Claude Code работает хуже? Разбор модели и уровня усилий

Введение

Когда Claude Code выдает слабые результаты, многие разработчики сразу переключаются на более крупные и дорогие модели.

Такая реакция понятна, но зачастую она направлена не на те настройки.

Claude Code предлагает два элемента управления, которые могут улучшить результат: модель и уровень усилий. Они взаимосвязаны, но выполняют разные функции. Выбор модели меняет базовые возможности системы, а уровень усилий регулирует, сколько работы Claude готов вложить в текущую задачу.

Это различие объясняет, почему Claude может внезапно показаться менее тщательным, даже если сама модель не изменилась. Оно также объясняет, почему меньшая модель с высоким уровнем усилий иногда может превзойти большую модель с низким уровнем усилий.

Почему Claude Code внезапно стал "менее умным"

Эта путаница становится особенно заметной, когда разработчики замечают изменения в поведении Claude Code.

Пользователи сообщают, что Claude пропускает файлы, которые должен прочитать, избегает запуска тестов, останавливается на полпути при выполнении многоэтапных задач или обращается к пользователю за дополнительной информацией, вместо того чтобы исследовать самостоятельно.

Широко обсуждаемый issue на GitHub описывает Claude Code как "ненадежный для сложных инженерных задач". Анализ, на который ссылается исходная статья, изучил тысячи сессий и зафиксировал резкое снижение объема рассуждений или выполняемой работы.

Многие пользователи сначала думали, что проблема в их промптах, инструкциях репозитория или локальных настройках. В исходной статье указывается, что более прямая причина — изменение настроек уровня усилий по умолчанию.

Чтобы снизить задержку, Anthropic временно понизил уровень усилий по умолчанию для некоторых пользователей Claude Code с high до medium. Веса модели не ослабли, но Claude стали поощрять тратить меньше времени, меньше токенов и меньше вызовов инструментов на каждую задачу.

Видимый эффект легко было истолковать неверно:

• Проверяется меньше файлов.
• Запускается меньше тестов.
• Многоэтапные задачи завершаются преждевременно.
• Claude чаще запрашивает контекст у пользователя.
• Ответы стали быстрее, но с меньшим исследованием.

Позже Anthropic восстановил более высокие настройки по умолчанию для затронутых пользователей. Но к тому времени этот случай продемонстрировал важную мысль: даже если сама модель не изменилась, она может казаться "глупее", когда меняется стратегия усилий.

Модель меняет мозг, усилия меняют объем работы

Объяснение Anthropic можно свести к одной практической фразе:

Модель меняет мозг. Уровень усилий определяет, насколько тщательно этот мозг работает над текущей задачей.

Выбор модели определяет верхнюю границу возможностей

Модель определяется фиксированным набором обученных весов.

После завершения обучения эти веса определяют общие знания модели, изученные шаблоны, способности к рассуждению, опыт программирования и диапазон возможностей. Промпты, файлы репозитория, CLAUDE.md и документы в контексте могут направлять модель, но не могут переписать эти веса.

Таким образом, выбор модели в первую очередь отвечает на вопрос:

Способна ли эта модель решать такого рода задачи?

Если какая-либо библиотека была выпущена после даты среза данных для обучения модели, вы можете предоставить документацию в текущем сеансе, чтобы модель могла ее использовать. Но это не научит модель этой библиотеке навсегда. Соответствующие знания существуют только в пределах текущего контекста.

То же ограничение объясняет, почему модель может уверенно выдумывать несуществующий API. Она генерирует наиболее вероятное продолжение на основе изученных шаблонов, а не обращается к внутренней базе данных, гарантирующей работоспособность функций.

Как текст попадает в модель

Прежде чем Claude обработает код или текст, ввод разбивается на токены.

Например, такая строка кода:

const x = await fetch(...)

преобразуется в идентификаторы токенов из словаря модели. Модель использует эти числовые представления для обработки, а не читает символы, как человек.

Затем модель предсказывает по одному токену за раз. После генерации каждого токена последовательность обрабатывается заново для предсказания следующего.

Этот повторяющийся процесс генерации является одним из основных источников задержки и затрат. Более мощные модели могут давать лучшие предсказания, но это не означает, что модель автоматически проверяет каждый файл, запускает каждый тест или последовательно завершает каждый этап длинных задач.

А такое поведение как раз и контролируется усилиями.

Усилия контролируют не только время на размышление

Многие пользователи понимают параметр «усилие» как то, что модель «подумает несколько лишних секунд».

Это понимание неполное.

Параметр усилия в Anthropic влияет на общую готовность модели тратить токены и выполнять работу. Он может влиять на:

• Сколько файлов прочитает Claude
• Сколько инструментов он вызовет
• Будет ли запускать тесты
• Насколько глубоко проведет верификацию
• Будет ли перепроверять отредактированное
• Насколько глубоко сможет работать в многошаговых задачах
• Как быстро запросит у пользователя дополнительную информацию
• Насколько развернутым будет его рассуждение

При низком уровне усилия Claude оптимизирован на скорость и эффективность токенов. Он может прочитать только самые очевидные файлы, внести узкое изменение и быстро вернуть результат.

При высоком уровне усилия Claude с большей вероятностью проверит окружающий код, прочитает конфигурации, запустит тесты, верифицирует результаты и продолжит работу до более полного завершения задачи.

Диаграмма из руководства Anthropic использует иллюстративный пример:

• Путь с низким уровнем усилия может использовать около 400 токенов.
• Путь с высоким уровнем усилия может использовать около 2 800 токенов.

Конкретное кратное увеличение не является фиксированным правилом. Усилие — это поведенческий сигнал, а не строгий бюджет токенов. Разные задачи могут порождать разные модели потребления.

Ключевой момент заключается в том, что дополнительные токены используются не только для скрытого рассуждения. Они также могут использоваться для чтения файлов, генерации параметров инструментов, выполнения шагов верификации и написания более полных ответов.

Маленькая модель с высоким усилием может превзойти большую модель с низким усилием

Отсюда следует результат, который на первый взгляд кажется противоречащим интуиции:

Маленькая модель с достаточным контекстом и высоким уровнем усилия может превзойти большую модель, которой разрешена только поверхностная обработка.

Представьте двух разработчиков:

• Один — мощный универсал, у которого есть целый день, чтобы изучить репозиторий, запустить приложение, протестировать изменения и верифицировать результаты.
• Другой — более опытный эксперт, но ему дали всего пять минут, и он может проверить лишь несколько файлов.

У эксперта может быть лучшая интуиция, но у универсала больше возможностей для сбора доказательств.

Это похоже на разницу между возможностями модели и прилагаемым усилием.

Большие модели устанавливают более высокий предел качества. Более высокое усилие определяет, насколько модель готова продвинуться к этому пределу в рамках текущей задачи.

Это не означает, что размер модели не важен. Некоторые задачи все еще находятся за пределами возможностей маленькой модели, независимо от приложенных усилий. Модель не может компенсировать отсутствующие способности, просто тратя больше токенов.

Это действительно означает, что увеличение модели не всегда является первым выбором или самым дешевым решением.

Claude терпит неудачу из-за неспособности решить задачу или из-за недостатка усилий?

Самый полезный совет от Anthropic — это диагностическая структура.

Когда Claude выдает плохой результат, не меняйте модель сразу. Сначала определите тип сбоя.

Шаг 1: Проверьте входные данные и контекст

Прежде чем изменять какие-либо настройки, верифицируйте саму задачу.

Спросите:

1. Четко ли сформулирован промпт?
2. Есть ли у Claude необходимые файлы?
3. Доступны ли правильные инструменты?
4. Точно ли заполнен CLAUDE.md?
5. Четко ли определены границы задачи?
6. Не упущены ли важные ограничения?
7. Работает ли Claude в правильном каталоге или репозитории?

Многие проблемы, которые кажутся проблемами модели, на самом деле являются проблемами контекста.

Если модель получила неполные требования, устаревшие инструкции или не те файлы, то ни более высокое усилие, ни большая модель не смогут надежно решить проблему.

Шаг 2: Ищите признаки недостатка усилий

Когда Claude ведет себя следующим образом, проблема, скорее всего, в недостатке усилий:

• Пропускает релевантные файлы
• Не проверяет конфигурацию
• Избегает запуска доступных тестов
• Останавливается во время рефакторинга
• Вносит одно изменение без верификации
• Запрашивает информацию, которую можно найти с помощью имеющихся инструментов
• Возвращает результат до завершения требуемого рабочего процесса

В этих случаях повысьте уровень усилия.

У модели, возможно, уже достаточно возможностей.

Просто нужен более сильный сигнал о том, что задачу нужно выполнить более тщательно.

Шаг 3: Ищите признаки ограниченных возможностей

Проблема, скорее всего, в самой модели, когда:

• У Claude правильный контекст
• Он прочитал релевантные файлы
• Он выполнил ожидаемые проверки
• Он явно попытался решить проблему
• Он все равно пришел к неправильному выводу
• Переформулировка задачи не помогла
• Увеличение усилия приводит к более длинному, но все еще неправильному результату

В этих случаях переключитесь на более мощную модель.

Более высокое усилие предоставляет одним и тем же весам больше пространства для работы, но оно не заменяет их на более сильный набор способностей.

Как выбирать между Sonnet, Opus и Fable

Конкретный состав моделей и настройки по умолчанию со временем меняются, поэтому всегда сверяйтесь с текущей документацией Anthropic. Практическая логика выбора более долговечна, чем любое конкретное название модели.

Используйте меньшие или сбалансированные модели для рутинной работы

Более быстрых моделей, таких как Sonnet, обычно достаточно для задач:

• Узконаправленные правки
• Переформатирование
• Прямое исправление ошибок
• Известные миграции
• Повторяющиеся обновления кода
• Изменения в документации
• Задачи с надежными тестами

Если задача включает несколько файлов или требует верификации, сначала повысьте уровень усилия, прежде чем переходить на более дорогую модель.

Используйте большие модели для неоднозначной или сложной работы

Более сильная модель, такая как Opus, более уместна, когда:

• Первопричина неочевидна
• Задача затрагивает несколько систем
• Требования противоречат друг другу
• Кодовая база содержит незнакомые паттерны
• Требуются архитектурные решения
• Решение опирается на опыт, отсутствующий в репозитории

Преимущество не только в большем количестве токенов. Более крупные модели, возможно, уже изучили более сильные паттерны и имеют более высокий потолок возможностей.

Оставляйте модели с самыми высокими возможностями для самых сложных задач

Исходная статья описывает Fable как модель-эксперта, которую следует вызывать, когда другие модели все еще застревают.

Такие модели наиболее ценны для:

• Длительных агентных задач
• Сложной инженерной диагностики
• Трудной архитектурной работы
• Отладки с высокой степенью неопределенности
• Задач, которые другие модели не смогли решить, приложив значительные усилия

Поскольку модели с самыми высокими возможностями также имеют самую высокую стоимость токенов, их следует использовать только тогда, когда их дополнительные возможности могут изменить результат.

Практическая матрица модели и усилия

Тип задачи	Начальная стратегия модели	Рекомендуемый уровень усилия
Переименование, форматирование, мелкие правки текста	Быстрая или сбалансированная модель	Низкий или средний
Узкий баг с четкими тестами	Сбалансированная модель	Средний
Исправление бага в нескольких файлах	Сбалансированная модель

| Высокий |
| Крупный рефакторинг с чёткими требованиями | Сбалансированная или более сильная модель | Высокий или очень высокий |
| Неудачная архитектура без чёткого понимания | Более сильная модель | Высокий |
| Длинный автономный рабочий процесс кодирования | Сильная модель | Очень высокий или максимальный |
| Постоянные неудачи после всестороннего исследования | Переход к более мощной модели | Достаточно высокий для проверки |

Это отправная точка, а не жёсткое правило.

Оптимальные настройки зависят от:

• размера репозитория
• степени неопределённости задачи
• качества тестов
• доступности инструментов
• бюджетных ограничений
• требований к задержке
• требований к проверке

Почему не следует произвольно менять уровень усилий

Постоянное изменение уровня усилий для каждого промпта делает затраты и задержку непредсказуемыми.

Anthropic рекомендует начинать с уровня усилий по умолчанию для выбранной модели, а затем настраивать его как более широкую рабочую предпочтительность.

Например:

• Используйте низкие усилия для быстрых вопросов и множества подзадач.

• Используйте средние усилия для обычной разработки.

• Используйте высокие усилия для сложного кодирования и агентных рабочих процессов.

• Используйте xhigh или max только тогда, когда требуется дополнительная тщательность.

Для пользователей API параметр effort применяется к видимому тексту, вызовам инструментов, аргументам инструментов и расширенному мышлению. Он не ограничивается единым скрытым бюджетом на рассуждения.

Это делает effort прямым оперативным контролем над тем, сколько усилий модель пытается приложить.

Многоагентная оркестрация и Ultracode

В исходной статье также упоминается режим ultracode Claude Code.

Важная идея заключается в том, что некоторые длинные задачи выигрывают от нескольких агентных потоков. Вместо того чтобы один экземпляр Claude последовательно проверял каждую часть большой задачи, координатор может делегировать независимую работу специализированным агентам.

Примеры включают:

• Агент проверяет безопасность
• Агент проверяет тесты
• Агент читает документацию
• Агент реализует изменения
• Координатор объединяет результаты

В документации Anthropic по управляемым агентам описываются многоагентные сеансы, в которых агенты могут работать параллельно, имея независимую историю диалогов. Это может повысить охват и сократить время выполнения при правильном разделении задач.

Многоагентное выполнение не является автоматически лучшим.

Оно может увеличить:

• Использование токенов
• Количество вызовов инструментов
• Накладные расходы на координацию
• Повторную работу
• Сложность проверки

Используйте его только тогда, когда задача содержит независимые рабочие процессы, а не просто потому, что оно доступно.

От рейтингов моделей к планированию агентов

Более широкий вывод заключается в том, что ИИ-кодирование выходит за рамки рейтингов моделей.

Раньше рабочий процесс был простым:

1. Выберите самую сильную доступную модель.
2. Отправьте задачу.
3. Примите или отклоните результат.

Современное агентное кодирование требует более активного планирования.

Команда может использовать:

• Модель с более низкой стоимостью для простых изменений
• Сбалансированную модель с высокими усилиями для работы на уровне репозитория
• Более крупную модель для архитектуры и диагностики
• Несколько специализированных агентов для параллельного исследования
• Детерминированные тесты для проверки конечного результата

Это больше похоже на управление технической командой, чем на использование поисковой строки.

Человек, управляющий этой системой, должен понимать:

• Какие задачи требуют более сильных возможностей
• Какие задачи требуют большего исследования
• Какие задачи могут выполняться параллельно
• Какие задачи требуют утверждения человеком
• Какие задачи следует остановить при исчерпании бюджета

Цель — не потребить как можно больше токенов, а потратить токены там, где это повышает вероятность принятия результата.

Практический контрольный список устранения неполадок

Когда Claude Code даёт слабые результаты, проверяйте в следующем порядке:

1. Проверьте задачу: Является ли запрос конкретным и тестируемым?
2. Проверьте контекст: Есть ли у Claude правильные файлы и инструкции?
3. Проверьте инструменты: Может ли он читать, редактировать, запускать и проверять то, что необходимо для задачи?
4. Проверьте поведение: Пропустил ли он исследование или остановился раньше?
5. Повысьте усилия: Если модель работает недостаточно тщательно, повысьте усилия.
6. Проверьте возможности: Провёл ли он достаточное исследование, но всё равно неправильно понял проблему?
7. Переключите модель: Если ограничение возможностей является проблемой, переключитесь на более сильную модель.
8. Независимая проверка: Запустите тесты, проверьте различия и просмотрите результаты.
9. Измерьте стоимость за принятую задачу: Не судите только по цене за токен.
10. Записывайте повторяющиеся неудачи: Добавьте их во внутренний набор для оценки.

Часто задаваемые вопросы

В чём разница между моделью и усилиями в Claude Code?

Выбор модели изменяет базовые веса обучения, тем самым меняя общий диапазон возможностей. Усилия (effort) контролируют, сколько работы Claude поощряется вложить в текущую задачу, включая рассуждения, чтение файлов, вызовы инструментов, тестирование и проверку.

Могут ли бóльшие усилия позволить маленькой модели превзойти большую?

Да, в некоторых задачах. Маленькая модель с достаточным контекстом и высокими усилиями может провести более глубокое исследование, чем большая модель с низкими усилиями. Однако усилия не могут преодолеть реальные ограничения возможностей.

Почему Claude Code иногда пропускает тесты или файлы?

Claude может работать с низким уровнем усилий, область задачи может быть плохо определена, или могут отсутствовать необходимые инструменты и контекст. Сначала проверьте промпты и инструкции репозитория, а затем повысьте усилия, если Claude остановился, не выполнив доступных проверок.

Когда следует переключаться на более сильную модель Claude?

Когда у Claude есть правильный контекст, он чётко исследовал задачу, запустил соответствующие проверки, но всё равно пришёл к неверному выводу. Если он просто пропустил работу, повышение усилий обычно является лучшим приоритетным шагом.

Равны ли усилия бюджету токенов?

Нет. Anthropic описывает усилия как поведенческий сигнал, а не как строгий лимит токенов. Это влияет на готовность Claude вкладывать токены в ответы, вызовы инструментов, аргументы функций и расширенное мышление.

Какой уровень усилий следует использовать при кодировании?

Для повседневных задач используйте усилия по умолчанию или средние, для сложного кодирования и агентных задач — высокие, для длительных или особенно требовательных рабочих процессов — очень высокие или максимальные. Переоценивайте затраты и задержку в соответствии с вашими задачами.

Что такое ultracode в Claude Code?

В исходной статье ultracode описывается как высокоинтенсивный режим Claude Code, который сочетает очень высокие усилия и при необходимости позволяет координировать несколько агентов. Поскольку поведение продукта может меняться, перед тем как полагаться на конкретную реализацию, ознакомьтесь с текущей документацией Claude Code.

Изменение уровня усилий навсегда обучает Claude?

Нет. Уровень усилий изменяет поведение только в рамках данного запроса или сеанса. Он не обновляет веса модели и не учит Claude чему-то новому навсегда.

Связанные инструменты

• Claude Code: Агентный инструмент кодирования от Anthropic для чтения репозиториев, редактирования файлов, выполнения команд и выполнения программных задач.
• Claude Platform: Официальная платформа для разработчиков от Anthropic для использования моделей и API Claude.
• Claude Managed Agents: Набор инструментов для управляемых агентов, включающий песочницы, инструменты, сеансы и многоагентную оркестрацию.
• Model Context Protocol: Протокол с открытым исходным кодом для подключения ИИ-приложений к внешним инструментам и источникам данных.
• GitHub: Платформа для исходного кода, часто используемая совместно с Claude Code для управления репозиториями, задачами, проверкой кода и пул-реквестами.
• Claude Agent Skills: Повторно используемые пакеты инструкций, расширяющие возможности Claude с помощью рабочих процессов и ресурсов для конкретных задач.

Связанные ссылки

• [Как выбрать Claude

Модель и уровень усилий: Официальное описание Anthropic о выборе модели и уровне усилий в Claude Code.

• Документация об уровне усилий Claude: Официальная документация об уровне усилий, поддерживаемых моделях и поведении API.

• Как выбрать правильную модель Claude: Руководство Anthropic по выбору модели с учётом производительности, стоимости и типа задачи.

• Журнал изменений Claude Code: Официальная история выпусков Claude Code с изменениями и настройками по умолчанию.

• Мультиагентные сессии управляемых агентов Claude: Официальная документация по координации нескольких агентов Claude.

• Шаблон оркестровки построения: Руководство Anthropic по комбинированию высоких усилий с мультиагентной оркестровкой.

• Репозиторий Claude Code на GitHub: Официальный исходный код, трекер проблем и журнал изменений Claude Code.

Краткое содержание

Даже если базовая модель не изменилась, Claude Code может казаться менее способным. Причина может заключаться в низкой настройке усилий, неполном контексте, отсутствии инструментов или неясной области задачи.

Выбор модели определяет верхнюю границу возможностей. Усилия же определяют, насколько полно Claude использует эти возможности через чтение файлов, вызов инструментов, запуск тестов и проверку работы.

Начните с корректировки ввода. Повышайте уровень усилий, когда Claude пропускает доступную работу. Если модель уже достаточно исследовала задачу, но не может её решить — переключайте модель.

Лучшая конфигурация Claude Code — не всегда самая большая модель, а правильная модель при достаточных усилиях, контексте, инструментах и валидации задачи.