Anthropic объяснила, как снизить расходы на Claude AI: модель и effort решают разные задачи

Anthropic опубликовала разбор двух настроек Claude Code, терминального ИИ-агента (программы, которая сама выполняет действия в коде) для разработчиков. До сих пор оба параметра воспринимались одинаково: «сделай ответ лучше». На деле они управляют разными вещами, и путаница между ними приводит к лишним расходам или слабым результатам. Ниже пошаговый разбор механики и конкретные рекомендации для тех, кто работает с Claude AI.

Что понадобится

• Аккаунт Anthropic с доступом к Claude Code (claude ai официальный сайт: claude.ai, раздел Claude Code)
• Терминал (macOS, Linux или WSL на Windows)
• Файл CLAUDE.md в корне проекта (необязательно, но помогает давать контекст)
• 15 минут на эксперимент с двумя настройками

Модель меняет знания, effort меняет объём работы

Когда вы отправляете запрос в Claude Code, происходит следующее. Ваше сообщение, системный промпт (базовая инструкция, которую видит модель до вашего текста), описания инструментов, файл CLAUDE.md, история разговора и файлы из контекста собираются в один запрос и уходят в API.

На сервере текст проходит токенизацию (разбивку на кусочки, каждый из которых превращается в число из словаря модели). Слово const может стать числом 1978, await числом 4293. С этого момента ваш промпт для модели это массив целых чисел.

Модель предсказывает следующий токен, вычисляя вероятность для каждого элемента словаря. После «const x = await» хорошо обученная модель даст высокую вероятность токену «fetch» и почти нулевую токену «banana».

Вероятности вычисляются через веса (параметры), миллиарды чисел в больших матрицах. Один токен это один проход через все матрицы. Ответ из 200 токенов это 200 отдельных проходов. Именно тут возникает время ожидания и стоимость.

Веса фиксируются при обучении и после этого доступны только для чтения. Ваш промпт, CLAUDE.md, файлы проекта их не меняют. Это и есть инференс (inference): использование готовой модели с замороженными весами.

Смена модели подменяет набор весов, обрабатывающий запрос. Более крупная модель (например, условная старшая модель вместо Sonnet) содержит больше знаний, закодированных при обучении. Если библиотека не существовала на момент обучения, её нет в весах: можно положить документацию в контекст, и Claude ей воспользуется, но это направление, а не обучение. Ответ изменится только для текущего запроса.

Когда Claude уверенно вызывает несуществующий API, это галлюцинация (когда модель выдумывает правдоподобную, но ложную последовательность на основе паттернов обучения), а не «неудачный поиск».

Effort управляет тщательностью, а не только «временем на думание»?

Effort определяет, сколько работы Claude выполнит над запросом целиком. Сюда входит не только время на рассуждение, но и:

• сколько файлов Claude прочитает
• сколько раз перепроверит результат
• как далеко продвинется в многошаговой задаче, прежде чем вернётся за уточнением

При высоком effort Claude совершает больше действий (читает файлы, запускает тесты, перепроверяет) до того, как выдаст ответ. При низком effort он скорее спросит у вас контекст, чем будет тратить токены на самостоятельное исследование.

Технически уровень усилий передаётся модели как часть запроса, рядом с вашим промптом. Модель обучена реагировать на каждый уровень effort: это поведение зашито в те же фиксированные веса. Effort задаёт, насколько уверенным должен быть Claude, прежде чем считать задачу выполненной. Более высокая уверенность требует больше токенов.

Все генерируемые токены делятся на категории:

• Размышления (thinking) — рассуждения, которые вы видите потоком до и между действиями
• Вызовы инструментов (tool calls) — структурированные блоки, называющие инструмент (Read, Edit) и его аргументы
• Текст для вас — план, обновления, итоговое резюме

Всё это обычные выходные токены из одного цикла, оплачиваемые по одной ставке. Рассуждения к моменту написания кода уже стали частью входных данных, как прочитанный файл.

Пошаговая инструкция: как выбрать между моделью и effort

1. Сформулируйте задачу и определите, чего не хватает: знаний модели или тщательности выполнения.

2. Если задача требует знания новой библиотеки или фреймворка, которого может не быть в весах, положите документацию в контекст и используйте старшую модель:

claude --model opus

1. Если задача рутинная, но многошаговая (рефакторинг, проверка тестов, вычитка нескольких файлов), поднимите effort:

/config
# в меню выберите effort → high

1. Для быстрых вопросов по коду, где ответ очевиден для модели, снизьте effort до минимума, чтобы не тратить токены:

/config
# effort → low

1. Проверьте результат. Если Claude галлюцинирует API, проблема в весах, меняйте модель или добавляйте документацию в контекст. Если Claude отвечает поверхностно и не проверяет файлы, проблема в effort.

Что делать с этим прямо сейчас, по ролям

Разработчику: протестируйте один и тот же промпт на разных уровнях effort и сравните количество прочитанных файлов и вызовов инструментов. Это покажет, где вы переплачиваете за токены, а где недополучаете качество.

Автору на Дзене, который пишет про технологии: различие «знания vs тщательность» это готовая рамка для объяснения любых ИИ-инструментов аудитории. Когда инструмент «стал умнее», полезно уточнять: обновили модель или добавили шагов обработки.

Предпринимателю в РФ: Claude Code доступен через API Anthropic, в России напрямую подписка недоступна без обходных путей. Из российских аналогов с агентным режимом стоит смотреть на инструменты от Яндекса и Сбера, но механика effort/модель у них пока устроена иначе.

Разница между моделью и effort в Claude Code укладывается в одну фразу: модель определяет, что Claude знает, effort определяет, сколько работы он готов проделать с этим знанием. Держите effort низким на простых вопросах, высоким на многошаговых задачах, а модель меняйте, когда задаче не хватает знаний, а не старательности.