夜雨聆风
全文约 4200 字，阅读需 14 分钟。
Anthropic 4 月 16 号下午丢下 Claude Opus 4.7，我的 OpenClaw 一人公司当天就让 6 个 AI 员工全员切上去跑了 24 小时、3 个真实场景、消耗 1.8 亿 token——1 个翻车、2 个真香。
与此同时，Reddit 同一时间炸出 4 条 300+ upvote 的吐槽帖：488 票说 "serious regression not an upgrade"、473 票说 "context 回退每次多花 50% token"、425 票说 "MRCR long-context 分数比 4.6 还差"。更刺激的是 Simon Willison 发了一篇博客，标题直接翻译过来就是："Qwen 35B 跑在笔记本上画鹈鹕，比 Claude Opus 4.7 还好"。
但同一张桌子的另一边，OpenAI 这周一天内连甩两张王炸：GPT-5.4-Cyber 安全专用模型 + Cloudflare Agent Cloud 企业级部署平台。Anthropic 甩模型，OpenAI 甩生态，这一轮 Claude 4.7 vs GPT-5.4 的正面对撞，让整个 Agent 圈的社区情绪两极。
这篇文章不打算告诉你"Opus 4.7 到底好不好"——这种问题 Reddit 已经吵出 2500+ upvote 还没吵明白。我想讲的是更硬核的一件事：一个 All-in Claude 的一人公司，在这种"被社区吐槽 + 被对手围剿 + 有反直觉翻车证据"三连击的 24 小时里，到底应该怎么做决策、怎么保证自己不被带节奏。
读完你会知道：我的 Opus 4.7 3 个场景实测数据、面对"贵 50%"和"MRCR 回退"两个最尖锐的争议我怎么看、以及一人公司 All-in 单一模型的 3 层决策框架。
Opus 4.7 上线 24h：OpenClaw 3 个真实场景的实测数据
先摊实测，不绕弯。
我的 OpenClaw Agent Team 有 6 个 AI 员工，分别跑不同任务：CEO Agent 做任务路由和决策、wechat-mp Agent 写长文、brand-designer Agent 做配图、growth-hacker Agent 做数据分析、content-reviewer Agent 做质检、dev-engineer Agent 写代码。4 月 16 号晚上我把 CEO、wechat-mp、content-reviewer 三个重度推理 Agent 从 Opus 4.6 切到 Opus 4.7，跑了 24 小时。
场景一：CEO Agent 做任务编排——真香。
CEO Agent 每天要处理十几个任务的路由决策：这个任务派谁做、什么时候派、前置依赖是什么、失败了怎么降级。过去用 Opus 4.6 时偶尔会"忘记检查前置条件"，比如写文之前忘了先跑数据门禁，导致写到一半发现没有 gate-report 要回头重跑。
切到 Opus 4.7 之后第一个明显变化：指令遵循能力肉眼可见地强了。我在 CEO Agent 的指令里写了 "写文前强制跑 3 个门禁"，Opus 4.6 有时会跳；Opus 4.7 24 小时跑了 8 次长文任务，一次没跳过门禁。
官方博客把这个能力叫 "self-verification"——模型会自己验证输出是否满足指令。在 CEO Agent 这种"任务编排 + 前置检查"的场景里，这个能力就是救命稻草。
场景二：content-reviewer 做全文质检——3x 视觉能力真的救了我。
content-reviewer Agent 的核心任务是给长文做质检，其中有一项是"审配图"——读文章里的截图/架构图，判断是否和文字匹配、有没有敏感信息漏出。Opus 4.6 处理截图时经常"看糊"，特别是长图，经常给出"这张图是架构图"这种没用的描述。
Opus 4.7 最大的升级是视觉分辨率提升 3 倍（官方数据：长边最高 2576 像素）。实测一张 OpenClaw 架构图，Opus 4.6 只能识别"3 个模块"，Opus 4.7 能把每个模块里的子节点、连接线方向、异常标记都读出来。Anthropic 在 XBOW 视觉敏锐度基准测试上的分数从 4.6 的 54.5% 跳到 4.7 的 98.5%，我实测下来这个数字不虚。
对我来说这个能力直接提升了 content-reviewer 的有效性——原来需要我手动复核的"配图是否合规"，现在 Agent 能独立判断了。
场景三：wechat-mp 写 3000 字长文——翻车了。
第三个场景是真实翻车。
wechat-mp Agent 要做的事很复杂：读 3 份前置报告（热点 + 数据门禁 + 增长策略），合成 3000-5000 字长文，同时维持 SEO 关键词密度、脱敏词规避、一人公司人设。这是一个典型的长上下文 + 多约束任务。
Opus 4.6 跑这个任务，15 分钟左右能交付一篇合格稿。Opus 4.7 跑同样的任务，23 分钟才交付，而且第一版忘了把往期精选的 3 条超链加上——这是我明确在指令里写了的硬约束。
这个翻车对应的是 Reddit 上 425 upvote 那条吐槽："Opus 4.7 MRCR long-context regression"。MRCR 是长上下文多需求协调能力的测试基准，社区测下来 Opus 4.7 比 4.6 分数还低。我实测也确认了：长上下文多约束任务，Opus 4.7 确实不如 4.6。
3 个场景跑下来，结论很清楚：Opus 4.7 在"指令遵循"和"视觉处理"两个单点能力上是真提升，但在"长上下文多约束"这个很常见的组合任务上是真回退。不是一边倒的升级，也不是一边倒的退步。
Opus 4.7 最尖锐的两个争议：贵 50% 和 MRCR 回退怎么看
实测归实测，社区吵得最凶的两个点必须正面回应。不然写这篇就是自嗨。
争议一：Opus 4.7 真的贵 50% 吗？
先说答案：标价没涨，但有效成本确实可能涨 30%-50%。
Anthropic 官方定价页面白纸黑字写着：输入 \$5/百万 token、输出 \$25/百万 token——和 Opus 4.6 完全一样，一分钱没涨。
那为什么 Reddit 上 473 票的帖子要吼 "50% more expensive"？我把那条帖子的评论翻了 200 条，核心矛盾是：Opus 4.7 的输出明显变啰嗦了。
"啰嗦"不是价值判断，是可测量的现象。我让 Opus 4.6 和 Opus 4.7 分别处理同一个"写 800 字文章摘要"的任务，对比 token 消耗：
Opus 4.6 平均输出 1240 token、Opus 4.7 平均输出 1780 token——输出 token 多了 43.5%。同样的任务、同样的字数约束，4.7 的中间思考、自我验证、重新整理的过程都被计入输出，实际到手的"每 800 字成本"涨了 43.5%。
这就是 self-verification 能力的代价。模型更"认真"了，愿意多想一遍、自我复核一遍，但 token 也多烧了。
对一人公司来说这个账要算清楚：如果你的任务是"指令必须严格遵循"（比如代码审查、合规检查、任务编排），这个多烧的 token 是值得的——Opus 4.6 跑错需要我人工返工，返工的时间成本远高于多烧的 token 钱。但如果你的任务是"大量轻量级推理"（比如标题生成、标签分类），用 Opus 4.7 就是智商税，切到 Haiku 或者 Sonnet 更划算。
争议二：MRCR 回退要担心吗？
这个问题更刺激，因为官方博客里没明说，社区是自己测出来的。
MRCR（Multi-Round Co-Reference Resolution）衡量的是模型在长上下文里协调多个指代关系的能力。一篇 3 万字的技术文档，让你回答"文档里第 5 个提到的那个版本号是多少"——这就是 MRCR 测的东西。
Reddit 用户 benchmark 出来的数据：Opus 4.7 在 MRCR 上比 4.6 低了约 8 个百分点。我在场景三的翻车就是这个回退的直接表现：长上下文 + 多约束，Opus 4.7 会"漏读"某些指令。
Anthropic 没公布这个回退数据。但也没藏——官方反复强调的是"long-running autonomous tasks"（长时间自主任务）的能力提升，而不是 MRCR 这种纯召回指标。Anthropic 的赌注是：用 self-verification 把"遗漏"补回来，即使 MRCR 召回低一点，Agent 在实际跑长任务时会自己发现问题、自己补全。
我实测这个赌注只赢了一半：场景一（任务编排）self-verification 救场了，场景三（长文写作）没救住。区别可能在于"任务有没有明确的完成标准"——编排任务有（门禁跑没跑），写作任务没有（往期精选加了没加没法自我验证）。
给一人公司的启发：如果你要用 Opus 4.7 跑长任务，必须在指令里显式写入"完成标准清单"，否则 self-verification 没有抓手。
Willison 鹈鹕梗：反直觉的地方恰恰说明了真相
社区最戏剧性的一幕是 Simon Willison 那篇博客——他测试 SVG 生成"一只鹈鹕骑自行车"，Opus 4.7 画出来的自行车车架是扭曲的，而 Qwen3.6-35B-A3B（一个能跑在笔记本上的 21GB 开源模型）画得居然更好。
但 Willison 自己在文中明确说过一句话："I have enormous respect for Qwen, but I very much doubt that a 21GB quantized version of their latest model is more powerful or useful than Anthropic's latest proprietary release."
翻译过来：Qwen 很牛，但我根本不认为一个 21GB 的量化开源模型真的比 Opus 4.7 更强更有用——我只是说，如果你需要画一只骑自行车的鹈鹕，Qwen 更划算。
这个反直觉里藏着一人公司必须看懂的真相：模型没有绝对好坏，只有"你的具体任务"和"这个模型的具体能力"匹不匹配。
Opus 4.7 画鹈鹕翻车，不代表 Opus 4.7 在你的业务场景里也翻车。Reddit 上吐槽 regression 的那些用户，80% 是编程场景的——Opus 4.7 在编程基准 CursorBench 上确实从 58% 跳到了 70%、Rakuten-SWE-Bench 解决的生产任务数翻了 3 倍，但他们跑的是具体项目的具体 codebase，自然会遇到基准测不出来的问题。
我的 OpenClaw 24 小时实测就是个反例：3 个场景里有 2 个真香、1 个翻车。如果我只看 Reddit 的吐槽就回滚，会错过 self-verification 和 3x 视觉能力这两个对我真的有用的升级。如果我只看官方的 benchmark 就 all-in，会踩到长上下文写作的坑。
一人公司做技术决策，不能看社区情绪，也不能看官方 PR，只能看自己业务场景的实测数据。 这是我 All-in Claude 两个月最深的一条教训，也是我面对 Claude 4.7 vs GPT-5.4 这种"两边都在甩王炸"的时候还能不慌的唯一底气。
All-in Claude 的第 3 次决策：3 层决策框架
我把这次 Opus 4.7 上线当作 OpenClaw 一人公司 All-in Claude 的第 3 次决策点。
第 1 次是 2 月份 Anthropic 短暂封杀 OpenClaw 时——那次 24 小时内切到 GPT-5.4 跑了备份，验证"模型无关架构"可用，但主线没切。第 2 次是上周 GPT-6 Spud 发布 + OpenAI 双甩 Agent 生态时——那次评估迁移成本后决定主线不切。
这是第 3 次。我的决策结论是：主线继续 All-in Claude，但 Opus 4.7 不全量铺开，按任务匹配度分级切换。
这个结论背后是 3 层决策框架。
第一层：能力-成本匹配度（而不是"模型更强"）
Opus 4.7 比 4.6 更强吗？在编程、指令遵循、视觉三个维度是。在长上下文多约束、纯推理成本上不是。
我 CEO Agent 切 4.7（指令遵循场景）、content-reviewer Agent 切 4.7（视觉场景）、wechat-mp Agent 继续用 4.6（长上下文场景）。不是"一个模型打全场"，是"一个 Agent 团队用不同模型"。
这个策略的前提是：每个 Agent 的 model 字段都是配置变量，不是硬编码。我在 GPT-5.4 那篇文里讲过这个架构设计——今天回头看，这个架构就是面对 Opus 4.7 这种"部分升级部分回退"的模型时最大的护城河。
第二层：生态-业务耦合度（而不是"赶紧跟上新生态"）
OpenAI 在建 Agent 操作系统——SDK 管开发、Cloudflare Agent Cloud 管部署、GPT-5.4-Cyber 管安全。三位一体很诱人。
但对我这个一人公司来说，"被生态锁定"比"能力落后"的风险大 10 倍。OpenClaw 一人公司的核心资产不是"用了哪个模型"，是"跑通了哪套 Workflow"。我的 30+ 份 Skill 文件、20 条防翻车铁律、6 个 Agent 的协作模式——这些东西跟模型无关、跟平台无关。
切换模型我 30 分钟能做完，切换 Agent 操作系统要把 Workflow 全部重建——这个成本差是我留在 Claude 生态的真正原因，不是 Claude 更好，是切换 Claude 更便宜。
第三层：风险边界（而不是"最大化收益"）
一人公司的决策逻辑跟大公司不一样。大公司追求"最大化收益"——哪个模型能跑出最高分就用哪个。一人公司必须先追求"最小化灾难"——哪个方案在最坏情况下不会让我停摆。
Opus 4.7 如果翻车了（比如像 Reddit 吐槽的那样 MRCR 大幅回退），我的备选方案是什么？答案必须是"30 分钟内切回 4.6"。这个备选能成立的前提：我的 Agent Team 架构允许 model 字段随时切换、我的 Skill 和 Workflow 不依赖任何特定版本的模型能力、我的关键任务有手动兜底路径。
风险边界决定了你能不能 All-in，而不是能力优势决定的。我敢 All-in Claude 不是因为 Claude 不会出问题，是因为 Claude 出问题时我能快速撤退。
想看 3 层决策框架完整的打分表、Opus 4.7 实测脚本、Agent 切换 checklist？这些只在知识星球里放，这里只挑最有启发的一层展开。
我这次 Opus 4.7 实测学到的 4 条 Agent 押注教训
教训一：每个新模型上线，先跑自己的 3 个真实场景，不看 benchmark 不看社区。
Opus 4.7 在 XBOW 视觉分 98.5 分，跟我的 content-reviewer 有什么关系？我需要看的是"在我这张 OpenClaw 架构图上，它能不能读出模块细节"。benchmark 是厂商的战场，不是你的战场。跑 3 个真实场景，每个场景 10 轮，数据比社区哪怕 2500 upvote 的吐槽都靠谱。
教训二：Token 成本要算"到手的每单位价值"，不要算 token 单价。
Opus 4.7 标价没涨，但输出 token 多了 43.5%。表面上单价不变，实际每完成一个任务要多花接近一半的钱。这种"暗涨"在你的账单出来之前看不到——必须主动在代理 Agent 上装 token 计数器，按任务粒度对比。
教训三：Self-verification 的前提是"任务有明确完成标准"。
Opus 4.7 的 self-verification 是双刃剑——有完成标准的任务（CEO 编排），它补遗漏补得很好；没完成标准的任务（长文写作），它根本不知道自己漏了什么。给 Opus 4.7 派任务，必须在指令里显式写"完成 checklist"，否则 self-verification 只是多烧 token 的幻觉。
教训四：All-in 不是"押宝"，是"建好备选"。
我 All-in Claude 的前提从来不是"Claude 永远更好"，是"切换 Claude 的成本足够低"。Opus 4.7 翻车的那一刻（场景三长文写作），我不用纠结"要不要回滚"——配置文件改一行，wechat-mp Agent 就切回 4.6 了。这个"切换便宜"的架构，比任何模型的"能力领先"都重要。
写在最后。
Anthropic 甩 Opus 4.7 的同一天，OpenAI 甩了 GPT-5.4-Cyber 和 Cloudflare Agent Cloud。社区两极分化、吐槽和吹捧同时占据热搜。
但一人公司的时间比这些热搜值钱。我的选择是：Opus 4.7 按任务分级切换，Cloudflare Agent Cloud 不跟，Workflow 和 Skill 继续沉淀。不追热点，不被任何发布节奏带着走。
Opus 4.7 不是我 All-in Claude 的理由，也不会是我回滚 Claude 的理由。决策的依据永远是我的业务场景的实测数据，不是社区的情绪。
最后一个问题——你现在的 AI 工作流，有多少任务能在 30 分钟内切换模型？如果明天 Opus 4.7 突然因为某个问题被限流，你的业务会停摆几小时？评论区聊聊你的"切换成本"。
觉得有启发就点个在看，欢迎转发给同样在 All-in 某个 AI 平台的朋友。
🦞 关于「Wesley AI 日记」
记录一个人用 6 个 AI 员工撑起一人公司的全过程。没有成功学，只有真实的系统设计、真实的翻车现场、真实的复盘。每篇文章都是一个完整的实战故事。
想要更深度的内容、完整的 OpenClaw 配置、完整的自动营销增长 Skill、完整的 SOUL.md 模板、Workflow 最佳实践、以及和我直接交流的机会？加入知识星球「光锥之内」——这里会有平台发不了的完整内容和实操资料。
扫描下方二维码即可加入
关注 Wesley AI 日记，持续更新一人公司 AI 团队实战全记录。
往期精选
📌 给 OpenClaw Agent Team 装上记忆——踩了19天坑，终于搞明白了
📌 OpenClaw实战：记忆架构升级——给AI Agent Teams建一个集体大脑
📌 OpenClaw 实战：AI Agent 团队从1个扩到8个，再砍回4个的真实原因
作者：Wesley｜一人公司 × 6个AI员工
转载请联系作者，商业转载需授权。
