Claude Opus 4.7 Task Budgets 是什麼？讓 AI 不再燒光你的預算
Claude Opus 4.7 Task Budgets（任務預算）是 Anthropic 在 2026 年推出的新功能，專門解決一個所有 AI Agent 開發者都會遇到的痛點：agentic loop 無限燒 token 導致成本失控。
想像一下這個情境：你讓 Claude 幫你審查整個程式碼庫，它開始瘋狂呼叫工具、讀檔案、分析架構、生成報告⋯⋯結果半小時後你收到帳單發現燒了 50 萬 token（約台幣 750 元），但任務只完成 30%。Task Budgets 就是為了防止這種事情發生。
根據官方文件說明，Task Budgets 讓你可以告訴 Claude：「這整個 agentic loop 只能花 6.4 萬 token」。模型會看到一個即時倒數計時，用來決定要做哪些事情、何時該收尾，並在預算即將用完時優雅地完成任務，而不是突然被截斷。
目前狀態：公開 Beta 階段（2026年5月），只支援 Claude Opus 4.7，不支援 Opus 4.6、Sonnet 4.6 或 Haiku 4.5。
為什麼需要 Task Budgets？AI Agent 的成本失控問題
傳統的 max_tokens 參數只能限制「輸出的文字長度」，但 AI Agent 的成本不只來自輸出，還包括：
- Thinking（思考過程）：Claude 內部推理消耗的 token
- Tool calls（工具呼叫）：每次呼叫工具的請求本身也算 token
- Tool results（工具結果）：工具回傳的資料（可能是整份檔案內容）
- 歷史訊息累積：每一輪對話都會把前面的完整歷史再送一次
舉個實際案例：你要求 Claude 分析一個 GitHub repo，它可能會：
- 讀 README.md（2,000 tokens）
- 讀 10 個主要檔案（20,000 tokens）
- 執行測試看結果（5,000 tokens）
- 生成重構建議（8,000 tokens 輸出）
這樣一輪下來就是 3.5 萬 token，但如果模型判斷「還不夠」，它可能再跑第二輪、第三輪⋯⋯最後你的成本是當初預期的 5 倍。
Task Budgets 的核心價值：給模型一個「成本目標」而不是「硬性截止」，讓它學會在預算內做最重要的事，而不是做到一半被強制中斷。
Task Budgets 的組成結構：三個關鍵參數
Task Budgets 透過 API 的 output_config 欄位設定，主要包含三個參數：
1. type（類型）
目前固定為 "tokens"，未來可能支援其他計量單位（如時間、費用）。
2. total（總預算）
整個 agentic loop 可以花費的 token 數量。最少 20,000 tokens，低於此值 API 會回傳 400 錯誤。
建議範圍：
- 簡單任務（查詢資料、單檔分析）：20,000 ~ 40,000 tokens
- 中等任務（代碼審查、多檔分析）：40,000 ~ 80,000 tokens
- 複雜任務（全專案重構、深度研究）：80,000 ~ 200,000 tokens
3. remaining（剩餘預算，可選）
用於跨請求攜帶剩餘預算。當你做了 context 壓縮（compaction）後，可以用這個參數告訴模型「上次已經花了多少，這次繼續用剩下的」。
{
"type": "tokens",
"total": 100000,
"remaining": 73000 // 上次花了 27,000，這次繼續
}注意：修改 remaining 會使 prompt cache 失效，因為預算倒數標記會被寫進快取的內容裡。
Task Budgets 與其他參數的關係
Task Budgets 不是單獨運作，它需要跟其他 API 參數搭配使用：
與 max_tokens 的關係
task_budget.total：建議目標（soft hint），模型會盡量遵守但可能偶爾超預算max_tokens：絕對上限（hard cap），達到後立刻強制中斷
最佳實踐：max_tokens 設為 task_budget.total 的 1.2 ~ 1.5 倍，給模型一點彈性空間。
與 effort 的關係
effort 控制每一步的思考深度（low / medium / high / xhigh / max），task_budget 控制總共可以跑幾步。
兩者搭配策略：
- 高品質 + 低預算：
effort: "high"+task_budget: 40000→ 少量高品質步驟 - 快速探索 + 高預算：
effort: "low"+task_budget: 100000→ 大量快速嘗試 - 深度分析：
effort: "xhigh"+task_budget: 150000→ 完整深入研究
怎麼用？完整 API 範例
方法一：curl 指令（直接測試）
curl https://api.anthropic.com/v1/messages \
--header "x-api-key: $ANTHROPIC_API_KEY" \
--header "anthropic-version: 2023-06-01" \
--header "anthropic-beta: task-budgets-2026-03-13" \
--header "content-type: application/json" \
--data '{
"model": "claude-opus-4-7",
"max_tokens": 128000,
"messages": [
{
"role": "user",
"content": "Review the codebase and propose a refactor plan."
}
],
"output_config": {
"effort": "high",
"task_budget": {
"type": "tokens",
"total": 64000
}
}
}'關鍵點：
- 必須加入
anthropic-beta: task-budgets-2026-03-13header 才能啟用 model必須是claude-opus-4-7output_config裡同時設定effort和task_budget
方法二：Python SDK（正式專案）
from anthropic import Anthropic
client = Anthropic(api_key="your-api-key")
response = client.beta.messages.create(
model="claude-opus-4-7",
max_tokens=128000,
output_config={
"effort": "high",
"task_budget": {
"type": "tokens",
"total": 64000
}
},
messages=[
{
"role": "user",
"content": "Analyze this dataset and find patterns."
}
],
betas=["task-budgets-2026-03-13"]
)
print(response.content[0].text)Python SDK 的 betas 參數等同於 curl 的 anthropic-beta header。
方法三：跨請求攜帶剩餘預算
# 第一次請求
response1 = client.beta.messages.create(
model="claude-opus-4-7",
max_tokens=128000,
output_config={
"effort": "high",
"task_budget": {"type": "tokens", "total": 100000}
},
messages=[{"role": "user", "content": "Step 1: Analyze"}],
betas=["task-budgets-2026-03-13"]
)
# 假設第一次花了 27,000 tokens
# 第二次請求攜帶剩餘預算
response2 = client.beta.messages.create(
model="claude-opus-4-7",
max_tokens=128000,
output_config={
"effort": "high",
"task_budget": {
"type": "tokens",
"total": 100000,
"remaining": 73000 # 剩下的繼續用
}
},
messages=[
# 壓縮後的歷史訊息
{"role": "user", "content": "Step 2: Continue"}
],
betas=["task-budgets-2026-03-13"]
)倒數計時如何運作？三回合範例解析
官方文件提供了一個詳細的三回合範例，展示預算如何在每一步被消耗。假設初始預算是 100,000 tokens：
| 回合 | 請求 payload 大小 | 本回合計入預算的 token | 剩餘預算 |
|---|---|---|---|
| 第 1 回合 | ~20 tokens（初始訊息） | 5,000（thinking + tool_use） | 95,000 |
| 第 2 回合 | ~7,800（含第1回合歷史） | 6,800（tool result 2,800 + thinking 4,000） | 88,200 |
| 第 3 回合 | ~13,000（完整歷史） | 7,200（tool result 1,200 + text 6,000） | 81,000 |
重要發現：重複傳送的舊訊息不會重複計入預算！
第 2 回合的 payload 有 7,800 tokens，但只有「新增的部分」（tool result + thinking）被計入預算。第 1 回合的 20 tokens 初始訊息不會再算一次。
這表示什麼？你可以放心地把完整歷史傳給 Claude，不用擔心重複計費。Task Budgets 的計算邏輯是「增量計費」，不是「全量計費」。
適合使用 Task Budgets 的場景
根據官方建議，以下情境最適合使用 Task Budgets：
1. 長時間 agentic 任務
需要多次 tool call、分析、再輸出的任務。例如：
- 代碼審查：讀檔案 → 分析架構 → 找問題 → 生成報告
- 資料分析：讀 CSV → 清洗資料 → 統計 → 視覺化 → 撰寫洞察
- 研究任務：搜尋資料 → 閱讀文件 → 交叉比對 → 撰寫摘要
2. 需要預測成本或延遲上限
當你要向客戶承諾「這個 AI Agent 每次執行不會超過 X 元」時，Task Budgets 讓你可以設定硬性預算上限。
3. 希望優雅完成而非突然中斷
用 max_tokens 硬截斷可能導致輸出到一半被切斷（例如 JSON 格式不完整）。Task Budgets 會讓模型「看著倒數計時」，在接近預算時主動收尾。
4. 與 effort 搭配調控品質與成本
你可以設定：
- 快速模式：
effort: "low"+task_budget: 30000→ 3 分鐘內給初步結果 - 標準模式：
effort: "medium"+task_budget: 60000→ 10 分鐘給完整分析 - 深度模式：
effort: "xhigh"+task_budget: 150000→ 30 分鐘給專家級報告
不適合 Task Budgets 的情境
官方也明確指出，以下情境不建議使用 Task Budgets：
1. 單一請求查詢
如果任務只需要一次請求就能完成（例如「翻譯這段文字」「總結這篇文章」），用 max_tokens 就夠了，不需要 Task Budgets。
2. Claude Code / Cowork 介面
這些官方介面目前不支援 Task Budgets（截至 2026 年 5 月）。只有透過 API 才能使用。
3. 需要硬性截止時
Task Budgets 是 soft hint（軟性建議），模型偶爾可能會超預算 5~10%。如果你需要「絕對不能超過 X tokens」的硬性保證，還是要靠 max_tokens。
常見錯誤與解決方式
錯誤 1：預算設太小導致拒絕行為
症狀：模型輸出「我無法在這個預算內完成任務」或提前結束。
原因：當預算少於 20,000 tokens 或明顯不足以完成任務時，Claude 會變得保守，甚至拒絕執行。
解決：
- 確保
task_budget.total≥ 20,000 - 如果任務複雜，至少給 40,000 ~ 60,000
- 觀察實際消耗，再調整預算
錯誤 2：修改 remaining 破壞 prompt cache
症狀：跨請求攜帶剩餘預算後，回應時間變慢，成本沒有降低。
原因：預算倒數標記會被寫進 prompt cache，修改 remaining 會使快取失效。
解決：
- 只在真正需要時才用
remaining（例如 context 壓縮後） - 如果沒有壓縮，就讓模型自動繼續用原本的預算
錯誤 3：把 Task Budgets 當成 hard cap
誤解：以為設定 task_budget: 50000 就能保證「絕對不超過 5 萬 tokens」。
真相：Task Budgets 是建議目標，模型會盡量遵守但可能超預算 5~10%。
解決：如果需要硬性上限，用 max_tokens 搭配 Task Budgets：
{
"max_tokens": 55000, // 硬性上限
"output_config": {
"task_budget": {"type": "tokens", "total": 50000} // 目標
}
}錯誤 4：忘記加 beta header
症狀：API 回傳 400 錯誤，說不認識 task_budget 參數。
原因：Task Budgets 是 Beta 功能，必須明確啟用。
解決：
- curl：加
--header "anthropic-beta: task-budgets-2026-03-13" - Python SDK：加
betas=["task-budgets-2026-03-13"]
實際應用場景：三個完整範例
場景一：代碼審查 Agent
def review_codebase(repo_path: str):
client = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))
response = client.beta.messages.create(
model="claude-opus-4-7",
max_tokens=100000,
output_config={
"effort": "high",
"task_budget": {"type": "tokens", "total": 70000}
},
messages=[{
"role": "user",
"content": f"Review the codebase at {repo_path}. Focus on: 1) Architecture issues 2) Security risks 3) Performance bottlenecks. Provide a prioritized refactor plan."
}],
betas=["task-budgets-2026-03-13"],
tools=[
{"name": "read_file", "description": "Read file content"},
{"name": "list_directory", "description": "List directory structure"},
{"name": "run_tests", "description": "Execute test suite"}
]
)
return response.content[0].text預算規劃：
- 讀檔案：~30,000 tokens
- 分析：~20,000 tokens
- 生成報告：~10,000 tokens
- 緩衝：~10,000 tokens
場景二：資料分析 Agent
def analyze_dataset(csv_path: str):
client = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))
response = client.beta.messages.create(
model="claude-opus-4-7",
max_tokens=120000,
output_config={
"effort": "xhigh", # 深度分析
"task_budget": {"type": "tokens", "total": 90000}
},
messages=[{
"role": "user",
"content": f"Analyze {csv_path}. Find patterns, outliers, and correlations. Generate visualizations and a business insights report."
}],
betas=["task-budgets-2026-03-13"],
tools=[
{"name": "read_csv", "description": "Load CSV data"},
{"name": "run_python", "description": "Execute pandas/matplotlib code"},
{"name": "save_chart", "description": "Save visualization"}
]
)
return response.content[0].text預算規劃：
- 讀資料：~10,000 tokens
- 統計分析：~30,000 tokens
- 視覺化：~20,000 tokens
- 撰寫報告：~20,000 tokens
- 緩衝：~10,000 tokens
場景三：多步驟研究 Agent（跨請求）
def research_topic(topic: str):
client = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))
# 第一階段：搜尋與閱讀
response1 = client.beta.messages.create(
model="claude-opus-4-7",
max_tokens=80000,
output_config={
"effort": "medium",
"task_budget": {"type": "tokens", "total": 100000}
},
messages=[{
"role": "user",
"content": f"Research '{topic}'. Find 5 key sources and summarize main arguments."
}],
betas=["task-budgets-2026-03-13"]
)
# 假設第一階段用了 45,000 tokens
# 第二階段：深度分析（攜帶剩餘預算）
response2 = client.beta.messages.create(
model="claude-opus-4-7",
max_tokens=80000,
output_config={
"effort": "high",
"task_budget": {
"type": "tokens",
"total": 100000,
"remaining": 55000 # 繼續用剩下的
}
},
messages=[
# 壓縮後的歷史
{"role": "assistant", "content": response1.content[0].text[:500]},
{"role": "user", "content": "Based on these sources, write a comprehensive analysis with counterarguments."}
],
betas=["task-budgets-2026-03-13"]
)
return response2.content[0].text進階技巧：結合 Adaptive Thinking 與 Task Budgets
Claude Opus 4.7 支援 thinking 參數（adaptive / enabled / disabled），可以與 Task Budgets 結合使用：
response = client.beta.messages.create(
model="claude-opus-4-7",
max_tokens=100000,
output_config={
"effort": "high",
"task_budget": {"type": "tokens", "total": 60000},
"thinking": "adaptive" # 讓模型自己決定何時 thinking
},
messages=[{"role": "user", "content": "Complex analysis task"}],
betas=["task-budgets-2026-03-13"]
)adaptive 模式的優勢：
- 簡單步驟跳過 thinking（省 token）
- 複雜決策自動觸發 thinking（提升品質）
- 與 Task Budgets 搭配，讓模型在預算內自動優化 thinking 使用頻率
Task Budgets 與其他 Opus 4.7 新功能的搭配
Claude Opus 4.7（2026 年 4 月 16 日發布）還帶來其他新功能，可以與 Task Budgets 一起使用：
1. 高解析度圖片支援
最高支援 2,576px / 3.75MP（是前代的 3 倍）。當任務涉及圖片分析時，Task Budgets 可以幫你控制「讀多少張圖片」的成本。
2. 新增 xhigh effort level
介於 high 和 max 之間的思考深度。搭配 Task Budgets 使用：
{
"effort": "xhigh",
"task_budget": {"type": "tokens", "total": 80000}
}適合「需要深度思考但有預算限制」的場景。
3. 1M token context window
Opus 4.7 支援 100 萬 token 的 context window，但這不代表你可以無限使用。Task Budgets 讓你在大 context 下仍能控制成本。
監控與除錯：如何查看實際消耗
API 回應中的 usage 欄位會顯示實際消耗：
{
"id": "msg_xxx",
"content": [...],
"usage": {
"input_tokens": 15234,
"output_tokens": 8721,
"cache_creation_tokens": 0,
"cache_read_tokens": 12000
}
}計算實際預算消耗：
total_used = (
response.usage.input_tokens +
response.usage.output_tokens +
response.usage.cache_creation_tokens
)
remaining_budget = initial_budget - total_used
print(f"已使用：{total_used} tokens")
print(f"剩餘預算：{remaining_budget} tokens")注意：cache_read_tokens 不計入預算（快取讀取是免費的）。
FAQ：Task Budgets 常見問題
Q1：Task Budgets 會讓回應變慢嗎？
A：不會。預算倒數是伺服器端自動注入的標記，不需要額外計算。實際延遲與不用 Task Budgets 相同。
Q2：可以中途修改預算嗎？
A：每次請求的預算是固定的。如果要修改，只能在下一次請求時用 remaining 參數調整。
Q3：Task Budgets 支援哪些模型？
A：目前（2026 年 5 月）只支援 Claude Opus 4.7。Sonnet / Haiku 不支援。
Q4：如果模型超預算怎麼辦？
A：Task Budgets 是軟性建議，可能超預算 5~10%。如果需要硬性上限，用 max_tokens 搭配。
Q5：Task Budgets 會影響 prompt cache 效果嗎？
A：預算倒數標記在快取中不匹配，修改 remaining 會使快取失效。如果不修改 remaining，快取正常運作。
總結：Task Budgets 讓 AI Agent 成本可控
Claude Opus 4.7 Task Budgets 解決了 AI Agent 開發的核心痛點：成本失控。透過設定 task_budget，你可以：
- ✅ 給模型一個「成本目標」而不是「硬性截止」
- ✅ 讓模型在預算內優先做最重要的事
- ✅ 優雅地完成任務，而不是做到一半被截斷
- ✅ 搭配
effort調控品質與成本平衡 - ✅ 跨請求攜帶剩餘預算，支援長時間任務
最佳實踐建議：
- 先用較高預算（如 80,000）跑一次，觀察實際消耗
- 根據實際消耗設定合理預算（實際消耗的 1.2 ~ 1.5 倍）
max_tokens設為task_budget.total的 1.5 倍（給緩衝空間）- 搭配
effort和thinking: "adaptive"優化品質與成本 - 監控
usage欄位，持續調整預算
Task Budgets 目前仍在 Beta 階段，未來可能支援更多模型與計量單位（如時間、費用）。如果你的專案涉及長時間 agentic loop，現在就是最佳導入時機。
解壓縮 → 拖入 Claude Code → 輸入任意一句話，5 分鐘完成安裝
✅ EvoForge 核心功能：
🧠 三層記憶系統，50 Token 完成查詢（關掉不再忘記）
🔗 85-Token 跨對話橋接，任務中斷秒速恢復不重頭來
⚡ DCI 動態 Context 注入，省 70%+ Token
📈 Stop Hook 自動進化，同類任務 3 次自動腳本化
🛠️ 12 個核心技能，/斜線指令開箱即用
🤖 3 個子代理協作，不消耗主對話 Token
原價 NT$1,288
NT$600
前 100 名優惠 · 買斷不收月費 · MIT 授權可自由修改
Mac & Windows 適用 · 確認匯款後立即出貨 · LINE：kenemail2