AI Agent 学习笔记 – Claude Opus 5

Timeline: Claude Opus 5（材料）

Thu, 17 Sep 2026 00:00:00 +0000

主要出处：Anthropic，2026-07-24，Claude Opus 5。本页不复制公告全文。

定位：官方原文称它是「a step change improvement for the Opus tier powering long-running agents」——驱动长时程 Agent 的 Opus 档的台阶式改进；接近 Fable 5 的前沿智能，价格约一半。
自我验证：公告写明它「much stronger at verifying its work and iterating carefully until it succeeds」——更强的自查与迭代到成功。
computer use：在 OSWorld 2.0 上于所有成本点都优于其他模型，并超过 Fable 5 的最好成绩，成本约为其三分之一。
其他分数：ARC-AGI 3 上为次优模型的三倍；Zapier 的端到端业务任务基准 AutomationBench 通过率约为次优模型的 1.5 倍。

上述分数均为厂商自报，且 OSWorld 2.0 是 2026 年的新版电脑操作基准，与 2024 年的 OSWorld 原版分数不可横比。写时间线时不把两者连成曲线。

不是能力类别的扩张，也不是 Agent 架构的变化。它的重点是验证：做完了要能自己确认做对了——这是长时程自主里最难的一块，此前主要靠外部的测试与人工检查。

Thu, 17 Sep 2026 00:00:00 +0000

长时程 Agent 一直卡在同一个地方：做得久不等于做得对，而判断对不对在 2024–2025 年一直外包给执行环境——跑测试、看 CI、人审 diff。决策核心自己不做这个判断。

Opus 5 的公告把「更善于验证自己的工作、持续迭代到成功」写成了主要能力，并配了 computer use 与端到端业务任务的分数。方向很清楚：把验证从外部谓词部分收进核心。

这与定义第四条是同一件事的两侧。外部完成判据（SWE-bench 一族）回答「整段轨迹交付了没有」；核心侧自我验证回答「我在中途怎么知道这一步是对的」。后者不能替代前者——自查失败而宣布成功的失败模式，正是外部谓词存在的理由。

Sonnet 5 推价格、Opus 5 推验证、GPT-6 Astra 在同一时期强调「独立确认结果后才宣布完成」——三家在 2026 年年中同时转向完成判据的核心侧内化。

对做运行时的人，这意味着外部谓词不能被省掉：核心越自信，越需要独立于核心的检查。第二层不是被替代，而是被需要得更清楚。