金融分析Finance Agent60.7% — 行业领先三、核心技术新特性3.1 自适应思考Adaptive Thinking这是 Opus 4.6 推荐的思考模式。与过去开/关二选一的扩展思考不同自适应思考让模型自主决定何时、思考多深response client.messages.create(model“claude-opus-4-6”,max_tokens16000,thinking{“type”: “adaptive”}, # 推荐messages[{“role”: “user”, “content”: “…”}])旧的 thinking: {type: “enabled”, budget_tokens: N} 在 Opus 4.6 上已标记为弃用。3.2 努力等级Effort控制提供四个等级low、medium、high默认、max。开发者可根据任务复杂度调控智能与成本之间的平衡。如果发现模型过度思考简单任务可调至 medium。3.3 上下文压缩Compaction当上下文接近窗口限制时API 自动对早期对话内容进行摘要实现理论上无限长的对话和智能体任务。这对长时间运行的编码代理至关重要。3.4 128K 输出 Token输出能力从 64K 翻倍到 128K约 400 页文本使单次请求即可生成完整代码库、综合文档或详尽分析报告。3.5 数据驻留控制新增 inference_geo 参数支持 “global”默认或 “us” 推理路由满足企业合规要求。四、Claude Code 与 Agent Teams智能体团队4.1 Agent Teams — 多智能体并行协作这是 Opus 4.6 发布的最重磅功能之一研究预览阶段。开发者可以在 Claude Code 中启动多个 Claude 智能体实例让它们在共享代码库上并行工作、自主协调每个智能体在独立的 Docker 容器中运行通过共享 Git 仓库进行同步通过创建锁文件lock files来声明任务避免冲突自动处理 merge conflicts没有编排层orchestration layer — 每个智能体自主判断下一步做什么可使用 ShiftUp/Down 或 tmux 直接接管任何子智能体[图片]适用场景代码库审查、复杂开发项目前端/后端/测试分工、文档维护等读密集型、可分解的任务。4.2 角色专业化并行能力也支持角色分工一个智能体负责合并重复代码一个负责优化编译器性能一个负责输出高效编译代码一个从 Rust 开发者角度进行代码质量批评和重构一个专职写文档五、重磅案例16 个 Claude 实例自主构建 C 编译器这是 Opus 4.6 发布同日由 Anthropic 安全团队研究员 Nicholas Carlini 公开的标志性案例也是目前 AI 自主软件开发领域最令人震撼的公开实验之一。5.1 项目概况项目详情目标从零开始用 Rust 编写一个 C 编译器能编译 Linux 内核并行智能体数量16 个 Claude Opus 4.6 实例总会话数近2,000 次 Claude Code 会话耗时约两周Token 消耗20 亿输入 Token 1.4 亿输出 Token总成本约**$20,000**代码量100,000 行 Rust 代码人工参与人类只设计了测试框架和高层目标从未与 Claude 交互式配对编程网络访问完全无网络clean-room 实现5.2 编译器能力这个由 AI 自主编写的编译器达到了惊人的能力水平支持的架构x86-64、x86-32、ARM、RISC-V成功编译的真实项目150✅ Linux Kernel 6.9x86、ARM、RISC-V 三个架构✅ QEMU — 虚拟化平台✅ FFmpeg — 7331 个 FATE checkasm 测试全部通过x86-64 和 AArch64✅ PostgreSQL — 全部 237 个回归测试通过✅ SQLite✅ Redis✅ CPython — Python 解释器✅ LuaJIT✅ GNU coreutils✅ Busybox✅ DOOM — 能编译并运行 Doom 游戏“开发者终极石蕊测试”✅ libsodium、libpng、jq、libjpeg-turbo、mbedTLS、libuv、libffi、musl、TCC 等测试通过率GCC torture test suite臭名昭著的编译器极端边界测试99% 通过率编译器自身特性支持 SSA 中间表示IR以启用多个优化 pass支持所有优化等级-O0 到 -O3、-Os、-Oz内置汇编器和链接器无需外部工具链支持 x86 80 位扩展精度x87 FPU 指令部分支持 NEON intrinsics、GNU 扩展5.3 局限与挑战Carlini 坦诚地记录了编译器尚未解决的问题这些也标志着当前模型能力的边界16 位 x86 代码生成Linux 从实模式引导需要 16 位 x86 代码生成器编译器虽然能输出正确的 16 位 x86 指令但编译结果超过 60KB远超 Linux 的 32K 代码限制。Claude 最终作弊调用 GCC 来完成这一阶段仅 x86ARM 和 RISC-V 上可完全自编译汇编器和链接器仍有 bug虽已开始自动化但尚不稳定代码效率不高即使开启所有优化输出效率仍低于 GCC 关闭优化的版本Rust 代码质量合理但达不到专家级 Rust 程序员的水平新功能经常破坏已有功能这是整个项目后期最大的痛点5.4 关键工程洞察Carlini 从这个项目中总结出的经验对所有使用 AI 进行自主开发的人都极具价值测试质量是自主编程的基石Claude 会自主解决你给它的任何问题。所以任务验证器必须近乎完美否则 Claude 会解决错误的问题。为 AI 而非人类设计测试上下文窗口污染测试输出不应打印成千上万无用字节最多几行详细日志写入文件并带 ERROR 关键字便于 grep时间盲区Claude 无法感知时间会高兴地花几小时运行测试而不做进展。需要提供 --fast 选项运行 1% 或 10% 的随机样本预计算汇总统计让 Claude 不必反复重新计算让并行化变得容易当编译 Linux 内核时16 个智能体全部卡在同一个 bug 上互相覆盖对方的修复。解决方案是用 GCC 作为在线已知正确编译器预言机随机将大部分内核文件用 GCC 编译、少量用 Claude 的编译器编译通过二分法定位不同文件中的 bug让每个智能体并行修复不同文件的不同 bug。持续集成是必须的项目后期每次新功能都会破坏已有功能。Carlini 构建了 CI 流水线并实施更严格的合入规则确保新提交不会破坏已有代码。5.5 历史演进对比模型能力水平早期 Opus 4勉强能产生功能性编译器Opus 4.5首个能通过大型测试套件的功能性编译器但无法编译真实大型项目Opus 4.6能编译 Linux 内核、150 真实项目99% 测试通过率Carlini 本人表示“我没想到这在 2026 年初就能接近实现。”六、企业级实际应用案例6.1 SentinelOne — 数百万行代码库迁移“Claude Opus 4.6 像高级工程师一样处理了数百万行代码库的迁移。它提前规划在学习过程中调整策略并在一半的时间内完成。” — Gregor Stewart, 首席 AI 官6.2 Rakuten — 自主组织管理“Claude Opus 4.6 在一天内自主关闭了 13 个 Issue并将 12 个 Issue 分配给了正确的团队成员管理着一个约 50 人的组织跨越 6 个代码仓库。它同时处理产品和组织决策跨多个领域综合上下文并知道何时升级给人类。” — Yusuke Kaji, AI 总经理6.3 Bolt.new — 一次性生成物理引擎“它一次性完成了一个完全功能的物理引擎在单次 pass 中处理了一个大型多范围任务。” — Eric Simons, CEO6.4 NBIM挪威银行投资管理 — 网络安全调查“在 40 次网络安全调查的盲测中Claude Opus 4.6 在 38 次中产生了最佳结果对比 Claude 4.5 模型。每个模型在相同的智能体框架上端到端运行包含多达 9 个子智能体和 100 次工具调用。” — Stian Kirkeberg, AI 和 ML 主管6.5 Harvey — 法律推理“Claude Opus 4.6 在 BigLaw Bench 上取得了所有 Claude 模型中最高的 90.2% 分数40% 达到满分84% 超过 0.8。” — Niko Grupen, AI 研究主管6.6 Box — 多源分析“Box 的评测显示性能提升了 10%达到 68%基线为 58%在技术领域接近满分。” — Yashodha Bhavnani, AI 主管6.7 Ramp — 全栈任务序列“这是我几个月来见过的最大飞跃。我更放心给它一系列跨堆栈的任务让它自己运行。它足够聪明会为各个部分使用子智能体。” — Jerry Tsui, 资深软件工程师6.8 Cursor — 长期任务坚持“Opus 4.6 在更难的问题上表现突出。更强的坚持力、更好的代码审查它能坚持完成其他模型会放弃的长期任务。” — Michael Truell, 联合创始人兼 CEO6.9 Shortcut.ai — 电子表格智能体“性能跃升几乎令人难以置信。对 Opus 4.5 来说困难的真实世界任务突然变得容易了。这感觉像是电子表格智能体的分水岭时刻。” — Nico Christie, 联合创始人兼 CTO6.10 Claude Code 商业规模根据 VentureBeat 报道Anthropic 表示 Claude Code 在 2025 年 5 月正式发布后仅六个月就达到了 10 亿美元的年运行收入。主要企业客户包括 Uber跨软件工程、数据科学、财务和信任与安全团队、Salesforce全球工程组织全面部署、Accenture数万名开发者、Spotify、Rakuten、Snowflake、Novo Nordisk、Ramp 等。七、安全特性Opus 4.6 在智能提升的同时并未牺牲安全性在 Anthropic 的自动行为审计中欺骗、奉承、鼓励用户妄想、配合滥用等不当行为率与前代 Opus 4.5 持平或更低Opus 4.5 已是此前最对齐的前沿模型过度拒绝率模型无法回答正当查询的比率是所有近期 Claude 模型中最低的这是 Anthropic 历史上进行最全面安全评估的模型由于模型网络安全能力增强Anthropic 专门开发了 6 个新的网络安全探针来检测潜在滥用在发布前使用 Opus 4.6 帮助发现和修补开源软件中的漏洞八、产品生态扩展8.1 Claude in Excel增强处理更长、更难的任务可在行动前先规划可摄取非结构化数据并自动推断正确结构支持一次性完成多步骤更改8.2 Claude in PowerPoint新产品研究预览读取布局、字体和母版保持品牌一致性可从模板构建或从描述生成完整演示文稿适用于 Max、Team 和 Enterprise 计划8.3 CoworkClaude 可在 Cowork 中自主多任务处理将所有技能财务分析、研究、创建文档/电子表格/演示文稿整合运用。8.4 Apple Xcode 集成Apple 宣布 Xcode 26.3 原生支持 Claude Agent SDK通过 MCPModel Context Protocol使智能体编码成为标准开发工具链的一部分。九、API 迁移注意事项Breaking Changes9.1 预填充移除Opus 4.6 不再支持预填充助手消息last-assistant-turn prefills。带有预填充的请求将返回 400 错误。替代方案使用结构化输出或系统提示指导响应格式。9.2 弃用项thinking: {type: “enabled”, budget_tokens: N} → 迁移到 thinking: {type: “adaptive”}interleaved-thinking-2025-05-14 beta header → 不再需要output_format 参数 → 迁移到 output_config.format十、总结与展望Claude Opus 4.6 标志着 AI 从对话式工具向自主工作伙伴转变的关键节点。几个核心判断编码能力的质变C 编译器案例证明AI 已能自主完成过去需要专家团队数月工作的复杂系统级软件。Opus 4.5 只能通过测试套件Opus 4.6 已经能编译 Linux 内核。多智能体协作的落地Agent Teams 不是概念验证而是实际可运行的生产力工具。16 个无编排层的智能体能自主分工、处理冲突、完成 10 万行代码的项目。长上下文的实用化76% vs 18.5% 的 MRCR 分数差距不是增量改进而是能力类别的改变。这意味着整个企业代码库、完整法律文件集、一年的财务报告都可以一次性加载并可靠推理。企业级可靠性从 SentinelOne 的百万行迁移到 Rakuten 的组织管理Opus 4.6 展现了在真实企业环境中的持久性和判断力。开放与审慎并存Carlini 在 C 编译器博客中表达的忧虑值得关注——“部署从未亲自验证的代码是一个真实的担忧”。能力的飞跃也带来了新的责任。正如 Anthropic 企业产品负责人 Scott White 所说“Opus 4.6 使这一转变变得非常具体——从你用来处理小任务的东西变成你真正交付重要工作的伙伴。”数据来源Anthropic 官方发布页面、开发者文档、Nicholas Carlini 工程博客、VentureBeat、TechCrunch、IT Pro 等多方报道。评测数据截至 2026 年 2 月 6 日。