Claude Code模型选择与Effort Level配置指南

tags: #Claude-Code #Model-Selection #Effort-Level #Agentic-Coding #Anthropic source: Choosing a Claude model and effort level in Claude Code score: 技术深度7/10 | 实用价值8/10 | 时效性9/10 | 领域匹配8/10 | 综合 8.0/10

核心概念

Claude Code的两个配置旋钮——模型（model）和Effort Level（努力级别）——看似"让答案更好"，实际上控制的是不同维度。Model决定模型的能力范围（固定权重和整体知识），Effort决定工作的深度（读取文件数、验证步骤、多步推进程度）。Effort不只是"思考时间"，而是整体工作量的控制参数。

设计原理

Model ≠ Effort：两个正交的调节维度

模型选择 = 能力边界 - 更大的模型（Claude Fable 5、Opus 4.8）在行业基准上表现更好，知识和推理能力更强 - 模型的能力是固定的（权重不变），可通过上下文和提示引导但不能提升基本能力

Effort Level = 工作深度 Effort控制的不只是思考时间，还包括： - 读取多少文件 - 做多少验证（跑测试、检查结果） - 多步任务中推进多远才回来汇报

选择策略

场景	模型选择	Effort级别
例行的简单任务	小模型（Sonnet）	默认
复杂/模糊任务	大模型（Fable/Opus）	默认
Claude有完整上下文但答错	升级到更强大的模型	保持默认
Claude跳过文件/未跑测试/中途放弃	保持模型	提高Effort

核心诊断原则：如果Claude有所有相关上下文、明显努力过、仍然出错 → 选更强的模型。如果Claude跳过了文件、没跑测试、中途放弃 → 提高Effort。

实际建议

• 不要逐任务调整Effort，而是基于你通常做的工作类型设一个全局偏好
• 从默认Effort开始，逐步微调
• 调优前先问自己：问题出在能力（需要更强模型）还是工作深度（需要更高Effort）？

关键实现

模型选择的工作机制

用户按下回车时，Claude Code将以下内容打包发送给API： - 系统提示（system prompt） - 工具定义（tool definitions） - CLAUDE.md（项目配置） - 对话历史 - 上下文中的文件 - 当前用户消息

这些全部作为一次API请求发送。模型选择决定了处理这个请求的"大脑"能力上限。

Effort Level的实践效果

Effort级别	行为表现	最佳场景
Low	快速响应，少读文件，频繁询问确认	简单脚本、快速修改
Medium	平衡模式（默认）	大多数开发任务
High	多读文件，跑测试，深入验证后才回复	复杂重构、跨文件变更
Max	最大工作深度，推进最远才回来汇报	大规模迁移、深层重构

关联分析

• 与 Claude-Code-Source-Analysis 关联：了解Claude Code的架构有助于理解Effort Level的实现机制
• 与 learn-claude-code 关联：Effort Level是Claude Code核心配置之一
• 与 Anthropic-AI-Code-Migration 关联：大规模迁移中，模型选择可能使用Fable/Opus搭配高Effort，而routine重构可能用Sonnet+默认Effort
• Token成本优化参考 GitHub-Token-Cost-Optimization：高Effort会增加token消耗，需要在效果和成本间权衡

可执行建议

1. 诊断优先于调整：当Claude Code答错时，先判断是"能力不足"（升级模型）还是"工作没做够"（提高Effort）。这是最实用的调试技巧
2. Effort不是万能药：如果模型本身能力不足以理解问题，提高Effort只会浪费更多token。先选对模型再调Effort
3. 设为全局偏好：除非某个任务特别特殊，否则不要逐任务调整Effort。找一种适合你日常工作的设置保持下去
4. 低成本试错：简单任务用Sonnet+低Effort可以显著降低成本，将复杂任务留给Fable/Opus+高Effort

自评

维度	分数	权重	加权
摘要质量	8	0.25	2.00
技术深度	7	0.25	1.75
相关性	8	0.20	1.60
原创性	7	0.15	1.05
格式规范	9	0.15	1.35
加权总分			7.75