Забудьте про мегапромпти. Чим цікава Opus 5 і як отримати максимум

24 липня 2026 року Anthropic випустила нову флагманську модель Claude Opus 5. Як повідомляє компанія, можливості моделі наближені до здібностей Claude Fable 5 — найпотужнішої публічно доступної моделі компанії. Fable 5 побудована на архітектурі Mythos, найвищого класу моделей Anthropic. При цьому Claude Opus 5 коштує вдвічі дешевше: $5 і $25 за мільйон вхідних та вихідних токенів відповідно проти $10 та $50 у Fable 5. 

Opus 5 є універсальною моделлю, тобто однаково добре працює з текстом, кодом, документами та зображеннями. 

HBJ зібрав усе, що відомо про Opus 5, і поцікавився у Product Engineer та Golang Engineer, як вони використовують модель та чи вдалося їй замінити інші. 

Чим Opus 5 відрізняється від Opus 4.8

В Opus 5, на відміну від попередньої версії, запит автоматично запускає режим мислення (thinking). Алгоритми вирішують самі, коли і наскільки глибоко обмірковувати запит на кожному кроці. Глибиною можна керувати за допомогою параметра effort.  

Вимкнути режим thinking повністю можна лише на рівнях зусиль до high включно. 

Opus 5 краще справляється з кодингом, а також показує вищу за показники 4.8 продуктивність для природничих наук — структурної біології, органічної хімії та біоінформатики.

Згідно з внутрішнім аудитом Anthropic, Opus 5 рідше дає хибні відповіді й менш схильна до небажаних дій, ніж інші моделі компанії. При блокуванні потенційно небезпечного запиту в Claude.ai, Claude Code та Claude Cowork система автоматично переспрямовує його до Opus 4.8, а не просто відмовляє у відповіді. 

Відповіді моделі стали довшими, вона легше делегує завдання субагентам, а також сама перевіряє свою роботу. Ці плюси можуть виявитися недоліками, якщо не знати, як правильно їх використовувати. Якщо в промпті є інструкції на кшталт «обов'язково перевір свою відповідь», модель зробить це кілька разів поспіль, витративши ваш час і токени. Тому краще конкретно вказати, наскільки ретельна перевірка потрібна і коли її завершити.

Також важливо, що параметр max_tokens у новій моделі обмежує загальну кількість токенів (і на міркування Opus 5, і на саму відповідь). Якщо ви раніше налаштовували параметр max_tokens під Opus 4.8 (наприклад, 5 000 токенів), на Opus 5 відповідь може бути коротшою, адже частина ліміту піде на мислення, і на саму відповідь їх може залишитися недостатньо. Щоб запобігти цьому, варто збільшити параметр max_tokens у 1,5–2 рази.

За даними агрегатора BenchLM, за результатами на бенчмарках (станом на 10 серпня 2026 року) Opus 5 посів третє місце серед 216 моделей проти шостої позиції в Opus 4.8.

Opus 5 на практиці — чи варто переходити з 4.8

Владислав Пістун, Golang Engineer в Solidgate, не поспішає переходити на Opus 5 повністю. Він наголошує: значна частина його роботи й далі йде на Opus 4.8 — якість влаштовує, і мігрувати тільки заради міграції немає сенсу.

Владислав використовує Opus 5 там, де ціна помилки на етапі планування висока: 

• розбір архітектурних змін; 

  
  

• декомпозиція епіків; 

  
  

• довгі агентні прогони, де одне хибне рішення на старті коштує кількох ітерацій.

  
  

На практиці це два окремі режими використання:

1.  Агентний з автономним агентом команди Veritas, який доводить Jira-тікет до змердженого MR через Claude Agent SDK. 

   
   

2. Інтерактивний, що включає архітектурні розбори.

   
   

Владислав підкреслює, що різниця між моделями зараз менша, ніж різниця між харнесами (агентними контурами, тулами для перевірки, пайплайнами) навколо них. «Той самий Opus 4.8 у добре зібраному контурі дає кращий результат, ніж свіжіша модель у слабкому харнесі. Апгрейд моделі — разовий приріст, вкладення в харнес — постійний», — говорить він. 

Олександр Шепель, Product Engineer в COPYMIND, навпаки, називає Opus 5 основним робочим інструментом. Він використовує модель виключно через Claude Code.

Основні задачі:

• звичайна розробка — фічі, рефакторинги, міграції, код-рев'ю;

  
  

• запуск пайплайнів через автономних агентів у git worktrees (до 4 годин автономної роботи без втручання) від ТЗ до повністю готового пул-реквесту;

  
  

• генерація зображень / аудіо через виклик API інших LLM-провайдерів та сервісів;

  
  

• перевірка результату в браузері, робота з локальною базою даних; 

  
  

• запуск тестів, перевірка логів, зокрема запуск evaluations і automatic improvements loop.

  
  

Серед плюсів новинки від Anthropic Владислав називає передусім сильне планування на задачах, де потрібно тримати в голові багато звʼязків — саме там, де раніше доводилося декомпозувати руками. Також він відзначає гнучкість у витратах через effort — можливість свідомо платити більше за складні кроки, не переплачуючи за рутинні, і додає, що на простих ходах модель економить сама за допомогою adaptive thinking. 

Олександр виділяє здатність Opus 5 доводити велику задачу до кінця без втручання людини (у його випадку — до чотирьох годин автономної роботи), а також здатність моделі координувати команду агентів. Проте він зазначає, що нова модель дорожча за попередню версію.

Як отримати максимум від Opus 5: лайфхаки від інженерів

1. Давайте моделі інструменти для самоперевірки, а не пояснення «як правильно»

«Модель, яка може запустити тести, лінтер і подивитися на пайплайн, б'є модель, якій у промпті пояснили, що таке хороший код», — впевнений Владислав. 

Олександр вважає, що найбільше на якість результату впливає можливість моделі перевірити власну роботу під різними кутами та внести покращення до досягнення потрібного рівня якості (логи, браузер, локальні тести, доступ до локальної бази даних тощо). «При цьому класно, якщо модель може перевірити власну роботу детерміновано на кожному кроці», — зауважує він. 

2. Використовуйте Skills замість довгих промптів

Мегапромпт — це шум, а не контекст. «Зі skills і субагентами кожен фрагмент контексту підтягується тоді, коли він потрібен», — говорить Влад. 

Олександр радить підключати тули та скіли там, де закінчуються можливості моделі (image generation API для написання фронтенду, MCPs, скіли для використання локальної інфраструктури тощо). 

3. Ізолюйте паралельних агентів у worktrees (робочі дерева)

Коли агенти працюють паралельно, кожен отримує свою робочу копію коду, щоб прогони не конфліктували між собою.

4. Замикайте цикл зворотного зв'язку

«Будуйте зворотний звʼязок: метрики агентів, збір фідбеку від користувачів, розбір фейлів. Без цього ти не оптимізуєш харнес — ти його вгадуєш», — впевнений Владислав. 

5. Керуйте вартістю інфраструктури свідомо

На масштабі кількох паралельних агентів вартість — питання вже не моделі, а білінгової архітектури навколо неї.

Олександр зазначає, що використання кількох акаунтів з підписками замість переходу на extra billing дозволяє йому заощаджувати до $3000 на день.

В COPYMIND написали монітор-плагін для tmux (terminal multiplexer, утиліти командного рядка — Ред.), що збирає кости і повідомляє про статус агентів.