Claude Opus 4.7 코딩 SWE-bench 87점 — 멀티시간 PR 자동화 후기

지난주에 4.6 → 4.7 마이그레이션 마쳤는데, PR 자동 머지율이 체감으로 50% → 75% 로 뛰었어요. SWE-bench Verified 점수 87.6% (4.6은 80.8%) 라는 수치가 단순한 마케팅이 아니라 실제 작업에서 그대로 느껴져요.

특히 변화 큰 건 멀티시간 작업 처리. 4.6 시절엔 30분~1시간 넘는 PR은 도중에 컨텍스트 잃거나 잘못된 길로 빠지는 경우가 많았어요. 4.7은 4시간짜리 리팩터링도 한 번에 마무리. 이 글은 직접 1M 컨텍스트·Task Budget·xhigh effort 다 써보고 정리한 실전 후기예요.

SWE-bench 87.6% 가 의미하는 것 — 4.6 대비 차이

SWE-bench는 GitHub 실제 이슈 500개를 모델에게 던지고 PR 만들도록 시켜서, 머지 가능한 비율을 측정하는 벤치마크예요. 87.6% 라는 건 100개 이슈 중 87.6개를 사람 손 안 대고 머지 가능한 PR로 해결한다는 뜻.

4.6 대비 실제 체감 차이 5가지

1. 멀티 파일 리팩터링 안정성

4.6은 5~6 파일 넘어가면 import 빠뜨리거나 함수 시그니처 불일치 발생률 30% 정도였는데, 4.7은 10 파일 PR도 1차 시도 성공률 85%.

저는 React 프로젝트에서 Context API → Zustand 마이그레이션을 12 파일에 걸쳐 시켰는데, 한 번에 빌드 통과하고 모든 테스트 그린.

2. 디버깅 끈기 — 같은 버그 3번 시도 후 해결

복잡한 race condition 디버깅 시 4.6은 보통 12번 시도하고 "근본 원인 모르겠음" 으로 포기하는데, 4.7은 **57번 시도하며 다른 가설 검증**. xhigh effort 켜면 더 길게 추적.

3. 1M 컨텍스트로 모놀리스 한 번에 분석

50만 라인 모노리포 통째로 던져서 "이 코드베이스의 잠재적 보안 취약점 5가지" 같은 분석 가능. 4.6 시절엔 청크 나눠서 5번 호출해야 했는데, 4.7은 1번에 끝.

4. 한국어 주석·문서 자연스러움

이건 SWE-bench엔 안 잡히는 부분인데, 한국어 README·주석 작성이 4.6 보다 명확히 좋아졌어요. "~합니다" 톤이 줄고, 자연스러운 구어체 + 기술 용어 정확.

5. Vision 입력 — 작은 텍스트 인식

3.75 MP 비전 지원으로 스크린샷에서 작은 에러 메시지·diff 인식 가능. 4.6은 화면 해상도 떨어지면 텍스트 잘 못 읽었어요.

1M 컨텍스트 표준 가격 — 진짜 의미

이전 모델은 200K 넘는 long-context 호출 시 추가 요금 붙었어요 (입력 $30/1M, 출력 $150/1M). 4.7부터 모든 컨텍스트 길이가 표준 단가:

1M 컨텍스트 실전 활용 5가지

1. 모노리포 통째 분석: 50만 라인 한 번에 → 보안·성능·데드 코드 진단
2. 장기 대화 메모리: 한 세션에 200~300턴 대화 그대로 유지
3. 대용량 로그 디버깅: 100MB 로그 던지고 패턴 추출
4. PDF 책 요약: 800 페이지 한 번에 (이전엔 청크 분할 필수)
5. 다중 문서 비교: 계약서 10개 한 번에 띄우고 차이 분석

Prompt Caching 안 쓰면 비용 폭증 — 필수 설정

1M 컨텍스트 한 번 호출 = 인풋 $15. 캐싱 없이 10번 호출하면 $150. 5분 캐시 활성화하면 첫 호출 $15 + 9번 $1.5씩 = $28.5 (81% 절감).

import anthropic

client = anthropic.Anthropic()
response = client.messages.create(
    model="claude-opus-4-7-20260315",
    max_tokens=4096,
    system=[
        {
            "type": "text",
            "text": codebase_content,  # 1M 컨텍스트
            "cache_control": {"type": "ephemeral"}  # 5분 캐시
        }
    ],
    messages=[{"role": "user", "content": user_prompt}]
)

이 한 줄(cache_control) 빠뜨리면 비용 3~5배 차이. 같은 ai-blog의 Claude Projects 활용법 7가지 — 1M 컨텍스트 200% 활용 도 함께 보면 활용 시나리오 더 깊이 이해할 수 있어요.

Task Budget (베타) — 무한 루프 방지의 핵심

Task Budget은 4.7부터 베타로 추가된 기능이에요. 에이전트 작업 시 토큰 총량 제한을 모델에게 명시적으로 알려서, 한정된 자원 안에서 가장 가치 있는 일에 집중하게 만드는 메커니즘.

Task Budget 작동 원리

요청에 task_budget_tokens 200000 설정 → 모델이 작업 시작 시 "내가 쓸 수 있는 총 토큰 200K" 인지. thinking·tool calls·tool results·최종 출력 모두 이 안에서 처리.

response = client.messages.create(
    model="claude-opus-4-7-20260315",
    max_tokens=4096,
    task_budget_tokens=200000,  # 베타
    thinking={"type": "adaptive"},
    messages=[...]
)

핵심: 카운트다운이 모델에게 보임. 50% 소진 시점부터 "검증 단계 줄이고 핵심 결과만" 하는 식으로 페이스 조절.

실제 사용 사례 3가지

사례 1. 무한 도구 호출 방지

n8n 자동화 (n8n + Claude API 자동화 5단계 참고)에서 Claude가 같은 도구를 30번 반복 호출하던 문제. Task Budget 100K 설정 후 15~20회에서 자체 종료.

사례 2. PR 리뷰 시간 보장

PR 자동 리뷰에서 큰 PR 만나면 1시간씩 걸리던 게, Task Budget 50K 설정 후 5분 내 핵심 코멘트만 남기고 종료. 이슈 라벨로 "더 깊은 분석 필요" 표시.

사례 3. 비용 상한선 준수

월 $500 예산 안에서 운영. Task Budget으로 작업당 토큰 상한 설정 → 한 작업이 폭주해서 예산 깨먹는 일 방지.

멀티시간 PR 자동화 5단계 — 직접 운영 중

저는 n8n + Claude API 자동화와 결합해서 PR 자동 처리 워크플로우 운영 중이에요. 5단계 구조:

단계 1. GitHub Webhook → n8n 트리거

PR 오픈 이벤트가 webhook으로 들어옴. 라벨 'auto-review' 가 있으면 Claude 4.7 호출 분기.

단계 2. PR 컨텍스트 수집

gh pr diff #123 으로 변경 사항 + gh pr view --json 으로 메타 정보 수집. 평균 5K 토큰.

단계 3. 코드베이스 컨텍스트 캐싱

해당 PR이 건드리는 모듈의 전체 소스(평균 100K~300K 토큰) 를 prompt cache로 등록. 5분 캐시.

단계 4. Claude 4.7 호출 — Task Budget 200K + xhigh effort

변경 사항을 7가지 관점에서 리뷰:
1. 잠재적 버그·null 처리 누락
2. 타입 안전성 약한 곳
3. 테스트 커버리지 부족
4. 성능 회귀 가능성
5. 보안 위험 (SQL 주입·XSS·secret 노출)
6. 코드 스타일·가독성
7. 비즈니스 로직 모순

각 이슈에 인라인 코멘트로 위치·심각도·수정 제안 작성.

평균 응답 시간 47분, 토큰 소모 80K150K, 비용 PR당 $1~2.

단계 5. 인라인 코멘트 자동 작성

응답을 파싱해서 gh pr review --comment 로 인라인 코멘트 작성. 심각도 상 5개 이상이면 'changes-requested', 그 외 'commented'.

운영 결과 (4월 운영 한 달)

• 처리 PR: 87개
• 자동 머지 비율: 75% (사람 손 안 댐)
• 평균 비용: PR당 $1.4
• 월 총 비용: $122
• 절감 인력 시간: 추산 30~40시간

xhigh effort 활용 시점 — 깊이 vs 속도

xhigh effort는 Claude Code 전용 명시적 옵션이에요. 일반 adaptive보다 thinking 토큰 5~10배 사용.

xhigh를 써야 하는 작업

1. 알고리즘 설계 — 동적 계획법·그래프 알고리즘 새로 짜기
2. 아키텍처 결정 — 마이크로서비스 vs 모놀리스 등
3. 성능 병목 진단 — 50ms → 5ms 줄이는 최적화
4. 복잡한 race condition 디버깅 — 비동기·멀티스레드
5. 보안 감사 — 한 모듈 통째 보고 취약점 5가지+

xhigh 쓰면 안 되는 작업

1. 변수명 바꾸기·import 정리 (DeepSeek V4 Pro로 충분)
2. README 작성 (adaptive로 충분)
3. CRUD API 작성 (adaptive 충분)
4. 테스트 케이스 작성 (adaptive 충분)
5. JSON 파싱·변환 (DeepSeek V4 Pro)

xhigh 한 번 호출하면 응답 3~5분 + 토큰 5배. 정말 가치 있는 작업에만 쓰는 게 비용 효율적.

흔한 실수 5가지 — 4.6 → 4.7 마이그레이션

실수 1. cache_control 안 붙이고 1M 컨텍스트 매번 호출

비용 5배 차이. 모든 long-context 호출에 cache_control 필수.

실수 2. xhigh effort를 모든 호출에 켬

토큰 5배·시간 5배. 단순 작업은 adaptive 충분.

실수 3. Task Budget 너무 작게 설정 (10K 이하)

작업이 도중에 끊김. 최소 50K 권장. 평균 작업은 100~200K.

실수 4. 4.6 호출 코드 그대로 복사

claude-opus-4-6 → claude-opus-4-7-20260315 모델명 변경 필수. 라이브러리 버전도 anthropic >= 0.45 필요.

실수 5. 1M 컨텍스트 채울 때 무관한 파일까지 다 넣음

토큰 낭비 + 결과 품질 하락. 관련 파일만 컨텍스트에 넣고, 나머지는 도구 호출(file_read)로 필요할 때만 로드.

마무리 — 5월 4일 GPT-5.2 vs 5.5 비교 와 함께 보기

4.7이 SWE-bench 87.6% 라면 GPT-5.5 는 SWE-bench Verified 84.2% (Anthropic 자체 발표 비교). 코딩에선 Claude 4.7 우위지만, 일반 채팅·창의적 글쓰기는 GPT-5.5 가 더 자연스러워요.

저는 코드는 Claude, 마케팅·문서는 GPT 로 나눠 써요. Cursor 3.0 / best-of-n 으로 두 모델 동시에 던져서 작업 성격별 최적 모델 채택하는 흐름이 가장 효율적이에요.

처음 마이그레이션이라면 prompt caching·Task Budget 두 가지부터 적용하세요. 비용 50~80% 절감 + 안정성 동시에 잡혀요. 한 번 익숙해지면 4.6으로 못 돌아가요.