Cara Menggunakan API Claude Opus 4.5

CometAPI
AnnaNov 24, 2025
Cara Menggunakan API Claude Opus 4.5

Anthropic merilis Claude Opus 4.5 pada akhir November 2025 sebagai model kelas Opus yang lebih andal dan efisien, ditujukan untuk rekayasa perangkat lunak profesional, alur kerja agen (agentic workflows), dan tugas berjangka panjang. Model ini tersedia melalui platform pengembang Anthropic dan via CometAPI serta memperkenalkan kontrol API baru (terutama parameter effort), peningkatan tooling computer-use, extended thinking, dan efisiensi token yang berpengaruh di produksi.

Di bawah ini adalah panduan praktis dan profesional: apa yang berubah, cara mendapatkan akses, cara menggunakan kontrol baru (effort, extended thinking, tool use, files/computer use), panduan biaya & optimasi, pertimbangan keamanan/tata kelola, dan pola integrasi dunia nyata.

Apa sebenarnya Claude Opus 4.5 dan mengapa itu penting?

Claude Opus 4.5 adalah anggota terbaru keluarga model kelas Opus dari Anthropic (dirilis 24–25 November 2025) yang berfokus pada kemampuan penalaran dan pengkodean maksimum sambil meningkatkan efisiensi token dan menawarkan kontrol API baru untuk menyeimbangkan biaya versus ketelitian. Anthropic memposisikan Opus 4.5 sebagai “model paling cerdas” yang pernah dirilisnya, menargetkan tugas rekayasa perangkat lunak yang kompleks, agen yang berjalan lama, otomasi spreadsheet/Excel, dan tugas yang membutuhkan penalaran multi-langkah berkelanjutan.

Apa pembaruan utama di Opus 4.5?

Anthropic merancang Opus 4.5 untuk meningkatkan kedalaman penalaran dan perilaku agen sekaligus memberi pengembang kendali lebih baik atas tradeoff biaya/latensi. Sorotan rilisnya adalah:

  • Parameter effort (beta): tombol API kelas-utama yang mengontrol seberapa banyak “anggaran berpikir” yang dihabiskan Claude pada sebuah permintaan (umumnya low, medium, high). Ini memengaruhi penalaran, pemanggilan tool, dan token “thinking” internal sehingga Anda dapat menyetel kecepatan vs ketelitian per panggilan alih-alih beralih model. Ini adalah kemampuan khas Opus 4.5.
  • Orkestrasi agen dan tool yang lebih baik: akurasi lebih tinggi dalam memilih tool, pemanggilan tool yang lebih terstruktur, dan alur kerja hasil-tool yang lebih tangguh untuk membangun agen dan pipeline multi-langkah. Anthropic menyediakan dokumentasi dan panduan SDK untuk alur “tool use”.
  • Efisiensi token/biaya — Anthropic melaporkan pengurangan penggunaan token hingga ~50% untuk beberapa alur kerja dibanding Sonnet 4.5, plus lebih sedikit kesalahan pemanggilan tool dan lebih sedikit iterasi untuk tugas rekayasa yang kompleks.
  • Kemampuan multimodal yang ditingkatkan: Peningkatan komprehensif pada performa visual, penalaran, dan matematika.
  • Jendela konteks diperluas hingga 200K token, mendukung percakapan mendalam dan panjang serta analisis dokumen yang kompleks.

Kemampuan praktis apa yang meningkat?

Peningkatan performa

  • Orkestrasi agen dan tool yang lebih baik: akurasi lebih tinggi dalam memilih tool, pemanggilan tool yang lebih terstruktur, dan alur kerja hasil-tool yang lebih tangguh untuk membangun agen dan pipeline multi-langkah. Anthropic menyediakan dokumentasi dan panduan SDK untuk alur “tool use”. Peningkatan pengelolaan konteks, pembantu kompaksi untuk run agen panjang, dan SDK tool kelas-utama untuk mendaftarkan dan memvalidasi tool membuat Opus 4.5 lebih baik untuk membangun agen yang berjalan tanpa pengawasan selama banyak langkah.
  • Kemampuan multimodal yang ditingkatkan: Peningkatan komprehensif pada performa visual, penalaran, dan matematika.
  • Jendela konteks diperluas hingga 200K token, mendukung percakapan mendalam dan panjang serta analisis dokumen yang kompleks.

Pengodean dan pekerjaan berjangka panjang

Opus 4.5 tetap berorientasi tolok ukur untuk tugas pengodean; ia mengurangi jumlah iterasi dan kesalahan pemanggilan tool selama pekerjaan panjang (migrasi kode, refactor, debugging multi-langkah). Laporan awal dan system card Anthropic mencatat peningkatan performa berkelanjutan pada tolok ukur rekayasa dan efisiensi yang dramatis dalam pipeline yang digerakkan tool.

Dalam SWE-bench, Opus 4.5 melaporkan skor terdepan pada tolok ukur rekayasa perangkat lunak (Anthropic mencantumkan 80,9% pada SWE-bench Verified dalam materi peluncuran), dan pelanggan melaporkan peningkatan pada debugging, pengeditan multi-berkas, dan tugas kode berjangka panjang.

Claude Opus 4.5-SWE-1

Biaya dan Efisiensi

Anthropic merancang Opus 4.5 untuk meningkatkan kedalaman penalaran dan perilaku agen sekaligus memberi pengembang kendali lebih baik atas tradeoff biaya/latensi:

  • Penurunan harga dibandingkan Opus 4.1: $5 (input) / $25 (output) per satu juta token.
  • Peningkatan penggunaan token: Rata-rata pengurangan 50–75% konsumsi sambil mempertahankan performa.
  • tombol API kelas-utama yang mengontrol seberapa banyak “anggaran berpikir” yang dihabiskan Claude pada sebuah permintaan (umumnya low, medium, high). Ini memengaruhi penalaran, pemanggilan tool, dan token “thinking” internal sehingga Anda dapat menyetel kecepatan vs ketelitian per panggilan alih-alih beralih model. Ini adalah kemampuan khas Opus 4.5 (Dibanding Sonnet 4.5: Medium Effort → 76% lebih sedikit token, performa sebanding; High Effort → peningkatan performa 4,3%, pengurangan penggunaan token 48%).

Bagaimana cara mengakses dan menggunakan API Claude Opus 4.5?

Bagaimana saya mendapatkan akses dan kunci?

  1. Buat akun Pengembang Anthropic / Claude. Daftar di portal pengembang Claude/Anthropic dan buat API key melalui Console (alur organisasi/admin tersedia untuk tim). Messages API adalah endpoint utama untuk interaksi gaya chat/asisten.
  2. Mitra cloud: Opus 4.5 juga tersedia melalui marketplace cloud besar Google Vertex AI, CometAPI (platform agregasi API AI, perlu menggunakan autentikasinya), Di CometAPI, Anda dapat mengakses API Claude opus 4.5 melalui format Anthropic Messages dan format Chat.

Bagaimana saya harus melakukan autentikasi permintaan?

Gunakan bearer token standar: sertakan header Authorization: Bearer $_API_KEY pada setiap panggilan API. Permintaan berupa JSON melalui HTTPS; Messages API menerima daftar pesan terstruktur (system + user + assistant).

Quickstart — Python (SDK resmi)

Pasang SDK:

pip install anthropic

Contoh minimal (sinkron):

import os
from anthropic import Anthropic

# expects ANTHROPIC_API_KEY in env

client = Anthropic(api_key=os.environ)

resp = client.messages.create(
    model="claude-opus-4-5-20251101",
    messages=,
    max_tokens=512,
)

print(resp.content.text)  # SDK returns structured content blocks

Panggilan ini menggunakan pengenal model Opus 4.5 yang kanonis. Untuk endpoint yang dikelola penyedia (Vertex, CometAPI, Foundry) ikuti dokumentasi penyedia untuk membangun klien dan memasok url serta kunci penyedia (mis., https://api.cometapi.com/v1/messages untuk CometAPI).

Quickstart — Python (CometAPI)

Anda perlu masuk ke CometAPI dan mendapatkan kunci.

curl 
--location 
--request POST 'https://api.cometapi.com/v1/messages' \ 
--header 'Authorization: Bearer ' \ 
--header 'Content-Type: application/json' \ 
--data-raw '{ "model": "claude-opus-4-5-20251101", "max_tokens": 1000, "thinking": { "type": "enabled", "budget_tokens": 1000 }, "messages":  }'

Bagaimana cara menggunakan parameter effort dan extended thinking?

Apa itu parameter effort dan bagaimana cara mengaturnya?

Parameter effort adalah kontrol API kelas-utama yang diperkenalkan pada Opus 4.5 untuk menyesuaikan seberapa banyak komputasi internal dan anggaran token yang dihabiskan model saat menghasilkan output. Nilai umum adalah low, medium, dan high. Gunakan untuk menyeimbangkan latensi dan biaya token versus ketelitian:

  • low — jawaban cepat dan efisien token untuk otomasi volume tinggi dan tugas rutin.
  • medium — kualitas/biaya seimbang untuk penggunaan produksi.
  • high — analisis mendalam, penalaran multi-langkah, atau saat akurasi paling penting.

Anthropic memperkenalkan effort untuk Opus 4.5 (beta). Anda harus menyertakan beta header (mis., effort-2025-11-24) dan menentukan output_config: { "effort": "low|medium|high" } (contoh di bawah). high adalah perilaku default. Menurunkan effort mengurangi penggunaan token dan latensi namun dapat sedikit menurunkan ketelitian. Gunakan untuk tugas throughput tinggi atau sensitif terhadap latensi.

Contoh:

# Example using the beta messages API shown in Anthropic docs

from anthropic import Anthropic
import os

client = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))

response = client.beta.messages.create(
    model="claude-opus-4-5-20251101",
    betas=,   # required beta header

    messages=,
    max_tokens=1500,
    output_config={"effort": "medium"}  # low | medium | high

)

print(response)

Kapan menggunakan yang mana: gunakan low untuk pipeline otomatis (mis., kategorisasi email), medium untuk asisten standar, dan high untuk pembuatan kode, riset mendalam, atau tugas yang sensitif risiko. Anthropic menyorot parameter ini sebagai kontrol kunci untuk Opus 4.5.

Dalam uji SWE-bench:

  • Pada mode Medium Effort: performa sebanding dengan Sonnet 4.5, namun token output berkurang 76%;
  • Pada mode High Effort: performa melampaui Sonnet 4.5 sekitar 4,3 poin persentase, dan token berkurang 48%.

Claude Opus 4.5-SWE-2

Apa itu Extended Thinking dan bagaimana cara memanggilnya?

Extended Thinking (juga disebut “extended thinking” atau “thinking blocks”) memungkinkan model melakukan rantai pemikiran menengah atau penalaran bertahap sambil secara opsional mempertahankan atau meringkas blok pemikiran internal. Messages API mendukung perilaku ini dan Anthropic menambahkan kontrol untuk mempertahankan blok pemikiran sebelumnya sehingga agen multi-giliran dapat menggunakan kembali penalaran terdahulu tanpa mengulang komputasi yang mahal. Gunakan extended thinking ketika tugas memerlukan perencanaan multi-langkah, pemecahan masalah jangka panjang, atau orkestrasi tool.

Bagaimana cara mengintegrasikan tool dan membangun agen dengan Opus 4.5?

Salah satu kekuatan utama Opus 4.5 adalah peningkatan penggunaan tool: definisikan tool di klien Anda, biarkan Claude memutuskan kapan memanggilnya, eksekusi tool tersebut, dan kembalikan tool_result — Claude akan menggunakan hasil tersebut dalam jawaban finalnya. Anthropic menyediakan Agent SDK yang memungkinkan Anda mendaftarkan fungsi tool bertipe (mis., run_shell, call_api, search_docs) yang dapat ditemukan dan dipanggil Claude selama extended thinking. Platform mengonversi definisi tool menjadi fungsi yang dapat dipanggil oleh model dan menerima hasilnya. Inilah cara Anda membangun alur kerja agen secara aman (dengan kontrol input/output).

Di bawah ini adalah pola praktis dan contoh Python end-to-end.

Pola penggunaan tool (konseptual)

  1. Klien memasok metadata tools dengan name, description, dan JSON schema (input_schema).
  2. Model mengembalikan blok tool_use (instruksi terstruktur model untuk memanggil tool tertentu dengan input spesifik). stop_reason respons API mungkin tool_use.
  3. Klien mengeksekusi tool (kode Anda memanggil API eksternal atau fungsi lokal).
  4. Klien mengirim pesan lanjutan dengan role:"user" dan blok konten tool_result yang berisi output tool.
  5. Model mengonsumsi hasil tool dan mengembalikan jawaban final atau pemanggilan tool lebih lanjut.

Alur ini memungkinkan kontrol sisi klien yang aman atas apa yang dieksekusi model (model mengusulkan pemanggilan tool; Anda yang memutuskan eksekusi).

Contoh end-to-end — Python (tool cuaca sederhana)

# 1) Define tools metadata and send initial request

from anthropic import Anthropic
import os, json

client = Anthropic(api_key=os.environ)

tools = [
    {
        "name": "get_weather",
        "description": "Return the current weather for a given city.",
        "input_schema": {"type":"object","properties":{"city":{"type":"string"}},"required":}
    }
]

resp = client.messages.create(
    model="claude-opus-4-5-20251101",
    messages=,
    tools=tools,
    max_tokens=800,
)

# 2) Check if Claude wants a tool call

stop_reason = resp.stop_reason  # SDK field

if stop_reason == "tool_use":
    # Extract the tool call (format varies by SDK; this is schematic)

    tool_call = resp.tool_calls  # e.g., {"name":"get_weather", "input":{"city":"Tokyo"}}

    tool_name = tool_call
    tool_input = tool_call

    # 3) Execute the tool client-side (here: stub)

    def get_weather(city):
        # Replace this stub with a real weather API call

        return {"temp_c": 12, "condition": "Partly cloudy"}

    tool_result = get_weather(tool_input)

    # 4) Send tool_result back to Claude

    follow_up = client.messages.create(
        model="claude-opus-4-5-20251101",
        messages=[
            {"role":"user", "content":[{"type":"tool_result",
                                        "tool_use_id": resp.tool_use_id,
                                        "content": json.dumps(tool_result)}]}
        ],
        max_tokens=512,
    )

    print(follow_up.content.text)
else:
    print(resp.content.text)

Bagaimana sebaiknya Anda menyusun agen untuk keandalan?

  • Sanitasi input tool (hindari injeksi melalui prompt).
  • Validasi output tool sebelum memberikannya kembali ke model (pemeriksaan skema).
  • Batasi cakupan tool (prinsip least privilege).
  • Gunakan pembantu kompaksi (dari SDK Anthropic) untuk menjaga konteks tetap terkelola selama run panjang.

Bagaimana saya harus merancang prompt & menyusun pesan untuk Opus 4.5?

Peran pesan dan strategi prefill apa yang paling efektif?

Gunakan pola tiga bagian:

  • System (role: system): instruksi global — nada, guardrail, peran.
  • Assistant (opsional): contoh siap pakai atau konten priming.
  • User (role: user): permintaan langsung.

Prefill pesan system dengan batasan (format, panjang, kebijakan keamanan, JSON schema jika ingin output terstruktur). Untuk agen, sertakan spesifikasi tool dan contoh penggunaan agar Opus 4.5 dapat memanggil tool tersebut dengan benar.

Bagaimana menggunakan kompaksi konteks dan prompt caching untuk menghemat token?

  • Kompaksi konteks: ringkas bagian percakapan yang lebih lama menjadi ringkasan padat yang masih dapat digunakan model. Opus 4.5 mendukung otomasi untuk mengompaksi konteks tanpa kehilangan blok penalaran penting.
  • Prompt caching: cache respons model untuk prompt yang berulang (Anthropic menyediakan pola prompt caching untuk mengurangi latensi/biaya).

Kedua fitur ini mengurangi jejak token dari interaksi panjang dan direkomendasikan untuk alur kerja agen jangka panjang dan asisten produksi.

Penanganan error dan praktik terbaik

Di bawah ini adalah rekomendasi pragmatis untuk keandalan dan keamanan integrasi produksi dengan Opus 4.5.

Keandalan & retry

  • Tangani rate limit (HTTP 429) dengan exponential backoff dan jitter (mulai 500–1000 ms).
  • Idempotensi: untuk panggilan LLM yang tidak memodifikasi, Anda dapat melakukan retry dengan aman, tetapi berhati-hati pada alur kerja di mana model memicu side-effect eksternal (pemanggilan tool) — duplikasi dapat dicegah dengan melacak tool_use_id atau ID permintaan Anda sendiri.
  • Stabilitas streaming: tangani stream parsial dan lakukan reconnect dengan mulus; jika terjadi interupsi, lebih baik retry seluruh permintaan atau lanjutkan menggunakan state di tingkat aplikasi untuk menghindari interaksi tool yang tidak konsisten.

Keamanan & keselamatan

  • Prompt injection & keamanan tool: jangan pernah mengizinkan model mengeksekusi perintah shell atau kode sewenang-wenang secara langsung tanpa validasi. Selalu validasi input tool dan sanitasi output. Model mengusulkan pemanggilan tool; kode Anda yang memutuskan apakah akan menjalankannya. System card dan dokumentasi Anthropic menjelaskan batasan alignment dan level keamanan — ikuti untuk domain berisiko tinggi.
  • Penanganan data & kepatuhan: perlakukan prompt dan input/output tool yang berisi PII atau data teregulasi sesuai kebijakan hukum/kepatuhan Anda. Gunakan kontrol enterprise/VPC penyedia jika Anda memiliki kebutuhan ketat terkait residensi data atau audit (Bedrock / Vertex / Foundry menyediakan opsi enterprise).

Observabilitas & kontrol biaya

  • Log metadata permintaan/respons (bukan konten sensitif mentah kecuali diizinkan) — jumlah token, level effort, latensi, ID model, dan penyedia. Metrik ini penting untuk atribusi biaya dan debugging.
  • Gunakan effort untuk mengontrol biaya per panggilan: pilih low untuk ringkasan rutin atau endpoint QPS tinggi; gunakan high untuk debugging mendalam atau investigasi. Pantau kualitas vs konsumsi token untuk memilih default bagi endpoint berbeda.

Kesimpulan — Kapan (dan bagaimana) Anda harus memilih Opus 4.5?

Claude Opus 4.5 adalah pilihan alami ketika produk Anda membutuhkan:

  • penalaran multi-langkah yang mendalam (rantai logika panjang, riset, atau debugging),
  • orkestrasi agen/tool yang tangguh (alur kerja kompleks yang memanggil API eksternal), atau
  • bantuan kode tingkat produksi di seluruh basis kode besar.

Secara operasional, gunakan effort untuk menyetel anggaran per panggilan; andalkan pola tool-use untuk mempertahankan keamanan eksekusi dan pilih mitra cloud (atau langsung Anthropic API) berdasarkan kebutuhan kepatuhan Anda. Ukur dengan korpus Anda sendiri: angka vendor (SWE-bench, dll.) adalah sinyal berguna tetapi tugas dan data nyata Anda yang menentukan ROI. Untuk keamanan, ikuti system card Opus 4.5 dan pasang guardrail pada eksekusi tool serta penanganan PII.

Pengembang dapat mengakses Claude Opus 4.5 API melalui CometAPI. Untuk memulai, jelajahi kapabilitas model CometAPI di Playground dan lihat panduan API untuk instruksi terperinci. Sebelum mengakses, pastikan Anda telah masuk ke CometAPI dan memperoleh API key. CometAPI menawarkan harga yang jauh lebih rendah daripada harga resmi untuk membantu Anda berintegrasi.

Siap mulai? → Daftar CometAPI hari ini!

Jika Anda ingin mengetahui lebih banyak tips, panduan, dan berita AI ikuti kami di VK, X dan Discord!

Akses Model Terbaik dengan Biaya Rendah

Baca Selengkapnya