如果你在使用Claude Code时感觉它突然变笨了，别急着升级到最贵的模型——问题可能根本不在于模型本身。Anthropic官方近日发布长文，澄清了一个广泛存在的误解：很多用户抱怨AI能力下降，真正原因是一个被忽视的设置开关，而非模型变弱。
一场由默认设置引发的“信任危机”
今年3月，不少开发者发现手中的Claude Code表现异常：该读的文件不读，该跑的测试不跑，任务做到一半就停下来反问用户更多信息。GitHub上迅速涌现了大量负面反馈，其中AMD AI负责人Stella Laurenzo甚至通过分析6852个会话日志，指出Claude的思考量比2月前下降了67%，并公开表示“Claude已无法被信任从事复杂工程任务”。
起初，人们怀疑是自己的提示词或配置出了问题。直到有人发现，Anthropic在3月4日悄悄更新了Claude Code的默认设置：将“努力度”（Effort）选项从high下调到medium。虽然官方更新日志有记录，但大多数用户并未留意。直到4月7日，Anthropic才将默认档位调回high，并为所有订阅用户重置用量额度。此时，许多人才意识到，这个一直就在手边的开关，暗中决定了AI是否愿意“全力以赴”。
Model决定“会不会”，Effort决定“肯不肯干”
Anthropic官方的解释极为简洁：Model换的是脑子，Effort换的是态度。
Model：冻结的“能力天花板”
每个模型背后都有一套训练时冻结的权重。这套权重在模型训练完成后便被焊死——只读、不可更改。用户输入的提示词、CLAUDE.md文件、上下文代码，都无法改变这些权重。它们只能引导模型，无法“训练”它。因此，换模型本质上是换一套权重来处理任务，它解决的是“会不会”的问题。例如，当模型面对训练时不存在的新库文档，它能临时“现学现用”，但仅对当前请求有效，转身即忘。偶尔模型会自信地调用一个不存在的API，也不是查漏了，而是权重按训练中的老套路硬拼出来的结果。
从底层看，用户的代码在模型眼中被切割成一个个token，每个token对应词表中的整数。例如`const x = await fetch`中的`const`对应1078，`await`对应2597。模型并非一口气生成整段答案，而是每次只预测下一个token，再重新计算整串，迭代数百次完成一次回复。用户等待的时间和计算的成本，主要消耗在这个循环里。
Effort：决定“投入多少工作量”
很多人以为高Effort只是让AI“多想几秒”，这是误解。Effort控制的是Claude对本次任务投入的实际工作量：读多少个文件、是否运行测试、要不要额外验证、是否坚持完成多步骤任务链后再来反馈。简单说：低Effort的Claude倾向于快速回复并反过来向用户要更多上下文，能省则省；高Effort的Claude则倾向于主动翻信息、多次调用工具、一口气跑完长任务链。
Anthropic官方展示了一张示意图：同一条prompt，高Effort比低Effort多生成约7倍的token。这些额外token全部花在读文件、跑验证、反复确认上。因此，一个反直觉的结论出现了：小模型配合高Effort，完全可能干翻大模型配合低Effort。
对AI工具选用的深层启示
这次事件揭示了当前AI工具使用中的一个普遍误区：把模型能力等同于最终表现，忽视了行为控制参数的关键作用。对于开发者而言，当AI表现不佳时，不应盲目升级到更昂贵的模型，而应先检查Effort等行为参数——它可能正是“聪明但懒得干活”的根源。
Anthropic的拆解也提醒我们，AI模型的“智能”并非均匀释放。同样一套权重，通过调整Effort这种“投入度”参数，可以产生截然不同的输出质量。这为行业提供了一种新的优化思路：与其不断追求更大、更贵的模型，不如学会如何精准配置现有模型的行为模式。
对于普通用户，记住一句话：如果AI不肯干活，别急着换脑子，先给它加加油。