Когда ИИ-агент ошибается, первое желание — дать ему модель помощнее. Anthropic объяснила, почему это не всегда эффективно: в Claude Code есть два рычага настройки — выбор модели и уровень «усилия» — и оба влияют на качество и стоимость результата.
Уровень «усилия» (effort level) определяет, сколько работы Claude Code выполнит по запросу. Это не просто время на раздумья, а комплексный параметр, который влияет на:
- Количество прочитанных файлов;
- Объём проверок;
- Глубину выполнения многошаговых задач до отчёта пользователю. При высоком «усилии» Claude предпринимает больше действий (читает файлы, запускает тесты, перепроверяет себя), прежде чем дать ответ. При низком «усилие» он скорее запросит больше контекста, чем будет сам искать решение, расходуя токены. Этот параметр передаётся модели как часть запроса, и модель обучена реагировать на него.
Выбор модели, в свою очередь, определяет набор фиксированных весов (параметров) и общую способность Claude. Веса модели устанавливаются во время обучения и не меняются во время инференса. Ваш промпт и контекст могут направлять предсказания, но не изменяют сами веса. Именно модель определяет стоимость каждого выходного токена, тогда как «усилие» контролирует их общее количество. Anthropic сравнивает свои модели так: Fable — специалист, Opus — эксперт, Sonnet — универсал, а «усилие» определяет, сколько времени каждый из них потратит на задачу.
Для большинства задач Anthropic рекомендует начинать с уровня «усилия» по умолчанию для выбранной модели. Изменять его следует как общую настройку для типа работы, а не для каждой отдельной задачи. Если Claude ошибается, несмотря на предоставленный контекст, задайте себе вопрос: «Ему не хватило знаний или он недостаточно старался?»
- Не хватило знаний? (сложные баги, незнакомые области, архитектурные решения) — выберите более способную модель.
- Недостаточно старался? (пропустил файл, не запустил тесты, бросил рефакторинг) — выберите более высокий уровень «усилия».
В рутинной работе на одном и том же уровне «усилия» обе модели, как правило, дают правильный результат. Однако более крупная модель потребляет больше токенов из-за дополнительных шагов проверки и имеет более высокую стоимость за токен. Поэтому переход на меньшую модель для простых задач может снизить затраты без потери качества. Для сложных, многошаговых задач уравнение меняется: меньшая модель может тратить больше итераций, в то время как крупная достигает того же качества за меньшее число шагов, что может привести к более низкой общей стоимости. Более крупные модели, такие как Fable, могут выполнять задачи, недоступные меньшим моделям даже при максимальном «усилии». Уровень «усилия» влияет на потребление токенов, но не ограничивает его — для этого есть бета-функция «бюджеты задач», которая устанавливает рекомендательные лимиты.
Новое руководство Anthropic даёт инженерам более точную ментальную модель работы Claude Code, разделяя возможности модели и её усердие. Это позволяет не тратить лишние токены на простые задачи и не переплачивать за «модель побольше», если причина ошибки в недостаточной тщательности. Однако конкретные цифры экономии для сложных задач пока не подкреплены бенчмарками, а бюджеты токенов остаются лишь рекомендательными.