Claude Code“变笨”争议背后：Anthropic解释模型选择与Effort设置的差别
据来源显示，围绕 Claude Code“突然变笨”的讨论近日再次引发开发者关注。Anthropic 近期发布长文，专门解释 Claude Code 中“Model（模型）”与“Effort（努力度）”两个选项的区别，并澄清一个常见误区：换更大的模型，并不一定等于让 AI 在一次任务中更认真地执行。此前不少用户在代码生成、文件读取、测试执行等场景中感到体验下降，甚至一路升级到更贵的模型档位，但问题未必出在模型能力本身。
这场争议的导火索，来自今年 3 月 Claude Code 的一次默认配置变化。来源摘要称，Anthropic 为了降低延迟，将 Claude Code 中 Effort 的默认档位从 high 调整为 medium。许多开发者并未注意到更新日志，只是在实际使用中发现 Claude Code 更容易中途停下、要求更多信息，或者不再主动读取文件、运行测试。随后 GitHub 上出现大量批评声音，其中 AMD 的 AI 负责人 Stella Laurenzo 曾基于 6852 个会话日志进行分析，认为 Claude 的“思考量”相比此前明显下降，并质疑其复杂工程任务可靠性。Anthropic 后来在 4 月 7 日将默认档位调回，并为订阅用户重置了一次用量额度。
Model决定“会不会”，Effort影响“肯不肯做”
Anthropic 在长文中的核心解释，可以概括为：Model 更像是在换“脑子”，Effort 更像是在调“工作态度”。模型选择对应的是不同模型权重。一个模型训练完成后，其知识和能力边界基本固定，用户在推理时输入的提示词、项目说明文件或代码上下文，只能影响本次回答，不能真正改写模型参数。也就是说，换模型主要解决的是“这个模型是否具备处理该问题的能力”。
例如，当开发者使用一个模型训练时尚未出现的新库，即便把文档放进上下文，模型也只是临时利用这些信息完成当前请求，并不会在下一次会话中真正“记住”。如果模型偶尔调用不存在的 API，也可能来自其既有训练分布中的模式拼接，而不一定是用户提示不充分。
Effort 则不同。来源摘要称，它并不只是“多想几秒”，而是影响 Claude Code 在当前任务中愿意投入多少执行动作：是否主动读取更多文件、是否运行测试、是否额外验证、是否把多步骤工程任务继续推进到更完整的状态。低 Effort 更倾向于快速给出回答或反问用户，高 Effort 则更可能多次调用工具并完成更长任务链。
- Model：对应模型权重和基础能力，决定它大体“会不会”。
- Effort：对应单次任务投入程度，影响它“做多少、做到哪一步”。
- 体验差异：在复杂代码任务中，Effort 降低可能比换模型更容易被用户感知。
- 成本与延迟：更高投入通常意味着更多计算、工具调用和等待时间。
为什么开发者会误以为“模型变笨”
从开发者视角看，Claude Code 的变化很容易被理解为模型退化。因为用户感知到的是最终行为：它不读文件、不跑测试、提前停手、频繁要上下文。对于日常写代码的人来说，这些表现确实像是“能力下降”。但 Anthropic 的解释指出，这类行为并不总是模型权重变差，也可能是任务执行策略被调得更保守。
这也说明，AI 编程工具的用户体验并不只由大模型本身决定。模型只是底层能力之一，围绕它的上下文管理、工具调用策略、默认参数、延迟控制和成本控制，都会影响开发者是否觉得“好用”。当平台为了性能或成本调整默认值时，如果提示不够明显，就可能造成大范围误解。
影响与解读：AI编程工具进入“参数可解释”阶段
对中文开发者和团队来说，这件事的启示在于：评估 AI 编程助手时，不能只看模型名称和价格档位。尤其是在重构、排错、跨文件理解、测试修复等复杂任务中，执行策略往往和模型能力同样重要。如果只是一味升级到更大的模型，可能花了更多钱，却没有解决 Claude Code 不主动完成任务的问题。
同时，这也暴露出 AI 工具产品化中的一个关键矛盾：用户希望低延迟、低成本、强执行，但这三者往往相互牵制。平台下调 Effort 可以让响应更快，却可能牺牲工程任务中的可靠性；提高 Effort 则可能带来更长等待和更多资源消耗。未来，类似 Claude Code 的工具需要更清晰地向用户解释这些开关的含义，让开发者知道自己是在选择“更强模型”，还是在选择“更高执行投入”。
总体来看，Claude Code“变笨”争议并不是简单的模型能力倒退故事，而是一次关于 AI 编程工具默认策略、用户预期和成本控制的典型案例。对依赖 AI 写代码的用户而言，理解 Model 与 Effort 的差别，可能比盲目追逐最大模型更实用。