用 Claude Code 的人遲早會遇到這個時刻：產出不如預期，打開設定，畫面上有兩個看起來都能「讓答案變好」的選項，一個是模型（Sonnet、Opus 或 Fable），另一個是努力程度（effort）。不少人的直覺是兩個都拉高，反正越強越好。
Claude Code 團隊技術成員 Lydia Hallie 在 Anthropic 官方部落格撰文，專門拆解這兩個設定。核心訊息是：模型決定 Claude「知道多少」，努力程度決定它「做多少工」，兩者對應完全不同的問題。
換言之，若選錯開關，輕則多付冤枉錢，重則怎麼調都得不到想要的結果。
她先點出一個「半對半錯」的常見認知。大家以為選 Fable 這類大模型會比 Sonnet 聰明；這一半是對的，Anthropic 表示依業界標準基準測試，最大的模型確實更有能力。但大家同時以為調高努力程度只是「讓 Claude 想久一點」，這一半就錯了。
依官方文件的說法，努力程度控制的是「自適應推理」（adaptive reasoning），由模型視任務複雜度決定每一步要不要想、想多深；Hallie 則描述了它的外顯行為：會讀幾個檔案、驗證做多徹底、多步驟任務要自己推進多遠才回頭找你確認。努力調得越高，通常也代表更多 token 消耗。
換模型，換的是一顆訓練完就「凍結」的腦袋
要理解換模型到底換了什麼，Hallie 建議從你按下 Enter 那一刻看起。Claude Code 會把你的訊息、系統提示、工具定義、對話紀錄與相關檔案，打包成一個請求送到 API。但模型從頭到尾不會看到文字，伺服器的第一步是分詞（tokenization），把文字切成小片段，每個片段對應一個固定編號。在那之後，你的提示詞就是一串數字。
模型的工作只有一件：根據這串數字，預測下一個 token（文字片段）該是什麼。而把輸入轉成預測的，是「權重」（weights），也就是數十億個在訓練期間定下來的參數。權重是模型全部知識的所在，而且在你使用時是唯讀的：你的提示詞、CLAUDE.md 設定檔、貼進去的任何文件，都不會改變權重分毫。
這帶出全文最值得記住的區分：把資料放進上下文（context），只能「引導」模型，沒辦法「教會」它。
如果某個程式庫在模型訓練時還不存在，它就不在權重裡；你可以把文件貼給 Claude，它會照著用，但只影響這一次請求，模型本身什麼都沒留下。
Hallie 也順勢解釋了幻覺（hallucination）的本質：當 Claude 自信滿滿地呼叫一個不存在的 API，在沒有外部搜尋或工具驗證的情況下，這通常是權重依照訓練時看過的模式，拼出看似合理但不正確的內容，而不是哪一次「查資料」出了錯；若有接上搜尋或外部資料，錯誤也可能來自找回來的資料或給的脈絡不足。
簡言之，換模型就是把處理你請求的整套凍結權重換掉。嚴格來說，模型影響的不只是知識量，還包括推理、寫程式、長任務處理與驗證的能力；努力程度則是在同一個模型下，調整推理深度與成本的取捨。
努力程度調的不是單純思考時間，而是推理深度與 token 取捨
那努力程度呢？
要先建立一個觀念：Claude 工作時吐出的所有東西，包括思考過程、工具呼叫指令、回覆給你的文字，全都是同一個循環產生的 token，以相同費率計費。模型一次只預測一個 token，把它接上序列後再預測下一個；一段 200 token 的回覆，就是 200 次這樣的生成步驟。回覆越長、步驟越多，你的等待時間與輸出費用通常也跟著增加。
模型設定決定哪套權重來跑、每個 token 單價多少，但它不決定會生成多少 token。左右這件事的，正是努力程度。
努力程度的運作方式可能出乎意料：它是跟你的提示詞一起送進模型的一項輸入，模型在訓練時就學會了各個努力等級該有的行為。
白話說，努力程度設定的是 Claude 要做到多徹底、多有把握才算完工。 在官方的示意例子中，同一個提示詞，高努力路徑生成的 token 數約是低努力的 7 倍，換到的是把握度更高的答案。
在高努力下，Claude 傾向先擬計畫、多讀檔案、跑測試、反覆驗證才回報；在低努力下，它寧可回頭多問你幾句背景，也不花 token 自己推敲。
但 Hallie 強調，調高努力不代表 Claude 會在簡單任務上硬灌用量，「過度思考」（overthinking）是 Anthropic 訓練時特別盯防的行為。她的建議是：多數任務直接用預設值，把努力程度當成依工作型態設定的長期偏好，而不是逐任務調整的旋鈕。
依官方測試，Opus 4.8 的預設努力設定，能用與前代 Opus 4.7 大致相同的 token 量，在同一任務上換到更好的結果。（實務上，努力程度可透過 /effort 指令或模型選單調整；以 Fable 5、Sonnet 5、Opus 4.8 為例，提供 low、medium、high、xhigh、max 五級，級距依模型而異。）
出錯時，先問它是「不知道」還是「不夠認真」
這是全文最實用的判斷框架。Hallie 提醒，當 Claude 做錯，先別急著動設定，回頭檢查你給的脈絡：提示詞是否太模糊？工具接對了嗎？該給的檔案給了嗎？ 多數「想調高努力」的情況，病根在上游。
如果脈絡給足了還是錯，再問這個問題：它是不夠認真，還是不夠聰明？
簡單來說，漏讀檔案、沒跑測試、沒複查就交卷，這是不夠認真，調高努力程度；給了完整脈絡、明顯努力過了、仍然錯，這是不夠聰明，建議換更大的模型。
Hallie 補充一個實務差異：大模型更擅長處理模糊指令，小模型則需要明確具體的指示才容易成功。
她用了一個好記的比喻：Fable 是其他人都卡關時才會找上的「疑難雜症專家」，Opus 是資深專家，Sonnet 是非常優秀的通才，努力程度則決定他們花多少時間在你的案子上。
Opus 開低努力，像跟閱歷豐富的專家談五分鐘，他自帶你的程式碼裡沒有的經驗，但五分鐘只夠快速掃一眼；Sonnet 開高努力，像通才花上一整個下午，把你的程式碼全部讀過、跑過、驗證過。
因此可以說，沒有哪種組合是普遍較好的：模型大致對應「多有能力」，努力程度大致對應「多徹底」，多數真實任務兩者都需要一些。
成本的算法也與直覺相反。例行任務上，大小模型都做得對，大模型還會多做驗證、單價又高，這時降級用小模型是純省錢。但在部分真正困難的多步驟任務上，等式可能翻轉：小模型得在能力極限反覆硬磨、燒掉大量來回，大模型幾步就到位，單價雖貴，整個任務的總成本反而可能更低。
Anthropic 並表示，在內部測試中，Fable 能完成 Opus 與 Sonnet 開到最高努力也做不完的工作，這也是它最該被省著用在硬仗上的原因。
要留意的是，官方將 Fable 5 定位為適合長時間、高難度任務的最強模型，但它並非 Claude Code 的預設模型，須手動切換；且它針對資安與生物領域內建安全分類機制，請求被標記時會自動改由 Opus 模型接手。
慎選模型，別浪費Token
Anthropic 解釋自家產品之餘，反覆勸用戶「預設值就好」、「把大模型留給難題」，教會用戶把昂貴的運算花在刀口上。
總之，當 AI coding 工具成為日常，「用多大的模型、開多少努力」會變成一門像雲端資源配置一樣的管理學。
建議讀主們先檢查脈絡，再動設定；先分清是知識問題還是執行問題，再決定換模型或調努力。
延伸閱讀：提示詞越寫越長反而害了你！Anthropic工程師：Claude Code團隊砍掉8成系統提示，模型才真正發揮
資料來源：Anthropic 官方部落格、Claude Code 官方 X 貼文、Claude Code 官方文件
本文初稿為AI編撰，整理．編輯/ 李先泰
