Claude Opus 4.8 发布：更诚实的 AI 和 75 万行代码的真实案例

这次升级的重点不在跑分。

本文尝试做一篇实战派视角的完整解读：包括 Opus 4.7 “翻车”原因，Opus 4.8 新功能、真实落地案例和选型建议。

📌 本文要点（太长不看版）

• 加量不加价：Opus 4.8 与 4.7 同价（每百万 token 输入 5 美元 / 输出 25 美元），但工程可靠性明显更高；
• 最大亮点是"诚实"：让自己写的代码缺陷"蒙混过关"的概率约为 4.7 的 1/4，对齐水平逼近最强的 Mythos 预览版；
• 三个新功能：努力程度控制（按需调档、更省额度）、动态工作流（一次性调度数百个并行子代理）、快速模式（2.5 倍速、还便宜了 3 倍）；
• 一个炸场案例：有人用动态工作流把 Bun 从 Zig 重写成 Rust——75 万行代码、99.8% 测试通过、11 天从提交到合并；
• “遥遥领先”的跑分：多数基准超过 GPT-5.5 和 Gemini 3.1 Pro，唯独 agentic 终端编码 GPT-5.5 仍领先；
• 文末有我的选型建议，以及 244 页 Claude System Card 的领取方式。

一个神奇的预测

昨天晚上，我和公司同事还在群里日常探讨大模型选型。同事问我最近推荐哪个模型，我果断安利了我一直在高频使用的 Opus 4.6。至于上个月刚发、被寄予厚望的 Opus 4.7？我断言：

“4.7的harness engineering有大bug，回天乏力了，马上4.8也要来了。”

未曾想 5 小时后，Anthropic 真的官方正式发布了 Claude Opus 4.8。

巧合归巧合。今天不展开聊我是怎么"蒙中"的，而是把 Opus 4.8 这次到底更新了什么、好在哪、坑在哪，给大家讲清楚。

这次升级里最戳我的，不是跑分，而是诚实。Anthropic 在一份长达 244 页的 System Card 里摊开了数据：4.8 让自己写的代码缺陷"蒙混过关"的概率，大约只有 4.7 的四分之一；欺骗、配合滥用这类错位行为显著下降，对齐水平已经逼近他们目前最强的 Mythos 预览版。说白了——一个肯说"我不确定"的 AI，比一个永远信誓旦旦的 AI 靠谱得多。

📌 获取完整版 System Card，请 关注公众号，私信「Claude 4.8」

Opus 4.7 到底为什么"翻车"

要理解 Opus 4.8 为什么这么快就来，得先知道 4.7 的问题出在哪。

它的麻烦不在"不够聪明"，而在工程可靠性：注释冗长、工具调用不稳定。对只是聊聊天、写写文案的人来说这无所谓；但对跑 agent、做长链路自动化的人来说，工具调用一旦不稳，整条流水线就不可靠——这种结构性问题靠小版本补丁很难修，只能等新版本重训重调。

这不是我一个人的体感。Anthropic 这次发布稿里，做 Devin 的 Cognition、做 Cursor 的 Anysphere 等一线 agent 厂商都直接背了书：他们的原话大意是，4.8 修掉了 4.7 上那些注释冗长、工具调用低效的毛病，工具调用更干净、步数更少、还能把端到端的任务真正跑完。换句话说，4.8 是一次面向"自动化可靠性"的修复式升级，而不是单纯堆跑分。

所以这次发布的关键词，不是"更强"，而是"更靠谱"。

Opus 4.8 这次更新了什么

价格先放结论：常规调用和 4.7 完全持平，每百万输入 token 5 美元、输出 25 美元，模型 ID 是 claude-opus-4-8。在涨价是常态的当下，"加量不加价"本身就是个好消息。下面挑几个真正影响日常工作流的点展开。

1. 诚实度：学会说"我不确定"

这是 Anthropic 自己点名的"最显著改进"，也是我个人最看重的一点。

AI 最大的坑从来不是"不会"，而是不会还装会——明明证据不足，却信誓旦旦说自己搞定了。官方说 4.8 更愿意主动标记不确定、更少给出没有依据的结论；在他们的评估里，让自己写的代码里的缺陷"蒙混过关"的概率，大约只有 4.7 的四分之一。

配套的对齐评估也给了很高的评价：在"支持用户自主、为用户最大利益着想"这类亲社会特质上达到新高，欺骗、配合滥用等错位行为显著低于 4.7，水平接近他们目前对齐最好的 Mythos 预览版。这些细节，写在了一份长达 244 页的 System Card 里。

对生产环境来说，一个肯说"这里我没把握"的模型，比一个永远自信满满的模型安全得多。它离"能托付的审查搭档"又近了一步——注意，是近了一步，不是替代测试和 code review。

2. 努力程度控制（Effort Control）—— 所有人都用得上

这是最接地气的更新。现在在 claude.ai 和 Claude 桌面客户端里，模型选择器旁边多了一个努力程度开关：

• 高努力：思考更频繁、更深入，回答质量更高；
• 低努力：响应更快，而且更省你的额度（rate limit 消耗更慢）。
• 

4.8 默认就是高努力——Anthropic 判断这是质量和体验的最佳平衡点，而且在编码任务上，默认高努力花的 token 和 4.7 的默认档差不多，性能却更好。再往上还有"extra"（在 Claude Code 里叫 xhigh）和"max"两档，官方建议难题和长时间异步任务用"extra"。为配合更高的 token 消耗，Claude Code 里的 rate limit 也相应调高了。全套餐可用，不是企业版专属。

实战建议：日常问答用默认或低努力省额度。

跑复杂重构、长链路 agent 时手动拉满。

这次改进相等于把"算力预算"的控制权交回到了用户手里。

3. 动态工作流（Dynamic Workflows）—— 这次真正的大招

如果说前两个是体验优化，这个就是能力跃迁。目前是研究预览，在 Claude Code 里使用。

先说它到底是什么，因为这点很多报道没讲清楚：动态工作流本质上是一段由 Claude 自己写出来的 JavaScript 编排脚本。你描述任务，Claude 写脚本，一个 runtime 在后台执行它，而你的会话全程保持响应。最关键的设计是——整个计划和中间结果活在脚本变量里，而不是 Claude 的上下文窗口里，只有最终答案才回到你的会话。这正是它和普通 subagents、skills 的本质区别：上下文不会被几百个子任务撑爆。

它怎么跑：Claude 把任务拆成子任务，并行派发给一群子代理，让它们从不同角度进攻同一个问题；然后再让另一批代理去反驳、证伪前面的结论，反复迭代直到答案收敛，验证通过才并入结果。这是一种内置的"对抗式审查"。

几个硬限制值得记住：单次运行最多 16 个并发代理、累计上限 1000 个代理；编排脚本本身碰不了文件系统和 shell，只有代理能读写、执行命令；进度会随时保存，任务中断后能在同一会话里续跑。要触发它，可以在 prompt 里带上 workflow 这个词，或者打开 ultracode（= xhigh 努力 + 自动编排），Claude Code 还内置了一个 /deep-research 工作流。需要 Claude Code v2.1.154 及以上，CLI、桌面端、VS Code 插件都能用，Max / Team / Enterprise 套餐开放（Max 和 Team 默认开启，Enterprise 要管理员手动启用）。

官方给的标杆例子很离谱：可以完成跨数十万行代码的代码库级迁移，从启动到合并，拿现有测试套件当验收标准。这个案例我放到第四部分细讲。

4. 快速模式：同样的 Opus，快 2.5 倍，便宜 3 倍

需要先澄清一个误解：快速模式不是另一个更弱的模型，它是 Opus 的高速运行配置，智能水平完全不变，只是输出 token 速度快 2.5 倍。在 Claude Code 里用 /fast 开关切换，激活时会有个 ↯ 小图标。

价格是这次的一大亮点：4.7 和 4.6 的快速模式要 30/150 美元每百万 token，4.8 直接便宜了三倍（约 10/50 美元）。注意它走的是账户里的 usage credits，不占套餐内的常规额度，适合快速迭代和实时调试；长时间自动跑、对成本敏感的任务，还是用标准模式更划算。

5. 给开发者：Messages API 支持中途插 system

一个不起眼但很香的更新：现在可以在 messages 数组里插入 system 条目（紧跟在一轮用户消息之后，有放置规则限制），从而在任务进行中动态更新 Claude 的指令，而不破坏 prompt 缓存、也不用伪装成一轮用户对话。对长时间运行的 agent 来说，这意味着可以在代理运行过程中动态调整权限、token 预算、环境上下文。做框架的人会懂这有多省心。

6. 一些容易被忽略的规格

4.8 默认支持 100 万 token 上下文窗口（Claude API、Amazon Bedrock、Vertex AI；Microsoft Foundry 上是 20 万），最大输出 12.8 万 token，自适应思考（会根据任务难度自动决定花多少"脑力"），可缓存 prompt 的最低门槛也降到了 1024 token。跑分上，官方称 4.8 在多数基准超过 4.7、GPT-5.5 和 Gemini 3.1 Pro——唯一的例外是 agentic 终端编码，GPT-5.5 仍然领先；在计算机操作（Online-Mind2Web）上拿到 84%，相比 4.7 和 GPT-5.5 是个明显的跳跃。

大家用Opus 4.8 做了什么

发布一天，已经有不少真实战报。挑两个最有信息量的。

案例一：用动态工作流，把 Bun 从 Zig 重写成 Rust

这是 Anthropic 重点拎出来的案例，主角是 Bun 的作者 Jarred Sumner。他用动态工作流，把 Bun 这个 JavaScript 运行时从 Zig 整体移植到了 Rust。一组数字感受一下：

• 产出约 75 万行 Rust 代码；
• 通过了现有测试套件的 99.8%；
• 从第一次提交到合并，总共 11 天。

过程很能说明动态工作流的玩法：先用一个工作流给每个结构体字段推导出正确的 Rust 生命周期；下一个工作流再把每个 .rs 文件写成行为等价的移植版本；数百个代理并行干活，每个文件配两个审查代理，最后一个修复循环不断驱动编译和测试，直到全绿。

需要泼一盆冷静的水：这个结果目前还没进生产。但它清晰地展示了一件事——AI 写代码，正在从"帮你写一个函数"，走向"你当甲方，它当包工头，自己管理一整个由几百个子代理组成的工地"。这是范式层面的变化。

案例二：早期实测——它强在哪，又卡在哪

光看官方和大案例容易上头，所以我特意找了拿到早期访问权限的独立测评者的反馈，更接近真实手感：

• 强在：从零起步的原型、一次成型的新功能、快速执行——这类"绿地"任务，4.8 又快又利落；
• 卡在：最后那 10% 的打磨、已有大型代码库里的边界情况，以及偶尔的幻觉；
• 有意思的是，有测评者表示，在数据密集的战略和路线图类工作上，他目前还是更倾向于用 4.7。

这和 Anthropic 自己的定调其实一致：这是一次"温和但实在"的升级，不是颠覆。它把可靠性、诚实度、长任务的协调能力往上推了一截，但该测的还得测，该审的还得审。

我的实战建议

如果你问我现在该怎么选：

• 日常和重度 agent 工作流：直接上 Opus 4.8。工具调用更稳、更诚实，是目前最值得迁过去的版本；
• 预算敏感的批量任务：标准模式 + 低努力档；要快速迭代、实时调试，再开快速模式；
• 大型代码迁移 / 代码库级重构：重点研究动态工作流，这是这次最被低估、也最有想象空间的能力；
• 数据密集的深度分析：可以新旧版本对照着用，别盲目全切。

一句话总结这次发布：这一代的竞争，正在从"谁更聪明"转向"谁更靠谱、更敢承认自己不知道"。 对真正把 AI 用在生产里的人来说，后者其实更重要。

你现在主力在用哪个版本？4.8 上手后有没有踩到什么坑？评论区聊聊。