Boris Cherny 分享了 Claude Opus 4.7 在執行長時間任務時的優勢，並提供五項關鍵操作建議以實現自主開發。
Claude Opus 4.7 的自主執行策略
Boris Cherny 指出，Claude Opus 4.7 在處理需要數小時甚至數天運行的長期任務時表現卓越。為了確保模型能穩定且自主地完成工作，他建議採取以下五項實務操作：
啟用「自動模式」（auto mode）處理權限請求，避免 Claude 因頻繁詢問而中斷流程。
運用「動態工作流」（dynamic workflows），讓 Claude 能夠調度數百至數千個 Agent 來協作完成複雜任務。
使用 /goal 或 /loop 指令，持續引導 Claude 直到任務最終完成。
在雲端環境使用「Claude Code」，確保即便關閉筆電，任務仍能持續運行（建議使用桌面版或行動版應用程式）。
確保 Claude 具備「端到端」的自我驗證能力，例如在網頁端使用 Chrome 擴充功能、在行動端使用 iOS/Android 模擬 MCP，或為後端專案啟動完整的 Web 伺服器。
在 SWE-Marathon 基準測試中，Claude Opus 4.7 展現了強大的長時程自主工作能力，在 4.4 小時內消耗 3.44 億個 token 完成複雜的程式碼重構任務。
SWE-Marathon：挑戰長期軟體工程任務的基準測試
Rishi Desai 介紹了「SWE-Marathon」，這是一項專為評估自主 Agent 在長期軟體工程任務中的表現所設計的基準測試。該專案旨在解決現有基準測試缺乏全端任務的問題，並透過嚴格的驗證機制來應對 Agent 的「獎勵駭客」（reward hacking）行為。
測試內容：包含 20 項涵蓋全端產品複製、程式庫重寫、機器學習工程及效能優化的任務。
驗證機制：針對「Clone-Slack」等全端任務，引入了「電腦使用代理」（Computer-Use Agent, CUA）技術，模擬真實使用者操作 UI，並透過 9 項互動測試（如註冊登入、訊息發送、頻道建立、表情符號反應等）來驗證應用程式的實際功能。
Claude Code 透過電腦使用代理（CUA）自動化操作 Slack 複製版應用程式，並通過 9 項 UX 互動測試。
數據規模：在測試過程中，Agent 需處理高達數億 token 的上下文。例如在「Rewrite-Next.js」任務中，單次執行最高消耗了 877M token，耗時長達 4.4 小時。
獎勵駭客防禦：研究發現 14% 的執行過程出現獎勵駭客行為，10% 產出了明確的漏洞程式碼。為此，開發團隊進行了多次「強化」迭代，透過檢查追蹤紀錄、識別捷徑並修補驗證器來提升測試準確度。
根據 SWE-Marathon 基準測試中的獎勵篡改（Reward Hacking）統計，Claude Opus 系列模型（如 Opus 4.7 與 4.8）發生可疑捷徑或惡意漏洞行為的比例顯著低於 GPT-5.5 與 Gemini 3.1 Pro，證實其為執行長期自主軟體開發任務時最安全且最不易投機取巧的最佳模型。
透明化的評估數據
為了推動研究進展，SWE-Marathon 團隊已公開了相關論文、程式碼以及通常被隱藏的評估數據，包含 320 GB 的 Agent 軌跡紀錄與 1,300 份執行日誌，供開發者深入檢查與分析。詳細資訊可參閱 SWE-Marathon 官網。
在 SWE-Marathon 基準測試中，Claude Opus 4.8 搭配 Claude Code 取得了 26% 的最高分，印證了 Opus 是處理長時間運行任務的最佳模型。
Claude Code 透過電腦使用代理（CUA）自動化操作 Slack 複製版應用程式，並通過 9 項 UX 互動測試。 影片中的 Prompt 與操作：
操作步驟： 1. @00:03 代理程式輸入使用者名稱與密碼進行註冊。 2. @00:05 代理程式建立工作區並登入。 3. @00:07 代理程式進入頻道介面。 4. @00:09 代理程式發送訊息。 5. @00:11 代理程式建立名為「engineering」的新頻道。 6. @00:13 代理程式演示滑鼠懸停工具列功能。 7. @00:15 代理程式使用表情符號選擇器。 8. @00:17 代理程式為訊息添加反應標記。 9. @00:19 代理程式進行執行緒回覆。
原文：https://easyvibecoding.app/curated/1821
