在人工智能编程领域，一个普遍存在的认知误区正在被打破：更换更大的模型并不必然意味着AI会更聪明。这一观点由Anthropic公司近期通过详细技术解读正式澄清，引发开发者社区广泛讨论。
事件起因于今年3月Claude Code用户集体反馈的"性能下降"问题。当时大量开发者发现AI在处理代码任务时频繁出现文件漏读、测试跳过、中途要求补充信息等异常行为。AMD人工智能负责人Stella Laurenzo通过分析6852个会话日志指出，Claude的思考量较2月下降67%，直言其"无法胜任复杂工程任务"。这场风波最终被证实源于Anthropic对系统设置的隐性调整——将Effort参数的默认档位从"high"降至"medium"，而多数用户直至一个月后才意识到这个关键开关的存在。
技术团队深入解析了模型选择（Model）与努力程度（Effort）的本质差异。模型参数决定的是AI的"知识储备"，其能力在训练阶段即被固化，用户无法通过提示词或上下文数据对其进行实质性修改。当遇到训练时未接触过的代码库时，模型虽能临时学习但不会形成长期记忆，偶尔调用不存在的API正是这种局限性的体现。每个代码token在模型内部都被转换为数字序列，生成过程需要逐个预测并反复验证，这直接决定了推理成本和时间消耗。
Effort参数则控制着AI的"工作态度"。高Effort设置会促使AI执行更彻底的文件审查、多轮测试验证和复杂任务拆解，官方数据显示相同提示下高Effort生成的token数量可达低Effort的7倍。这种差异在长流程任务中尤为明显：低Effort的AI倾向于快速响应后请求补充信息，而高Effort模式会自主完成信息收集和任务闭环。技术文档特别强调，Effort不是简单的计算时间延长，而是涉及文件读取数量、工具调用频率、验证深度等维度的工作量调控。
实际测试验证了反直觉的结论：中等规模模型配合高Effort设置，在多数场景下能超越大型模型的低Effort表现。Anthropic用生动比喻说明这种差异：Sonnet模型如同拥有整个下午的全能工程师，会系统检查每个代码环节；Opus模型则像只有五分钟的专家，能快速定位核心问题但无法全面审查；Fable模型作为终极专家，即便时间有限也能发现隐蔽缺陷，但使用成本最高。官方测试表明，在需要多步骤推理的复杂任务中，不同模型配合Effort设置的性能差距可达数量级。
这场认知革新正在重塑AI编程的工作范式。开发者需要像项目经理那样进行智能调度：简单修改任务分配给低Effort的Sonnet，大型重构启用高Effort的强模型，持续运行任务则需配置充足资源。Claude Code新增的ultracode档位正是这种理念的产物，该设置允许AI自主组建智能体团队并行处理任务。3月的系统调整风波暴露出用户对Effort参数的忽视，而掌握这种调度能力将成为提升开发效率的关键。技术文档特别提醒，当AI出现错误时，应首先检查上下文完整性和Effort设置，而非直接升级模型——这种策略调整可显著降低token消耗成本。
