前两天我在用Claude Code跑一份跨学科调研报告，中途嫌它想得太慢，随手把effort level从默认调到了max。想着这下总该又快又准了吧。结果呢，等了老半天，token账单唰一下涨上去了，报告质量却没肉眼可见地变好。

把我给心疼得，发出灵魂拷问：这钱花哪儿去了？？？！

不死心的我，后来去翻了Anthropic官方博客里一篇讲Claude Code模型选择和effort level的文章，才发现我对这两个东西的理解，从一开始就是错的。

（原文链接：https://claude.com/blog/claude-model-and-effort-level-in-claude-code）

我猜屏幕前很多用Claude Code或者类似工具的朋友，多半也跟我犯过一样的迷思。我们下意识觉得，模型越大就该越聪明，effort调得越高，AI就该想得越久越仔细。

第一句话，对。

第二句话，只对了一半，甚至可以说是错得挺离谱。

先说说为啥模型越大越聪明这件事是真的。

你发给Claude的每一句话，其实到不了模型本体那儿，得先被切成一块一块的碎片，每一块映射成一个数字，这个过程叫分词。const可能对应1978，await可能对应4293，从这一步开始，你的提示词在模型眼里就是一串整数。模型要做的事情，其实就是不断猜下一个数字是什么，猜完拼回文字给你看。而决定它怎么猜的，是训练时候写死的一堆参数，业内管这个叫权重。

你的提示词、你的CLAUDE.md、你上传的文件，都只是在临时影响这次猜测的方向，权重本身一个数字都不会变。

所以换模型这件事，说到底就是换了一套权重去处理你的请求。权重是训练时候定好的，装的是这个模型这辈子学到的所有东西，编程语言、框架、语法规则，都焊在里面。如果某个库是训练完之后才出的，那权重里压根没有它，你把文档喂进上下文，Claude能照着用，但那叫临场救急，不叫真的学会了。

那effort level到底在管什么。

这块需要注意一下，很多人包括我自己，一直以为effort就是个思考时长的开关，调高了AI就多想会儿。但博客里讲得挺清楚，effort控制的其实是Claude愿意为你这次请求投入多少工作量，思考时长只是其中一项，还包括它愿意读几个文件，愿意做多少次验证，一件多步骤的任务它愿意闷头做多远才回来找你确认。

我自己写研究报告的时候深有体会。同样一个任务，低effort的Claude经常是读完你给的几句话就动手了，中间跳过某个文件没看，或者该跑测试的地方图省事没跑，最后错的地方，用我们“人”的话来说，就是“大意了”（拿到半截就开跑），而不是它不会。

高effort的时候，它会先列个计划，边做边根据新信息调整这个计划，比如三个排查假设里第一个就找到了bug，它会直接说前面查到了所以后面两个不用查了，跳过去。这不是自作聪明地偷懒，是它确实判断出没必要浪费了。

顺着这个再往下聊，博客里给了个类比我觉得特别好玩，甚至可以当成选模型的口诀记下来。

把Fable想成一个见过极少数人才见过的问题的专才，Opus是经验老到的专家，Sonnet是一个非常靠谱的通才。

effort level决定的是他们三个愿意在你这件事上花多久。

Opus在低effort下，就像你抓住一个身经百战的专家聊五分钟，他脑子里那些别人代码库里根本找不到的经验，一眼扫过去就能给你，但五分钟就摆在那儿，他也只能快速扫一遍你的代码，不可能细读。Sonnet在高effort下，更像你把一整个下午都交给一个特别靠谱的通才，他会把你的东西全读一遍，跑一跑，反复核对，最后对你这份具体代码理解得比谁都透，但他没有那种一眼认出似曾相识问题的直觉。Fable哪怕只给它低effort，也更像那个瞥一眼别人都卡住的难题就能看出门道的专才，这份识别力才是你花大价钱买的东西，值得留给真正需要它的场合。

所以模型设置大致对应的是能力上限，effort设置大致对应的是投入程度，大部分真实任务其实两者都需要一点。

那具体怎么判断该调哪个呢?

博客里给的这条经验我觉得特别实用，值得记下来，甚至可以打印出来贴在屏幕边上。当Claude给它的上下文很充分，你也感觉它确实认真尝试了，结果还是错的，这说明它不是不够努力，是能力真的没到，该换更大的模型了。但如果它错在漏读了一个文件，该跑的测试没跑，或者半途而废没把重构做完，这说明是它没使劲，该调高effort，而不是急着换模型。

我自己现在的习惯是，effort这个东西尽量别按任务一件件调，官方的建议也是这样，大部分时候用默认档就够了，效果调整更适合当成你个人对某类工作的整体偏好，比如你就是喜欢慢工出细活，那就常年调高一点，而不是这次任务调一下下次任务再调回去，来回折腾反而容易忘了自己调到哪儿了。

说到这儿我突然想到一件挺有意思的事，其实这套逻辑放到我们人自己身上，也一模一样。

我们判断一个人靠不靠谱，大概也是看两件事，一个是他见识够不够，遇到过多少同类问题，这个换不了，是他这辈子攒下来的底子。另一个是他这次愿不愿意认真对待，愿不愿意多花时间核对细节，这个是他当下的选择，跟能力没关系。

一个见识浅但态度认真的人，可能比一个见多识广但敷衍了事的人干得更好，反过来也一样。我们总在纠结要不要多学一个新工具新技能，好像那才叫成长，但很多时候真正卡住我们的，不是见识不够，是我们没有对当下这件事投入应有的认真。effort这个词用在AI身上是token数量，用在人身上，大概就是我们常说的那股较真劲儿。

复利这件事，说到底也是这两条腿一起走的，一条腿是攒见识，另一条腿是每件事上愿不愿意多花那一份心思。少了哪条腿，走起来都是瘸的。

好了，effort level和模型选择这事儿，我算是彻底想明白了，以后也不会再瞎调max然后干等着账单涨了。

屏幕前的你，如果也在用Claude Code或者类似的AI编程工具，下次遇到它做错事，先别急着一股脑调到最高档，问问自己，它是没见过这类问题，还是这次粗心大意了，这个问题想清楚了，钱和时间都能省不少。

如果喜欢我的文章，可以随手点个赞、在看、转发三连哦，也可以给我个⭐星标⭐，能够第一时间收到推送哟～

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2026行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇