このガイドでは、Claude Opus 5 の1M tokenコンテキストを実案件で活かす方法を5つの具体的ステップに分けて解説します。大規模LLMを効率的に運用するための基本パターンが理解できます。
対象読者
- Claude APIを使用している開発者
- 大規模プロンプト（API仕様書+コード+ログなど）を処理したい人
- 長時間の推論タスク（多ステップ問題解決、ドキュメント分析）を実行したい人
- Opus 4.8からの移行を検討している人
確認環境
- Claude Opus 5（モデルID: claude-opus-5）
- Claude API 確認日：2026年09月18日
- 公式ドキュメント版：July 24, 2026 release
背景：なぜOpus 5なのか
Opus 5は2026年7月に正式リリースされた最新世代のエンタープライズAIモデルです。前世代のOpus 4.8との最大の違いは1M tokenのコンテキストがデフォルト標準化されたこと。従来は200K contextが標準で、大規模処理には別途リクエストが必要でした。Opus 5では、複雑な推論タスクと長いコンテキストが同梱されているため、ドキュメント分析やコード解析のような「大量の参照資料」が必要な業務に一気に対応できます。
何が便利なのか
1つのリクエストで処理可能な規模が飛躍的に拡大
| 処理内容 | Token数 | 従来(200K) | Opus 5(1M) |
| API仕様書 | 5万 | ○ | ○ |
| コードベース | 20万 | ✕ | ○ |
| エラーログ | 10万 | ○ | ○ |
| 設計ドキュメント | 15万 | ✕ | ○ |
| 合計 | 50万 | 15万/200K超過 | 50万/1M利用可 |
この5倍のコンテキスト活用で、プロンプトエンジニアリングの工夫が減り、シンプルな指示でも精度が上がります。
必要なもの
- Claude APIのアカウント（Pro/Max/Enterpriseプラン、または直接API利用）
- モデルIDを claude-opus-5 に指定できるSDK/クライアント
- 対応言語：Python、Node.js、Java、Go、C#ほか（各言語用公式SDK）
価格を理解する
実装に進む前に、コスト構造を把握するのが重要です。
基本料金（キャッシュなし）
- 入力：$5 / 100万token
- 出力：$25 / 100万token
Prompt Cachingを使った場合（2回目以降）
- キャッシュ書込（5分間）：$6.25 / 100万token
- キャッシュ読取：$0.50 / 100万token（通常の90%削減）
同じドキュメント群を複数回処理する場合、Prompt Cachingで10倍のコスト削減が可能です。
Step 1: 実行環境をセットアップする
前提：Python 3.9以上とAnthropicの公式SDK
pip install anthropicAPIキーの設定
export ANTHROPIC_API_KEY=your-api-key-hereStep 2: 最初のリクエストを送る（200K の時代との違いを確認）
from anthropic import Anthropic
client = Anthropic()
# Opus 4.8では200Kが標準
# Opus 5では1Mがデフォルト
with open("large_document.txt", "r") as f:
document_content = f.read()
response = client.messages.create(
model="claude-opus-5",
max_tokens=2048,
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": f"このドキュメントを分析してください:\n\n{document_content}"
}
]
}
]
)
print(f"入力: {response.usage.input_tokens} tokens")
print(f"出力: {response.usage.output_tokens} tokens")
print(f"応答: {response.content[0].text[:200]}...")従来の200K contextモデルなら「入力超過エラー」で終わります。Opus 5なら処理完了。
Step 3: 思考（Thinking）の制御
Opus 5の大きな変化：思考がデフォルトで有効
# Opus 4.8の慣例でthinkingを無効化したい場合
response = client.messages.create(
model="claude-opus-5",
max_tokens=4096,
thinking={
"type": "enabled",
"budget_tokens": 2048 # 思考に使う最大token数
},
messages=[{"role": "user", "content": "複雑な問題です..."}]
)
# thinking を完全に無効化したい場合
# 注意：effort ≤ high のときのみ可能
response = client.messages.create(
model="claude-opus-5",
max_tokens=2048,
effort="high", # effortを明示的に指定
messages=[{"role": "user", "content": "シンプルな質問です"}]
)選択肢：adaptive（推奨）は難度に応じて思考量を自動調整、enabled は思考を有効で予算を指定、disabled は思考を無効化（effort ≤ high のとき）
Step 4: Prompt Caching で反復処理を高速化
大規模ドキュメント（仕様書など）を何度も参照する場合：
# 初回：キャッシュに書込（少し高い）
with open("api_spec.md", "r") as f:
spec = f.read()
response = client.messages.create(
model="claude-opus-5",
max_tokens=2048,
system=[
{
"type": "text",
"text": "あなたはAPIスペシャリストです。提供されたドキュメントに基づいて回答してください。"
},
{
"type": "text",
"text": f"## API仕様書\n{spec}",
"cache_control": {"type": "ephemeral"} # 5分間キャッシュ
}
],
messages=[
{"role": "user", "content": "このAPIでユーザー認証を実装する方法は？"}
]
)
print(f"キャッシュ作成: {response.usage.cache_creation_input_tokens} tokens")
print(f"実入力: {response.usage.input_tokens} tokens")2回目以降のリクエスト（同じシステムプロンプト使用）ではキャッシュから読取（90%削減）
Step 5: ツール使用との組み合わせ（実務パターン）
実装中のエラーを分析する実装例：
import json
tools = [
{
"name": "run_test",
"description": "テストを実行して結果を取得",
"input_schema": {
"type": "object",
"properties": {
"test_file": {"type": "string", "description": "テストファイルパス"},
"test_name": {"type": "string", "description": "テスト名"}
},
"required": ["test_file"]
}
},
{
"name": "get_logs",
"description": "エラーログを取得",
"input_schema": {
"type": "object",
"properties": {
"log_level": {"type": "string", "enum": ["ERROR", "WARN", "INFO"]}
}
}
}
]よくあるエラーと対処法
エラー1: 「入力トークンが多すぎます」
原因：1Mを超える入力。不要なドキュメント部分を削除するか、複数リクエストに分割。
# トークンを数える（事前チェック）
response = client.messages.count_tokens(
model="claude-opus-5",
messages=[{"role": "user", "content": large_prompt}]
)
print(f"推定トークン数: {response.input_tokens}")
if response.input_tokens > 950000: # 安全マージン
print("プロンプトが大きすぎます")エラー2: 「思考ブロックが無効です」
原因：ツール使用時に思考ブロックを改変した。対策：思考ブロック（thinking タイプ）は一字一句変更せずに返す。
エラー3: 「effortが高くなければthinkingは無効化できません」
原因：effort: xhigh で思考無効化を試みた。xhigh では思考は必ず有効。
注意点と限界
- コンテキストロット：大量のテキストが入力されると、モデルの精度が低下。対策：最も重要な情報を前に配置。
- キャッシュの最小サイズ：Prompt Cachingを使うには、キャッシュ対象が最低512トークン必要。
- 思考トークンの消費：適応的思考はmax_tokensの一部を使う。実際の応答は予想より少ない可能性も。
- 画像・PDFの上限：600ファイルまで（200Kモデルは100）。
まとめ
Opus 5 の1Mコンテキストは、5つのポイントを覚えれば活用できます：
- API + コード + ログ を1つのリクエストで処理
- Prompt Cachingで大規模参考資料をキャッシュして高速化
- 思考を活用して複雑な推論タスクに対応
- ツール呼び出しで実行結果を取り込みながら改善
- コスト管理は事前のトークンカウント + キャッシュ戦略で
この5つを覚えれば、Opus 4.8では実装不可能だった大規模処理が現実的になります。
参考にした公式情報
Context windows
Understand how the context window works, how extended thinking and tool use count toward it, and how to manage context as conversations grow.
Claude Opus 5
Claude Opus 5 at a glance: what it's for, model IDs on every platform, context window, output limits, pricing, availability, and the guides and resources for building with it.
Pricing
Learn about Anthropic's pricing structure for models and features
Prompt caching
Cache prompt prefixes with `cache_control` to cut costs and latency, using automatic caching or explicit breakpoints with 5-minute or 1-hour TTLs.
Thinking
Understand how Claude's thinking works: turn it on, read thinking output, steer thinking depth with effort, and use thinking with tools, caching, and streaming.
この記事のライター
