用途
claude-opus-4-5-guide 是一份关于 Claude Opus 4.5 的综合指南技能，帮助开发者了解、选型并实施 Anthropic 于 2025 年 11 月 24 日发布的最强模型。它适合以下场景：在 Opus 4.5、Sonnet 4.5、Haiku 4.5 之间做出选择；理解 effort 参数如何控制推理深度；优化成本与 token 消耗；获取模型 ID、API 要求与基础示例；了解基准成绩；规划从 Opus 4.1 的迁移；配置混合推理模式与 thinking 参数。
主要能力与特性
混合推理：既能即时回答简单问题，也能对复杂问题延长思考，自动适应而无需显式控制。
Effort 参数：Opus 4.5 独有功能，通过 high/medium/low 配置控制 token 消耗与推理深度，独立于模型选择：
- High（默认）：最高质量，适合复杂系统设计、困难调试；
- Medium：token 减少约 20%–40%，适合一般编码、研究及大多数任务；
- Low：token 减少约 50%–70%，适合分类、摘要、查找等简单任务。
模型规格对比（Opus 4.5 / Opus 4.1 / Sonnet 4.5 / Haiku 4.5）：
- 模型 ID：claude-opus-4-5-20251101 / claude-opus-4-1-20250125 / claude-sonnet-4-5-20250929 / claude-haiku-4-5-20251001
- 输入成本：$5/M / $25/M / $3/M / $0.80/M
- 输出成本：$25/M / $125/M / $15/M / $4/M
- 上下文窗口：均为 200K
- Effort 参数：仅 Opus 4.5 支持
- 知识截止：March 2025 / January 2025 / November 2024 / August 2024
性能基准：SWE-bench 80.9%（代码，自主修复真实 GitHub issue）、MMLU 92.3%（知识）、GPQA Diamond 83.1%（研究生级科学推理）、HumanEval 95%+（Python 函数实现）、编程竞赛 Top 10%。
能力定位：适合复杂编码、自主智能体、Computer Use 自动化（含应用控制与办公文档处理）及高级推理任务，200K 上下文支持长对话、多文档分析与扩展智能体工作流。
使用方式
基础调用（Python）：
import anthropic
client = anthropic.Anthropic()
response = client.messages.create( model="claude-opus-4-5-20251101", max_tokens=1024, messages=[ { "role": "user", "content": "Explain how quantum computing could solve the traveling salesman problem" } ] )
print(response.content[0].text)
使用 effort 参数（需 beta 接口与 beta 标记）：
response = client.beta.messages.create( model="claude-opus-4-5-20251101", max_tokens=1024, messages=[{"role": "user", "content": "Design a distributed cache system"}], output_config={"effort": "high"}, betas=["effort-2025-11-24"] )
将 output_config 的 effort 改为 "medium" 或 "low"，即可切换推理深度。最佳实践：默认使用 high effort，再针对已知用例测量并策略性下调。
可用平台
Claude API（platform.claude.com）、Amazon Bedrock（AWS）、Google Vertex AI（Google Cloud）、Microsoft Azure Foundry。
适用场景与限制
适用场景包括复杂编码与自主智能体、复杂推理、成本优化选型、从 Opus 4.1 的迁移规划。相比 Opus 4.1，Opus 4.5 输出成本更低而能力更强，可减少对多模型版本的依赖。
限制与说明：effort 参数为 Opus 4.5 专属，其他模型不支持；调用 beta 接口需附带 betas 标记；相关资料未提供非 Python 外的完整语言示例细节（文中提及 TypeScript 示例见 references/effort-parameter-guide.md，但未展开）。关于更高精度的模型选型决策矩阵、完整基准结果与 API 语法细节，请参见指南中的相应参考文档。