Claude Code effort 实战指南:什么时候用 Low,什么时候该升档

先弄清 effort 改变了哪些工作,再看三组开发实测,最后用需求访谈、快速实现、人工评审和深入验证四步选档。

作者:Anthropic / Thariq Shihipar09-26 · 18 分钟
🎧 听播客版0:00 / --:--
0:00 / --:--

Claude 的新模型 Opus 5.5 能根据 effort 设置调整投入,并且在 Claude Code 中切换时不会破坏提示词缓存。从原文给出的测试看,它还可能用更低的档位达到接近的表现:Opus 5.5 在 High 档的通过率,与 Fable 5.1 在 Max 档相近。但用户仍经常问:effort 到底是什么,为什么需要它,又该如何选档?Anthropic 的 Thariq Shihipar 为此写了一篇文章,详细介绍 effort 到底该怎么用。

为回答这些问题,Thariq Shihipar 既做了日常开发实验,也深入查看了 Terminal-Bench 3.0 的内部运行。他关心的是:额外投入究竟增加了哪些自主决策、验证和边界测试。下面沿着“理解机制 → 看实测 → 用到研发流程”的顺序,把原文整理成一份选档指南。

effort 是什么,实际改变了什么

这里的 effort 是告诉模型:这项任务大致值得投入多少计算资源。它不是严格的时间限制,也不是只控制最终回复字数的开关。同样要完成任务,低档位会倾向于尽快给出满足要求的版本;高档位则更可能继续查资料、试不同路径、审自己的实现,并检查那些提示词没有逐项列出的边界情况。作者用一个人的工作时间打比方:给一小时,先做出可讨论的版本;给十二小时,便有空间独立打磨和验证。

这也解释了为什么“更高”不必然等于“更合适”。如果任务还没想清楚,更多努力可能被花在替你做产品决定上;如果任务是安全过滤器、存储引擎故障这类容易漏掉特殊情况的工作,多做验证反而是价值所在。选择档位前,先想清楚现在需要的是一轮反馈,还是一个尽量自足的交付。

同一项任务,调整投入方式

换一个档位,Claude 的工作重心如何变化?

Low · 先给出便于反馈的起点

模型推进什么
尽快做出满足当前要求的初版,方便你判断方向。
验证侧重点
适合轻量改动和快速迭代;重要边界测试可另设验证阶段。
你如何配合
及时审阅并给反馈,明确下一轮要改什么。

取舍:更快进入下一轮讨论,自主打磨通常较少。

依据原文整理的行为示意,不代表固定时间、token 预算或质量保证。实际行为仍取决于任务和提示词;低档也会尝试合理完成任务,高档仍可能选错方向。

三组实测:需求清晰度如何改变选档

作者用三个小型开发任务观察 effort 带来的行为差异。以下耗时是展示运行的记录,用来理解取舍,不是每次任务都能复现的时间表。

需求模糊:低档先给底子,高档替你补更多决定

作者先让 Opus 5.5 从一句话“做一个个人健身和训练记录应用”开始。在这组单次演示中,low 用约 1.5 分钟做出记录和简单图表;medium 约 4 分钟,high 约 11 分钟;max 则用了约 67 分钟,做出更完整的应用,加入热力图等细节。图 A 的互动对照显示,low 版本主要围绕记录、每周训练量和历史,max 版本还有更完整的导航、训练流程等。多出来的不仅是功能,也包括 Claude 自行决定哪些功能和界面值得做。

怎么选: 要一个底子并准备马上反馈,可以选 Low;想看模型一次自主完善到什么程度,可以提高档位,但要接受它替你做更多选择。

探索设计:先看方向,还是直接看高保真原型

换一个任务:重新设计 Claude Code 的 /config 菜单。各档位的基本想法差不多,都是用子菜单和更好的搜索;low 约 1 分钟给出能看出方向的交互草图,却不太像现有的 Claude Code;max 约 28 分钟给出更贴近产品的样稿,还走查了不同操作路径。作者在这个任务里反而偏向 low,因为他想先看方向、再自己反馈。若只想要一次交付就尽量完整,max 的成品程度才更有吸引力。

怎么选: 早期探索先用 Low;方向确定后,才值得为更完整的细节和操作流投入时间。

规格详细:输出更接近,耗时仍有明显差别

再把条件改变:作者先让 Claude 深入访谈,补齐健身应用的需求,再把同一份详细规格交给不同模型、不同 effort 档位实现。这次 low、medium、high、max 分别用了约 16、22、33、79 分钟,但做出的设计和实现相近得多。max 仍在一些细节上做了简化。这个对照说明,明确规格可以减少 Claude 需要替你猜的事情;提高 effort 不能替代把需求说清楚。以上三组都是作者展示的具体运行,适合用来理解工作方式,不能把分钟数当成你的任务耗时承诺。

怎么选: 对这种规格充分、有人审阅的初步实现,可以从 Low 或 Medium 起步;重要测试仍安排在后续阶段,不从这一次应用演示推导所有复杂任务都能用低档完成。

三组实测 · 三种任务条件

切换任务,看等待时间花在哪里

健身记录应用:只有一句需求

Low1.5 分
Medium4 分
High11 分
Max67 分
LOW 的交付

记录、每周训练量图表和历史,可快速拿来继续改。

MAX 的交付

更完整的应用和训练流程,增加热力图等细节,也做了更多产品决定。

取舍:需要一轮反馈,先选 Low;希望一次自主完善,才考虑更高投入。

来自作者展示的单次运行。三组条形统一以 80 分钟为上限;未提供的耗时不补值。

困难任务的测试结果:什么工作值得升档

日常应用演示都在模型能完成的范围内。为了看 effort 何时影响成败,作者又检查了社区提供任务的 Terminal-Bench 3.0:它覆盖安全、硬件、机器学习、科学、软件、运营事务、媒体等,难度普遍高于普通开发需求。比如有任务要求用 Verilog 构造能运行测试 ROM 的 8 位游戏机,也有任务要求在 Lean 4 里形式化证明定理、合并 16 片混合专家模型权重,端到端完成公司的月末欧盟贸易统计申报,或把海报重建成可编辑版式。这些不是一般“写段代码”的任务。

提高档位能提高通过率,也增加投入

一张总览图把每次尝试的通过率和 token 消耗放在一起。作者给出的 Opus 5.5 在这组任务中从 low 的 36.6% 升到 max 的 65.7%;它在 high 的 58.9% 与 Fable 5.1 在 max 的 58.0% 接近,而中位 token 约为后者一半。图的横轴是每次尝试消耗 token 的中位数,不是价格,也不是运行时间。它说明不同模型与档位可以有不同的“通过率—投入”组合。图中也有收益停滞的反例:Fable 5 从 xhigh 升到 max,通过率仍为 43.4%。因此,不能据此说任意模型、任意任务升档都会得到同样收益。

Terminal-Bench 3.0:四款模型在不同 effort 档位的通过率与每次尝试的中位 token 消耗。Opus 5.5 high 与 Fable 5.1 max 通过率相近,但用约一半 token。
原文图:Terminal-Bench 3.0 通过率与中位 token 消耗;横轴采用对数刻度。

比较使用共同的 70 道题,排除了 4 道 GPU 题;Opus 5.5 的运行晚了约三周,并设有 128k 输出上限且无法访问 GitHub、PyPI。图中的 Opus 5 max 对应其 effort-120 运行。读跨模型排名时需要带上这些条件。

多花的时间用在了哪些检查上

最能说明机制的是 HTML 净化器任务 html-js-filter:要过滤掉各种把 JavaScript 偷带进页面的写法。Anthropic 的内部运行里,Fable 5.1 从 low 的 5 次中通过 1 次,升到 xhigh 后 5 次全部通过。作者追踪的一次低档运行约两分钟,基本一次写完,只拿手写页面测试;他追踪的高档运行约 33 分钟,先从攻击者角度审查初稿,再读已安装解析器的代码,检查正常输入不会被误伤,跑 XSS 测试集,最后写随机文档生成器继续找漏洞。对这类“漏一个入口就失败”的工作,额外时间确实可能换来更有意义的检查。

查漏改善明显,错误方向仍可能留下

但这不表示高 effort 能把错误判断全部修好。图 D 把 Fable 5.1 各 370 次尝试分类:从 low 到 max,通过数由 140 升到 214,中位 token 从 7.3 万升到 22.2 万;“漏掉某种情况”的失败由 59 降到 24,“做错判断”的失败总数由 133 降到 107。后者仍然很多,其中“选错对题目的理解”这一细项甚至从 25 升到 47。失败类别是模型评审给出的近似分类,不能当成精确的因果拆解。

结果(各 370 次) low max
通过 140 214
漏掉某种情况 59 24
做错判断 133 107
其他失败 38 25
中位 token/次 7.3 万 22.2 万

比较可靠的读法是:多投入显著改善了一部分查漏问题,不保证模型会选对问题的解释和解决路线。

三个难题:从“写完”到“证实有效”

作者给出的其他任务也呈现相同的工作差异:

  • 修复存储引擎压缩故障的 mvcc-lsm-compaction,Opus 5.5 从 low 的 0/5 到 xhigh 的 4/5。low 每次约 1 分钟,常常还没构建或复现故障就改代码;xhigh 每次约 11 分钟,先复现崩溃,用不会压缩的参考实现做随机对照,还确认测试能够抓到未修完的版本。
  • 写 Python 命令行线性规划求解器的 cli-2ph-simplex,从 low 的 0/5 到 high 的 5/5。低档只跑少数小题,约消耗 1 万 token 就停止,虽然提醒大题可能慢,却没测;高档拿随机题和独立的暴力求解器对答案,再压测大题,发现过慢或崩溃后重做搜索。
  • 在蛋白质组数据的八个处理组中,找与目标组织相似处理组的 gsea-proteomics,从 low 的 0/5 到 high 的 4/5。低档选一套看似合理的数据预处理就报结果;高档试两套预处理,发现显著组名单改变后追查原因,再选择方法。这说明有时真正的问题发生在分析前提,而不在最后一行代码。作者补充,如果有人参与,Claude 可能向人询问分析该如何设定;无人参与时,高 effort 在这个案例里做得更好。

哪些领域更值得增加投入

按任务领域汇总,Fable 5.1 在七类题目上的通过率都提高了,但幅度不同:

领域(题数) 低档合并 高档合并
安全(7) 64% 87%
硬件(5) 34% 75%
机器学习(13) 54% 73%
科学(15) 41% 61%
软件(20) 43% 56%
媒体(4) 18% 30%
运营事务(10) 12% 22%

这里的“低档”和“高档”分别合并了最低两个和最高三个 effort 设置,因为各领域题数很小;这些百分比不是“单独从 low 调到 max”的精确效果。领域题数合计 74,与前面总览图排除 GPU 题后采用的 70 题分母不同。安全与硬件的增幅在这组运行中较突出;按业务规则办事的运营事务题即使升档,通过率仍低。这提示读者:需要大量验证、隐藏边界多的任务,更值得为额外 effort 付费;首先卡在理解规则或选错路径时,光增加计算量未必解决。

实战指南:把 effort 分配到每一步

作者因此采用一个实用循环:先交代目标,让 Claude 访谈并找出规格缺口;用 low 做初版;人审方向,必要时继续用 low 迭代;最后用 high 做验证和测试。

先按当前任务选一个起点

作者的经验刻度是:low 用于脑暴、草图、简单改动和人会立即反馈的工作;medium 用于常规功能开发;high 用于旧代码库排障、重要验证和边界情况多的任务;max 留给希望 Claude 高度自主完成的困难任务,例如端到端构建并验证应用,或审查关键软件的安全漏洞。

把它应用到自己的任务,可以先看下面四种情形。这里的 Low、Medium、High、Max 是作者给出的常用起点;前文实验中的 xhigh 是介于 High 与 Max 之间的额外高投入档位。

  • Low:快速形成反馈。 头脑风暴、交互草图、小改动,或需求已说清、你会马上审初版。先看方向和核心流程,不把初版直接当成经过充分验证的交付。
  • Medium:常规实现。 在目标较清楚、需要相对完整地写新功能时,作为日常起点;如果只是要一个马上讨论的骨架,可以先降到 Low。
  • High:把隐患查出来。 旧代码库修 Bug、性能验证、安全检查和边界多的任务。所谓 Brownfield,就是在已有系统和约束里改代码,需要确认补丁没有破坏原有行为。
  • Max:让它承担更多自主工作。 你希望模型自己推进困难任务、选路线并完成验证,而且接受更长等待和更高消耗时再考虑。仍然要提供清楚目标、验收标准和权限范围。

按这一轮的工作来选

现在从哪个档位开始?

Low 起步

规格明确,而且你会很快评审;先拿可运行初版,减少等待一轮反馈的成本。

下一步:审核心流程;方向确认后,切 High 做重要验证。

依据原文经验整理的起点建议;先看原因与下一步,再决定是否采用。

让 Claude 访谈,先补齐规格

给出初步目标后,让它反向提问。优先补齐会改变实现的选择:谁使用、核心流程是什么、数据如何保存、哪些失败情况必须处理、什么结果算完成。把回答整理成一份可检查的规格,再开始实现;不要让模糊需求变成模型默认替你决定的产品细节。

这一步的产出: 双方对齐的范围、仍待确认的决定、验收标准。若它仍在猜核心需求,就继续澄清;此时单纯升档并不能替你回答业务问题。

用 Low 做一个能判断方向的初版

在快速实现阶段,把范围限制在最重要的一条用户流程。明确哪些决定可以由它处理,哪些需要回来问你。详细规格已经减少了猜测,Low 可以更快给出一个便于讨论的版本;需要常规完整实现、又不打算每一步都跟进时,也可以从 Medium 开始。

这一步的产出: 能运行、能看出核心逻辑的初版,以及已做与未做的事项。基础运行检查仍然要做,深入验证放在后面的专门阶段。

人工评审,先确认做对了东西

亲自走一遍核心流程,并对照规格确认三件事:目标用户能否完成主要任务,关键数据和逻辑是否符合预期,Claude 有没有擅自扩大功能范围。界面更精美或代码更多,都不能代替这一步。

方向不对,就给具体反馈,用 Low 继续迭代;发现规格漏项,先补规格。如果核心逻辑正确、剩下的问题是有没有漏测和隐患,再进入 High 验证。这样能避免把额外计算花在一个本来就要推倒的方案上。

切 High,用证据验证而非只问“有没有问题”

把待验证对象、验收标准和重点风险一起交给 Claude。修 Bug 时,让它先复现原问题,并确认新测试能在旧实现上失败;做性能优化时,实际测目标规模的数据;复杂算法可用独立参考实现做对照;安全过滤器既要测危险输入,也要测正常内容是否被误伤。

这些方法来自原文难题案例。它们的共同点是给模型一个可以检查的外部结果,避免“我看了一遍,应该没问题”成为验证终点。

这一步的产出: 实际运行的检查、观察结果、已修问题,以及尚未验证的部分。若失败来自漏测、测试不足,可以追加有针对性的验证;若失败来自误解需求或方法前提,应回到规格和方案上修正。多投入显著改善了一部分查漏问题,不保证模型会选对问题的解释和解决路线。

可直接复用的四步任务说明

下面是依据作者工作流整理的提示词示例,可在对应阶段分段使用,不是原文逐字提示词。开始前填好目标、项目环境和允许修改的范围;提示词里的“Low / High”只用于提醒你选档。作者针对 Opus 5.5 和 Fable 5.1 建议:在 Claude Code 中使用 /effort,同一次会话中也能按阶段切换。原文还指出,新模型切换 effort 不会破坏提示词缓存,即可复用的既有提示词内容不会仅因换档而失去缓存。这让“Low 实现 → High 验证”可以直接在当前会话里进行。

【需求访谈】
我的目标是:[目标]。使用者是:[用户]。
项目环境与允许修改范围:[环境、目录、限制]。
请先问清会影响实现的缺失信息,整理范围、待确认决定和验收标准。
遇到关键业务选择先问我,不替我扩展需求。

【初版实现|先选 Low】
按已确认规格实现核心流程:[核心流程]。
先做一个可运行、便于我审阅的版本,完成基本运行检查。
交付时列出已做、未做以及仍需要我决定的事项。

【人工评审后的迭代】
我的检查结果是:[具体问题和期望行为]。
请只处理这些问题,并回查受影响的核心流程。
若反馈涉及需求冲突,先指出冲突位置。

【深入验证|切到 High】
以已确认验收标准检查当前实现,重点风险是:[风险]。
实际运行相关检查;修 Bug 时确认测试能抓到原始错误。
需要时用参考结果、目标规模数据或正常/异常输入做对照。
报告实际检查、结果、修复与仍未验证的部分。

何时调高,何时调低

调低的信号: 当前目的只是快速讨论方向,模型却持续添加未要求的细节;或已经有清楚规格,你希望频繁给反馈。缩小这轮任务,并减少模型需要自行决定的范围。

调高的信号: 方向已经确认,但任务有大量隐藏边界、必须证明补丁有效,或需要模型较长时间自主完成。升档时同时说清重点检查和完成标准。

先改输入的信号: 它把题目理解错、依赖错误前提,或不知道业务上哪种行为才正确。此时先补信息、纠正方案,再决定需要多少验证投入。

原文数据来自 Anthropic 内部运行,每题 5 次。Fable 5.1 的安全任务关闭了生产环境的安全干预,且安全题没有网络访问;实际 Claude 产品中,有些安全请求会被转交给 Opus。文中的行为分析来自个别运行,其中一些使用了中间 effort 设置;不要把一段运行轨迹的耗时视为某档位五次尝试的平均值。这些条件影响与公开榜单或日常使用的可比性。把上述档位当作起点,用自己的任务比较交付质量、耗时和消耗,再调整。

来源
Using Claude Code: Spending your effortThariq Shihipar·2026-09-25·查看主材料
本站说明
图表和具体通过率来自作者引用的 Anthropic 内部运行,正文按原文口径转述。
↑ 正文结束
✓ 本篇全文免费开放

会员可复制、下载全文 Markdown,还能让你的 AI 订阅和提问。

阅读原文 ↗
📮 新解读第一时间进邮箱

读完觉得有用?留个邮箱,每篇新解读发布就送达,随时退订。