Claude变笨真相：调错Effort比换大模型更烧钱

现象级困惑：Claude为何突然“降智”？

近期，开发者社区中流传着一种普遍的不满情绪：曾经犀利高效的Claude Code似乎变得迟钝、笨拙，甚至频繁出现“罢工”行为。许多用户反馈，原本流畅的代码生成任务突然中断，该读取的文件被忽略，该执行的测试被跳过，甚至在处理复杂工程任务时，AI会突然停止输出并反向索取更多上下文信息。

这种体验上的落差迅速发酵。AMD的AI负责人Stella Laurenzo在GitHub上发布了一项令人震惊的分析，通过对6852个会话日志的实测，指出Claude的思考量相比此前下降了67%。这一数据成为引爆舆论的关键点，甚至有观点直言“Claude已无法胜任复杂的工程工作”。

面对铺天盖地的质疑，Anthropic官方最终出手澄清。这场风波的根源并非模型算法的退化，也非权重的错误，而是一个被无数用户忽视的设置开关。问题的本质，在于用户混淆了“智力”与“努力”的概念，错误地将效能瓶颈归咎于模型本身的实力。

核心误区：Model是脑子，Effort是态度

要理解这一现象，首先必须厘清Claude Code中两个关键选项的本质区别：Model（模型）与Effort（努力度）。

Model选项，本质上是在更换一套“冻结的权重”。大语言模型的能力上限由训练数据决定，推理阶段无法改变其底层知识。当你切换Sonnet、Opus或Fable时，你改变的是模型的认知边界、逻辑推理能力和知识储备。这解决的是“会不会”的问题。例如，对于训练后出现的新库或新API，模型本身并未记忆，若强行要求调用，它可能因权重惯性而胡编乱造。

相比之下，Effort选项调控的是AI在单次任务中的“投入程度”。它并不改变模型的智力水平，而是决定AI愿意为你耗费多少计算资源去探索问题。低Effort模式下，AI倾向于快速给出一个“足够好”的回答，避免深度的文件读取或复杂的工具调用；而高Effort模式下，AI会被允许进行更广泛的上下文扫描、多次工具验证以及长链条的逻辑推演。

官方数据显示，在同一条Prompt下，开启高Effort生成的Token数量约为低Effort的7倍。这些多出的Token并非冗余废话，而是被用于读取更多代码文件、执行测试用例、交叉验证逻辑细节。换言之，Effort换的是AI的工作态度和勤奋程度。

深度解析：为何“小马拉大车”有时更优？

这一认知反转揭示了一个反直觉的工程真理：在特定场景下，小模型配合高Effort，其表现可能远超大模型配合低Effort。

我们可以将不同的模型角色化以辅助理解。

Sonnet如同一位“全能型选手”，拥有扎实的常规技能，若给予充足的时间（高Effort），它会仔细审阅项目结构，执行测试，确保代码的正确性与完整性。它虽不具备顶尖专家级的直觉，但胜在全面且稳定。

Opus则像一位“限时专家”，拥有深厚的行业直觉和丰富的避坑经验，但其可用时间（Token预算或思考深度）受到严格限制。若开启低Effort，Opus可能仅能扫视关键文件，难以覆盖整个项目的全貌。

Fable则是“专科专家”，仅在常规手段无效时启用，用于解决极高难度的特定难题。

在实际工程中，若将Opus设为低Effort，它可能因未深入阅读所有依赖文件而忽略潜在冲突；而Sonnet设为高Effort，虽推理速度慢，却可能通过全面覆盖上下文发现并修复更多隐蔽Bug。因此，简单迷信“大模型=高质量”是严重的认知偏差。

决策框架：如何精准诊断AI错误？

面对AI的输出错误，开发者应建立一套标准化的诊断流程，而非盲目换模型。

第一步：检查上下文完整性。 80%以上的“AI变笨”案例，根源在于Prompt描述不清、关键文件未加载或CLAUDE.md配置缺失。确保AI获取了完成任务所需的所有背景信息。

第二步：区分“能力不足”与“努力不足”。 若AI跳过文件读取、中断测试流程或中途反问索取信息，这属于“努力不足”。此时，提升Effort档位是最佳解法。若AI在充分阅读代码、执行测试后仍给出错误逻辑，则属于“能力不足”，此时应考虑升级至更强的模型（如从Sonnet升级至Opus）。

第三步：动态分配资源。 简单的语法修改、格式化任务，使用Sonnet低Effort即可秒回，成本低廉。 大型重构、多模块联动调整，使用Sonnet或Opus高Effort，确保逻辑严密。 极端疑难Bug排查，调用Fable高Effort，发挥其专项突破能力。

范式转移：从算力竞争到调度艺术

这场风波标志着AI应用进入新阶段：竞争焦点正从“谁的模型参数更大”转向“谁更擅长智能体调度”。

过去的开发模式是“人挑最强模型，全盘托管”。现在的模式要求开发者具备“项目经理”思维，根据任务难度动态分配模型与资源。

Anthropic近期推出的Ultracode模式，正是这一理念的体现。它不仅提供极高的Effort等级，还授权AI在遇到复杂任务时，自主启动多智能体协作（Multi-Agent），将任务拆解、并行处理。这进一步验证了“调度”已成为核心生产力。

对于企业而言，忽视Effort设置而一味购买顶级模型，等同于用最昂贵的赛车跑出租车业务，既浪费算力又无法发挥其性能。反之，合理利用Effort机制，让合适的模型做合适深度的思考，不仅能显著提升代码质量，更能将Token成本降低数倍。

在AI编程日益普及的今天，掌握“如何给AI派活”已成为开发者的必备硬技能。只有深刻理解模型能力边界与努力度机制，才能真正驾驭智能化工具，将每一分算力都花在刀刃上。否则，再强大的模型，也不过是一个更昂贵的搜索引擎。