在数字化转型的浪潮中，AI编程工具正从锦上添花变成企业基础设施的基石。然而，很多团队在拥抱AI时陷入了一个误区：认为换更大的模型就等于更聪明。最近，Anthropic官方的一篇长文彻底打破了这一幻觉——Claude Code的“变笨”风波让整个开发者社区意识到，真正决定AI效率的，不是模型大小，而是你如何调度它。本文将从一场沸沸扬扬的争议出发，拆解模型选择与努力度的本质区别，并探讨在数字化转型的宏大叙事下，企业如何像项目经理一样“派活”给AI，让每一分token都花在刀刃上。
模型与努力度：理解AI的“脑子”与“态度”
在Claude Code的世界里，有两个极易混淆的选项：模型选择（Model）和努力度（Effort）。Anthropic官方用一句精妙的比喻点明了二者的分工：Model换的是脑子，Effort换的是态度。
先看模型。每个模型背后是一套冻结的权重，它的能力和知识在训练结束那一刻就被焊死了——只读、不可改。这意味着，你推理时喂进去的提示词、CLAUDE.md、贴进上下文的代码，都改变不了它的权重；你可以引导它，却没法“训练”它。换模型，本质就是换一整套权重来接你的活，所以它解决的是“会不会”的问题。一个在训练时不存在的库，你文档整篇喂给它，它能现学现用，但只对这一次请求管用，转头就忘。它偶尔会一本正经地调用一个根本不存在的API，那是因为权重照着训练里的老套路硬拼出一串东西。
再往下看底层机制。你写的一行代码，在模型眼里先被切成一个个token，每个换成词表里的一个数字。模型不是一口气吐出整段答案，而是一次只预测一个token，接上去，再把整串重新算一遍，预测下一个。一段两百个token的回复，就是两百次完整的运算。你等的时间、你烧的钱，大头全在这个循环里。
再说努力度。很多人以为高Effort就是“多想几秒”，错了。它管的是Claude在这次任务上投入多少工作量：读几个文件、跑不跑测试、要不要额外验证、要不要把一个多步骤任务一路推到底。低Effort的Claude倾向于快速回复，然后反过来问你要更多上下文，能不动手就不动手；高Effort的Claude倾向于自己去翻信息、多调几次工具、一口气把长任务链跑完。官方还放了一张示意图：同一条prompt，高Effort能比低Effort多吐大约7倍的token，多出来的全花在读文件、跑验证、反复确认上。
这里藏着一个反直觉的结论：小模型开高Effort，完全可能干翻大模型开低Effort。 在数字化转型中，很多企业一上来就采购最贵的模型，却忽略了努力度的配置，结果就像给一个专家只给五分钟——他固然有经验，但时间不够，只能扫一眼，干不了细致活。而一个中等模型配上充足的时间，反而能把任务吃透。
一场“变笨”风波背后的真相
今年3月，一场混乱席卷了整个开发者社区。不少开发者发现手里的Claude Code突然“变笨”了：该读的文件不读，该跑的测试不跑，任务干到一半就撂挑子，反过来问你要更多信息。GitHub上骂声一片，最狠的一刀来自AMD的AI负责人Stella Laurenzo，她翻出6852个会话的日志，实测Claude的思考量比2月之前掉了67%，撂下一句：“Claude已经没法被信任，去干复杂的工程活了。”
起初，大家以为是自己的提示词没写好，或者哪里配置错了。折腾半天才恍然大悟：问题根本不在自己身上，是Anthropic悄悄改了一个设置。3月4日，为了压低延迟，他们把Claude Code里的Effort选项默认档位从high降到了medium。官方更新日志里写了，可大多数人并没注意到，他们只是感觉到手里的模型无缘无故好像变蠢了。扛了一个月，Anthropic才在4月7日把默认档位调回去，还给所有订阅用户重置了一次用量额度。
这场风波的本质，是用户对AI工具调度的认知盲区——大多数人还停留在“换模型”的老思路里，对手边这个更要命的Effort选项浑然不觉。在数字化转型的背景下，企业往往把预算花在采购更贵的模型上，却忽视了如何让模型“卖力干活”。这就像买了一台超级计算机，却只让它跑计算器程序。
值得注意的是，这起事件也引发了AI创业公司的关注。许多AI创业公司开始反思：仅仅提供强大的模型还不够，如何帮助用户精准调度智能体，才是真正的价值所在。事实上，AI融资领域的热钱也在向“智能调度”方向倾斜，新的工具链和平台层出不穷。如果你正在寻找更高效的AI工作流，不妨试试AI工具导航，那里汇集了众多提升生产力的利器。
如何判断AI是“不会”还是“不够努力”
Anthropic官方给出了一套非常实用的判断框架，可以帮你快速定位问题。
第一步永远是回头查上下文：prompt说清楚了吗？该给的工具给了吗？CLAUDE.md配对了吗？大多数所谓“AI变笨”，根子都在这儿，不在模型选项上。
上下文确实没问题、它还是错，就问自己一句：它是不会，还是不够努力？
“不够努力”很好判断：该读的文件跳过了、测试没跑、重构干到一半跑回来问你——它缺的不是脑子，是投入。这是Effort的事，可以往上调一档。
“不会”则是另一种情形：你上下文给足了，它也明显尽力了，可还是错，换个说法再试一遍还是错。这时候任你怎么加Effort都白搭，这是模型的事，就要换更强的。
官方还打了个特别好懂的比方。Sonnet，是个有一整个下午的全能选手，它会把你的代码从头读到尾，跑一遍、再验一遍，最后真把你这摊活儿吃透了。Opus，是只给你五分钟的专家，它带来的是你代码库里压根没有的经验，但五分钟只够它扫一眼，不能扫遍所有文件。Fable，是所有人都卡住了才请得动的专科，哪怕只给五分钟，它也能一眼揪出别人谁都没看出的那处毛病，当然，每个token也最贵。
所以才有那个反常识的结论：一个Sonnet开高Effort，在不少活儿上真能干过Opus开低Effort。小模型配上充足上下文和高投入，能扛下的事比你想象的要多得多。
在实际应用中，你可以将这种判断逻辑与企业数字化转型的实践相结合。比如，当你的团队在开发新功能时，先评估任务复杂度：简单的改动交给中等模型加低Effort，秒回还省钱；大型重构上强模型加高档；需要长时间自主运行的智能体任务，则用强模型配足Effort。这种“因事派活”的思路，与AI Agent技术的发展趋势不谋而合——智能体不再只是“跑模型”，而是学会分配计算资源。
从模型排行到智能调度：AI编程的新范式
这篇官方解读表面上是教你调参，背后却是一个重要的转向：AI编程的竞争，正在从“谁的模型更强”转向“谁更会调度智能体”。 过去很简单，人挑一个最强的模型，剩下的全交给它。现在不一样了，你得像个项目经理那样，给不同的模型派不同的角色、定不同的投入档位。
Claude Code的Effort菜单里多出的那档ultracode，就是把这套“调度”做进了产品。选中它，Claude拿到的是xhigh的火力，外加一项授权：遇到实质性的活儿，自己掂量要不要拉起一支智能体队伍，把任务拆下去并行干。这种多智能体协作模式，正是AI Agent技术在工程实践中的典型应用。
在数字化转型的宏观背景下，这种调度能力意味着企业可以更灵活地配置AI资源。过去，采购一个顶级大模型可能需要数百万的预算，现在通过精细化的调度，中等模型搭配高Effort就能完成大部分工作，只有极少数疑难杂症才需要动用最贵的模型。这直接降低了大模型训练和部署的门槛，让更多中小企业也能享受到AI生产力红利。
与此同时，AI创业公司也在积极布局这一领域。我们看到不少AI创业公司推出了智能调度平台，帮助企业自动分配任务到不同模型，甚至根据实时反馈动态调整Effort。这些创新吸引了大量AI融资，资本正在押注“AI调度”这个新兴赛道。如果你也想要提升团队效率，不妨试试AI工具箱，里面有很多现成的调度工具可以即插即用。
数字化转型中的AI投资策略：让每一分钱都花在刀刃上
回到企业最关心的成本问题。在数字化转型中，AI工具的投资回报率一直是管理层关注的焦点。很多公司花了大价钱买API额度，却发现效果平平，问题往往出在调度上。
举个例子：一个简单的代码补全任务，如果用Fable（最贵的模型）开低Effort，可能只需要0.1美元，但效果和用Sonnet开高Effort（0.02美元）差不多甚至更差。而后者由于多花了几轮思考和验证，反而能给出更可靠的答案。反过来，如果是一个复杂的架构设计问题，Fable开高Effort虽然贵，但能一次性找出潜在隐患，避免后期数万美元的修复成本。
所以，数字化转型的AI投资策略应该遵循“按需分配，精准调度”原则。具体来说： - 建立任务分级体系：将日常任务分为“简单”、“中等”、“复杂”三级，分别对应不同的模型和Effort组合。 - 引入自动调度工具：利用AI Agent平台自动匹配任务与模型，减少人工决策成本。 - 定期复盘token消耗：分析哪些任务超支了，哪些模型表现不佳，动态调整策略。 - 培训团队：让每个开发者都理解Model与Effort的区别，就像程序员要理解CUP和内存一样。
此外，别忘了利用AI辅助创意任务。比如，在生成设计原型时，可以用AI画图快速生成视觉方案；在撰写文案时，可以借助AI诗词生成吸引人的标题。这些工具虽然不直接涉及编程，但同样是数字化转型中提升内容生产效率的利器。
回想3月那场风波，它惊动整个社区恰恰因为大多数人还停在“换模型”的老思路里。只看模型排行的时代正在过去，调度模型，正在成为核心手艺。谁先学会给AI派活，谁就能在数字化转型中抢先一步，用上那个真正肯为你卖力的AI。否则，你手里再贵的模型，也只是一个更贵的搜索框。这样，你烧的每一分token，才算真花在了刀刃上。