Claude Opus 1Mコンテキストの実践活用 — 大規模コードベースを分析するためのワークフロー

Claude Opusの100万トークンのコンテキストウィンドウにより、数十万行のコードを一度に取り込み、ひとまとまりの全体像として分析できるようになります。ここでは実践的なワークフローを紹介します。

1Mコンテキストが実際に意味するもの

• およそ750,000語、または30,000〜40,000行のコード
• 中規模のモノレポ全体を一度に読み込める
• ファイル間参照や暗黙的な依存関係の追跡に優れている

ワークフロー1: レガシーコードの包括的レビュー

シナリオ: 20年もののJavaプロジェクト、500,000行のコード、ドキュメントは不十分

# Collect files (apply exclusion rules)
find . -name "*.java" | grep -v test | xargs cat > all_code.txt

# Feed it all to Claude in one go
claude --model opus-4-6 --file all_code.txt \
  --prompt "Produce an architecture diagram. Explain core domain boundaries and the dependency graph."

従来の方法（ファイルごとに分析し、その結果を手作業でつなぎ合わせる）よりも10倍高速です。

ワークフロー2: セキュリティ監査

"Find the following vulnerabilities in this codebase:
1. Possible SQL Injection points
2. XSS-prone rendering
3. Authentication bypass paths
4. Sensitive data being logged
5. Path Traversal

For each finding: file:line, severity (H/M/L), suggested fix"

静的解析ツールよりも文脈理解が深く、誤検知も目立って少なくなります。

ワークフロー3: 移行計画

"I want to migrate this project from Python 2 to Python 3.
Produce the following deliverables:
1. Per-file change difficulty (high/medium/low)
2. External dependency compatibility check
3. Migration order by priority
4. Risk zones (low test coverage + high complexity)"

ワークフロー4: ドキュメント生成

大規模ライブラリ向けにREADMEとAPIドキュメントを自動生成します。

"After analyzing the entire codebase:
- A one-paragraph overview per package
- A list of public APIs (signature + description)
- 5 usage examples
- An internal module dependency graph
In Markdown format"

コスト最適化のヒント

1Mトークンの入力は高価です。コストを抑える戦略は次のとおりです。

• Prompt caching: Anthropicのキャッシュを使う。1Mトークンの取り込みを繰り返す場合、90%の割引が適用される
• Selective ingestion: 分析に関係するファイルだけを含める（テスト、vendorコード、minify済みバンドルは除外）
• Sonnet first: 単純な集約や要約ならSonnet 4.6で十分。複雑な推論にはOpusを温存する

注意点

1. 1Lost in the middle: 1Mコンテキストでも、中央付近の精度は落ちます。重要な情報は冒頭または末尾に置きましょう
2. 2Code token efficiency: コメントを削り、空白を最小化すると、30%多く収められます
3. 3Single-prompt limits: 長い分析では、Suspense風に部分的な応答を取得します

💡 実運用での知見

多くのブログは「1Mコンテキスト = 自動的に良くなる」という一般論だけを扱っていますが、韓国の開発者が実際にぶつかる決定的な壁はコスト構造とキャッシュヒット率です。Spring + Reactで構成された約500,000行の社内モノレポに6か月適用してみたところ、Prompt Cachingを徹底的に使わなければ請求額は月300〜500ドルに達しました。コードベース境界でcache_controlブロックを分割し、5分間のTTL内で繰り返し質問するパターンに切り替えてから、ようやく月40〜60ドルで安定しました。韓国の開発者コミュニティ（OKKY、Disquiet）で見落とされがちなもう一つのヒントは、.gitignoreパターンを再利用してvendor/dist/lockfileを除外することです。これにより平均でおよそ35%のトークンを削減できます（2025年のGitHub Octoverseによると、平均的なリポジトリサイズの約3分の1はlockfileとビルド成果物です）。最後に、実用上もっとも大きな時間短縮は「全体分析」ではなく、PRごとの差分分析（baseブランチ + diffのみを読み込み、約50K〜150Kトークン）から得られます。これはRAG基盤なしでコードレビューを自動化するうえで、もっとも現実的な方法です。

まとめ

1Mコンテキストによって、「RAGが不要」なシナリオは大きく広がります。チャンク化や埋め込み基盤なしですぐに始められるため、MVPの開発速度を最大化できます。コストを管理できる限り、大規模コードベースを扱う個人や小規模チームにとって大きな変化をもたらします。

実用プロンプトテンプレート集

レガシーコードのアーキテクチャ分析プロンプト

Analyze this codebase. Produce the following deliverables in order:

1. Overall architecture overview (include a Mermaid diagram)
2. Core domain model list (class name, responsibility, relationships)
3. External dependency list (library name, version, purpose)
4. Top 5 technical debt risks (file path, problem description, severity)
5. An "order to read this code" guide for onboarding new developers

Separate each section with ##, and pull code examples from the actual codebase.

バグ追跡プロンプト

The following error occurred: [error message / stack trace]

In this codebase:
1. Trace the path that produced the error backward (follow the call stack)
2. Identify the root cause file:line
3. Other code paths affected by this bug
4. Three fix options (with tradeoffs)
5. Test cases to prevent recurrence

Include actual filenames and line numbers in your answer.

コスト計算: 実例

1Mトークン利用シナリオ別のコスト:

Prompt Cachingを使うと、繰り返し作業では80〜90%のコスト削減が見込めます。

1Mコンテキストの限界と回避策

限界1: Lost-in-the-middle効果 コンテキストの中央に置かれた情報は精度が低下します。重要なコードや説明は、プロンプトの冒頭または末尾に配置しましょう。

限界2: 長文生成の遅さ 1Mトークンを入力した後の生成には30〜60秒かかることがあります。ストリーミングAPIを使うと最初のトークンが素早く返り、UXが改善します。

限界3: 大規模時のコード精度低下 50K行を超えるコードでは、特定の関数を正確に参照する際のエラー率が上がります。重要な関数はプロンプト内で明示的に再引用してください。

回避策: Tree-sitterによる前処理 コードパーサー（tree-sitter）を使って先にASTを抽出し、圧縮した構造情報だけを渡すと、トークン効率が40〜60%向上します。

よくある質問

Q. Claude Code CLIから1Mコンテキストを直接使えますか？ A. はい。claude --model claude-opus-4-7でOpusを指定すると、1Mコンテキストが自動的に有効になります。大規模コードベースの分析に便利です。

Q. 1Mトークンに画像を含められますか？ A. はい。画像1枚でおよそ1,000〜2,000トークンを消費します。図やスクリーンショットを添付すると、コードコンテキストを補完できます。