Model换脑子，Effort换态度——Anthropic亲手拆解了AI编程最深的误会
你有没有过这种时刻：让AI写代码，它写砸了，你的第一反应就是赶紧换个更强的模型。
这个直觉如此自然，以至于几乎没有人怀疑过它是否正确。
但Anthropic最近发的一篇长文，亲手拆穿了这个几乎所有人都踩过的坑。
他们给出的结论不仅反直觉，而且对每一个用AI写代码的人都有实质影响：
换模型只是换了脑子；让AI"更努力"比换模型更有效——一个开高Effort的中等模型，在大量任务上能干翻一个开低Effort的顶级模型。
这不是某个博主的经验之谈。这是Anthropic官方，用一场持续数月的社区风波换来的答案。
一、一场因"默认值"引发的信任危机
今年3月，Claude Code的用户群突然炸开了锅。大量开发者发现，手里的Claude Code"变笨"了——该读的文件不读，该跑的测试不跑，任务干到一半就撂挑子，反过来问你要更多信息。
GitHub上骂声一片。最狠的攻击来自AMD的AI负责人Stella Laurenzo——她翻出6852个会话的日志，测出Claude的思考量比2月之前掉了67%，然后撂下一句：Claude已经没法被信任去干复杂的工程活了。
整个社区的反应高度一致：模型退化了，Anthropic在偷偷降级服务。
调查最终发现，真相和"模型变笨"毫无关系。
3月4日，Anthropic为了压低延迟，悄悄把Claude Code里一个叫Effort的选项从high降到了medium。官方更新日志里写得很清楚，但几乎没有人注意到这条信息。问题出自一个更根本的地方：没有人真正理解那个Effort选项在控制什么。
扛了一个月，Anthropic在4月7日把默认值调了回去，还给所有订阅用户重置了用量额度。风波过去了，但那个更深的疑问留了下来：
Model和Effort，到底分别控制着AI的什么东西？
二、两个维度，一个被彻底误解
Anthropic官方的拆解，可以简化为一句非常清晰的话：
Model换的是脑子，Effort换的是态度。
先说Model。每个模型背后是一套冻结的权重——它的能力和知识，在训练结束的那一刻就被焊死了。你在推理时喂进去的提示词、CLAUDE.md、贴进上下文的代码，全都改不了这套权重：你可以引导它，却没法训练它。
换模型，本质就是换一整套权重来接你的活。它解决的是"会不会"的问题。
但"会不会"只是问题的一半。
Effort管的，是"肯不肯干到多彻底"。
很多人以为高Effort就是"让AI多想几秒"——这个比喻也错了。Effort控制的不是思考时间，而是行为投入：读几个文件、跑不跑测试、要不要额外验证、要不要把一个多步骤任务一路推到底再回来找你。低Effort的AI倾向于快速回复，然后反过来问你要更多上下文，能不动手就不动手。高Effort的AI倾向于自己去翻信息、多调几次工具、一口气把长任务链跑完。
Anthropic放了一张直观的示意图：同一条prompt，高Effort能比低Effort多输出大约7倍的token。多出来的那些，全花在读文件、跑验证、反复确认上。
这就引出了一个反直觉的结论：小模型开高Effort，完全可能干翻大模型开低Effort。
三、"模型—Effort"四象限：一个新的智力分工框架
把Model和Effort作为两个独立维度交叉，会得到一个极其实用的分析工具：
四象限框架
第一象限：大模型 × 高Effort
这是火力全开的模式。适合大型重构、跨文件变更、长时间自主运行的agent任务。能打硬仗，但token消耗也最大。应该留给真正需要火力覆盖的场景。
第二象限：大模型 × 低Effort
专家五分钟模式。大模型带来的是你代码库里没有的经验——见过的坑、该绕的雷，全是解过一堆同类问题攒下的直觉。但低Effort意味着它只扫一眼就给出答案。适合诊断疑难杂症——一眼就能看出问题的那种。但不适合需要全面扫查的场景。
第三象限：小模型 × 高Effort
这是最被低估的组合。一个中等规模的模型配上充足的上下文和高投入，能扛下比大多数人想象中多得多的活。Anthropic官方的测试中，Sonnet（中型模型）开高Effort，在许多实际任务上确实干过了Opus（大型模型）开低Effort。性价比极高。
第四象限：小模型 × 低Effort
快速、便宜，适合简单明确的改动，比如修一个lint错误、改一段文案。秒回还不心疼钱。
这个看似简单的框架，揭示了AI编程领域一个正在发生的结构性转变：
只看模型排行榜的时代正在过去。调度模型——而不是挑选模型——正在成为核心能力。
四、这个框架不止于Claude Code
把Model和Effort拆成两个维度，能解释很多现象。
为什么同样是GPT-4，有人觉得它是自己用过最惊艳的产品，有人觉得它只是"聪明一点的聊天机器人"？差异往往不在模型本身，在投入——会不会设计Chain-of-Thought、给不给足够的上下文和验证空间、允不允许它反复检查自己。
为什么一些开源模型在特定任务上跑赢了闭源模型？不是开源模型在参数上赢了，而是使用者愿意投入更精细的prompt工程、更多次迭代验证、更长的推理路径。
为什么同一个团队、同一个模型、同一个项目，换了一个提示词工程师，效果天差地别？因为调度者不同——有人懂得给模型配足上下文和迭代空间，有人以为"模型够聪明就够了"。
这些现象的背后，都是同一个洞见：能力和投入是两个独立变量。把两者混为一谈，是AI时代最昂贵的认知错误。
五、落到行动
如果你是个体开发者：下次AI写砸了，别急着换模型。先查上下文：prompt说清楚了吗？工具给了吗？配置配到位了吗？然后问自己——它是不懂，还是没尽力？不懂换模型，不尽力提Effort。这条二分法能帮你省下大量token预算。
如果你是团队负责人：别只盯着模型账单。真正烧钱的是选错Effort档位——让Fable去干Sonnet就能干的活，让大型模型在低Effort下频繁返工。把Effort调度权交给开发者，而不是锁死在默认值上。
如果你是AI工具的产品经理：Model和Effort的认知鸿沟，是当前产品设计中最大的用户体验缺口。如果用户不知道自己调的是"脑子"还是"态度"，那说明这个选项根本不该暴露给用户——或者说，暴露它的方式需要重新设计。
Anthropic用一场长达数月的风波，教会了社区一个道理：
你手里的模型不懒。是你，还不会用它。
来源：Choosing a Claude model and effort level in Claude Code — Anthropic