Claude Opus 4.6: milion tokenów, adaptive thinking i zespoły agentów

5 lutego 2026 roku Anthropic udostępnił Claude Opus 4.6. Najważniejsze zmiany nie sprowadzały się do wyższego wyniku w benchmarku: model dostał kontekst do 1 miliona tokenów w becie, maksymalny output 128K, adaptive thinking, kontrolę effort, context compaction i integrację z zespołami agentów w Claude Code.

Model claude-opus-4-6 pojawił się w API, claude.ai i głównych chmurach. Bazowa cena pozostała według Anthropic na poziomie 5 USD za milion tokenów wejściowych i 25 USD za wyjściowe, natomiast prompty powyżej 200K w oknie 1M podlegały stawce premium 10/37,50 USD. Ceny i dostępność mogą się zmieniać, dlatego architektura nie powinna kodować ich na stałe.

Milion tokenów to pojemność, nie gwarancja uwagi

Duże okno pozwala przekazać repozytorium, dokumentację, logi i historię narzędzi w jednej sesji. Nadal trzeba pytać, czy model skutecznie odnajduje fakt i utrzymuje go podczas reasoning. Anthropic raportował 76% na 8-needle MRCR v2 przy 1M, wobec 18,5% dla Sonnet 4.5. To wynik producenta w określonej konfiguracji, a nie dowód bezbłędnego przetwarzania każdej milionowej rozmowy.

Długi kontekst powiększa koszty, latency, powierzchnię prompt injection i ryzyko wycieku. Zamiast wrzucać „wszystko”, stosuj selekcję, klasyfikację danych, cytowania do fragmentów i testy retrieval. Informacja poufna, która nie jest potrzebna do zadania, nie powinna trafiać do promptu tylko dlatego, że mieści się w oknie.

Adaptive thinking i effort

Adaptive thinking pozwala modelowi zdecydować, kiedy użyć rozszerzonego reasoning. API oferuje poziomy effort: low, medium, high i max. To zmienia projekt routera: prosty extraction może użyć niższego effort, a trudna analiza awarii wyższego. Kontrola powinna bazować na evalach jakości i budżecie, nie na intuicji „max zawsze lepszy”.

Anthropic sam zauważa, że Opus 4.6 może przemyśliwać proste zadania, zwiększając koszt i opóźnienie. Mierz koszt poprawnego wyniku, liczbę retry, czas całego workflow i odsetek eskalacji do człowieka. Cena tokena bez tych danych jest myląca.

Compaction i ryzyko utraty kontekstu

Context compaction podsumowuje starszą historię, aby agent mógł pracować dłużej niż jedno okno. To praktyczne, ale podsumowanie staje się nowym źródłem prawdy. Może pominąć warunek, źle skompresować wyjątek albo utrwalić błędne założenie.

Krytyczne elementy — scope, zakazy, kryteria akceptacji, identyfikatory zasobów — trzymaj w strukturze poza swobodnym summary. Po compaction agent powinien ponownie odczytać manifest zadania, a system porównać kluczowe constraints. Loguj wersję summary i punkt, w którym zastąpiło historię.

Zespoły agentów w Claude Code

Agent teams umożliwiają równoległe podzadania i przełączanie między agentami. Anthropic przedstawia tę funkcję jako research preview i poleca zadania dobrze separowalne, zwłaszcza read-heavy review. Zespół nie powinien równolegle edytować tego samego pliku bez ownership, bo wzrost szybkości zamienia się w konflikty i utratę zmian.

Bezpieczny orchestrator potrzebuje:

jawnej odpowiedzialności za pliki i systemy;
minimalnych uprawnień narzędzi per agent;
sandboxu dla komend i danych zewnętrznych;
limitu subagentów, tokenów i czasu;
walidatora końcowego niezależnego od autora;
audytu każdej akcji, nie tylko końcowej odpowiedzi.

W obszarze cyber Anthropic raportował poprawę zdolności i dodał sześć nowych probes wykrywających szkodliwe odpowiedzi. Silniejszy model obronny jest jednocześnie bardziej wartościowym celem i bardziej ryzykownym wykonawcą, jeśli dostanie szeroki shell lub chmurę.

Jak wdrażać odpowiedzialnie

Zacznij od eval setu z własnego kodu, dokumentów i incydentów. Oddziel zadania read-only od mutujących. Dla narzędzi wymagaj approval na operacje nieodwracalne, waliduj argumenty poza modelem i stosuj krótkotrwałe credentiale. Testuj prompt injection w issue, README, logach, PDF i wynikach wyszukiwania.

Nie traktuj wyników Terminal-Bench, HLE czy GDPval-AA jako SLA. Anthropic opublikował metodologie i system card; korzystaj z nich, ale porównuj na własnym harnessie oraz kilku próbach. Najważniejszą metryką jest bezpiecznie zakończone zadanie.

Jak kontrolować milionowy kontekst

Warstwa kontekstowa powinna prowadzić manifest fragmentów: źródło, właściciel, klasyfikację, czas pobrania, hash i zakres wykorzystany w odpowiedzi. Dzięki temu zespół może odtworzyć nie tylko finalny prompt, lecz także powód dołączenia konkretnego pliku. Retrieval powinien odrzucać dokumenty spoza tenantu i oznaczać treści pochodzące od użytkownika lub internetu jako niezaufane. Sekrety wykryte przez DLP należy zredagować przed wysłaniem, a nie dopiero w logu odpowiedzi.

Compaction testuj kontraktowo. Umieść w rozmowie reguły typu „nie wykonuj deployu”, identyfikatory środowisk i wyjątki biznesowe, następnie wymuś kilka cykli kompresji. Po każdym cyklu sprawdź, czy ograniczenia pozostały semantycznie niezmienione. Dla decyzji wysokiego wpływu model powinien ponownie pobrać aktualny dokument polityki zamiast ufać staremu streszczeniu.

Runbook zespołu agentów

Każde podzadanie powinno określać wejście, oczekiwany artefakt, właściciela plików, limit czasu i kryterium zakończenia. Koordynator nie powinien uznawać komunikatu „gotowe” za dowód: wymagane są diff, wyniki testów lub cytowane źródła. Jeśli dwóch agentów modyfikuje zależne moduły, integracja należy do osobnego etapu z ponownym buildem. Takie zasady ograniczają ciche nadpisania i błędy, których nie pokaże benchmark pojedynczego modelu.

Połącz wdrożenie z sandboxem agentów, obserwowalnością agentów i red teamingiem LLM. Jeśli potrzebujesz niezależnego testu narzędzi, danych i kontroli, BreachRoad może przeprowadzić audyt agenta.

Źródła pierwotne: Anthropic — Claude Opus 4.6, Claude Opus 4.6 system card.