在使用 Claude Code 的过程中，许多开发者都有过这样的体验：当任务执行效果不理想时，第一反应往往是换上一个更大的模型，认为模型越大性能越强。然而，这种认知常常并不准确，反而可能只是在白白浪费费用。

Anthropic 官方近期发布了一篇文章，专门针对这一现象进行了详细解读。文章指出，用户混淆了 Claude Code 中两个截然不同的核心概念：模型选择（Model） 和 努力度（Effort）。正是这种混淆，导致了许多不必要的误解和操作失误。

一次沉默的变更：为什么我总觉得 Claude 变笨了？

今年3月，一场“变笨”风波席卷了开发者社区。大量开发者发现，Claude Code 突然变得不太正常：该读取的文件不读取，该运行的测试不运行，任务进行到一半就中断，甚至反过来向用户索要更多信息。

GitHub 上充满了抱怨声。其中，AMD 的 AI 负责人 Stella Laurenzo 通过分析 6852 个会话日志，发现 Claude 的思考量比2月之前下降了 67%，并尖锐地指出：Claude 已经无法被信任去完成复杂的工程任务。

起初，用户们怀疑是自己的提示词或配置有问题。但最终发现，问题根源在于 Anthropic 一次悄无声息的单一设置变更。

2026年3月4日，为了降低延迟，Anthropic 将 Claude Code 中 Effort 选项的默认值从 high 下调到了 medium。虽然官方更新日志中提到了这一点，但大多数用户并未留意，只感觉模型“突然变笨了”。

直到一个月后的4月7日，Anthropic 才将默认设置调回，并为所有订阅用户重置了用量额度。此时，大多数用户才恍然大悟：这个被忽略的开关，才是决定 AI 是否愿意“满血干活”的关键。

核心概念澄清：Model VS Effort

Anthropic 的官方解释可以用一句话总结：Model 换的是脑子，Effort 换的是态度。

Model：替换你的“大脑”

Model（模型）决定了 AI 的“智力”水平。每个模型背后是一套被训练冻结的权重。它的能力和知识在训练完成后就已经定型，是只读的、不可更改的。

• 你输入的提示词、CLAUDE.md 文件、以及上下文中的代码，都无法更改模型权重。你只能引导它，却无法“训练”它。
• 更换模型，本质上是更换一整套权重来处理任务。它解决的是“会不会”的问题。
• 例如，一个在训练时没有被包含的、全新的库，即使你把文档喂给它，它也仅在当前会话中“现学现用”，之后便会忘记。
• 模型偶尔会“一本正经”地调用一个不存在的 API，这不是它偷懒，而是权重根据训练时的模式，强行拼凑出了结果。

从底层来看，你写的代码（例如 const x = await fetch）在模型眼中会被拆解成一个一个的 token，每个 token 都对应词表里的一个整数。模型并非一次性生成完整答案，而是每次只预测下一个 token，重复进行大量计算。你消耗的时间和费用，主要都花费在这个循环中。

Effort：改变你的“工作态度”

Effort（努力度）并不等同于“让 AI 多想几秒”。它决定的是 Claude 在本次任务上的投入程度。

• 低 Effort：Claude 倾向于快速回复，并反过来向你索要更多上下文，能不动手就不动手。
• 高 Effort：Claude 倾向于主动查阅文件、多次调用工具、执行验证，并努力将一个多步骤任务完整地完成。
• Effort 是一个行为信号，它告诉模型任务需要完成到何种程度才算合格。它管理着文本回复、工具调用、以及扩展思考等多个方面。

官方提供了一张示意图，显示同一个提示词下，高 Effort 可能比低 Effort 多生成大约 7 倍的 token。这些额外的 token 都用于读取文件、执行验证、反复确认等工作。

反直觉结论

这里有一个非常关键的反直觉结论：小模型搭配高 Effort，完全可能比大模型搭配低 Effort 表现更好。

小提示： 别总是想着换更大的模型。有时候，增加模型的工作投入度，效果反而更佳，且更经济。

官方判断框架：问题出在哪？

当 Claude 表现不佳时，Anthropic 提供了一套清晰的判断框架，帮助你准确找到问题根源。

第一步：检查上下文
在调整任何模型设置之前，首先要重新审视上下文。
- 提示词是否表述清晰？
- 必需的工具是否已经提供？
- CLAUDE.md 是否配置得当？
大多数所谓的“AI 变笨”，根源都在上下文，而非模型选项。

第二步：是“不会”，还是“不够努力”？
如果上下文没有问题，那么需要通过问题的表现形式来判断。

• “不够努力”：
  现象：模型跳过了该读的文件、没有运行测试、重构进行到一半就中断并向你提问。
  结论：它缺乏的不是能力，而是投入。
  解决方案：上调 Effort 设置。
• “不会”：
  现象：上下文充足，模型也明显尽力了，但依然犯错，尝试不同表述后也未能改善。
  结论：这是模型能力不足的问题。
  解决方案：更换一个更强的模型。

小提示： 别混淆两个概念。换模型解决“能力”问题，加 Effort 解决“愿意付出多少”的问题。它们是不同的维度。

模型对比：谁是哪个“人”？

Anthropic 官方用三个生动的比喻，解释了不同模型的定位与场景。

• Sonnet：全能选手。他拥有一个下午的充裕时间，会把你的代码从头到尾看完，跑一遍验证，再彻底复查。他认真负责，能处理大量日常任务。
• Opus：经验专家。他只提供五分钟的咨询时间，但他拥有你没有的经验和直觉，能快速指出你代码库中普遍存在的问题。但时间有限，他无法扫描所有文件。
• Fable：特种专家。他是所有人都无法解决问题时的最后选择。即使是五分钟，他也能一眼看出别人都无法发现的宝贵毛病。但他的每个 token 也价格不菲，应留给真正的硬骨头。

因此，合理的策略是：简单的、日常的工程任务，使用 Sonnet 搭配高 Effort；仅当遇到罕见的、需要深厚经验才能解决的问题时，再考虑启动 Opus 或 Fable。

未来方向：学会调度 AI

这篇文章的表面任务是教你调整参数，但背后揭示的是一次重要转向：AI 编程的竞争，正在从“谁的模型更强”转向“谁更会调度智能体”。

过去，我们只选择一个最强的模型，然后把所有事情都交给它。现在，你需要像一个项目经理一样，为不同的模型分配不同的角色和投入档位。

• 简单的改动：交给 Sonnet 挂低档，快速且省钱。
• 大型重构：使用强化模型，并搭配高档 Effort。
• 需要长时间自行执行的智能体任务：使用强化模型并搭配充足的 Effort。

Claude Code 的 Effort 菜单中多出的 ultracode 档位，就是将这套理念产品化的体现。选中它，Claude 会获得更高的“火力”，并有权在遇到实质性工作时，自行决定是否拉起一支“智能体队伍”，将任务拆分后并行执行。

常见问题：
Q: Effort 是不是越高越好？
A: 不是。高 Effort 会增加 token 消耗和等待时间。应根据任务重要性和复杂度适度调整。简单任务使用低 Effort 更高效。

Q: 是不是模型越强，效果一定越好？
A: 不是。模型越强，成本越高。在上下文清晰、任务常规的情况下，一个中等模型搭配高 Effort 投入，效果可能远超一个强大模型但低 Effort 的配置。

只看模型排名的时代正在过去。谁能率先学会“调度” AI，谁就能真正让 Claude 为你“卖力工作”。否则，你手中最贵的模型，也只是一个更贵的“搜索框”。

参考资料：
https://claude.com/blog/claude-model-and-effort-level-in-claude-code
https://x.com/ClaudeDevs/status/2074900291062034618?s=20
https://platform.claude.com/docs/en/managed-agents/multi-agent