用 Claude Code 写代码，你以为选个模型就万事大吉？天真了。真正卡住你的，往往是那个叫“努力级别”的滑块。模型选错了，它可能答不上来；努力级别调低了，它连文件都懒得读完。这两件事，才是你和这个 AI 编程搭档之间最实在的对话。
模型：能力天花板的标尺
选模型，本质上是选 Claude 的能力上限。Claude Sonnet 和 Claude Fable 5 之间，差的不是一点半点。基准测试里，更大的模型在复杂推理、代码生成和上下文理解上碾压较小的模型。这就像请顾问，你找行业老兵和找刚入行的实习生，处理同一份商业计划书，深度能一样吗？
别被名字忽悠，看实测
模型名称背后是庞大的参数差异和训练数据规模。Claude Fable 5 这类旗舰模型，对模糊需求的解读、对多文件架构的全局把控，以及生成代码时的严谨性，都远超基础款。你让它重构一个遗留系统，大模型能预见到未来可能出现的兼容性问题，小模型可能只完成表面修改。记住，模型的强弱直接决定了它“懂不懂”你的项目。
模型选择不是越贵越好
盲目追求顶级模型是种浪费。写个简单的脚本，Claude Sonnet 足够胜任，响应快、成本低。但如果你在处理一个涉及分布式系统、需要并发优化的核心模块，Fable 5 就是必需品。关键是评估任务复杂度：它是需要创造性解决方案的难题，还是模式明确的重复劳动？匹配错了，要么是杀鸡用牛刀，要么是让实习生主导手术。
努力级别：任务深度的隐形开关
很多人把努力级别简单理解为“让 AI 多想一会儿”。这误解大了。它控制的是 Claude 在执行任务时的“勤快程度”——读多少文件、验证多少步、在多步任务中往回检查多少次。这不是耐心问题，是行为模式问题。
高努力：自主的侦探模式
把努力级别调高，Claude 会主动扮演一个细心的侦探。它会自己打开相关文件，阅读上下文；写完代码后，主动运行测试用例；在多步骤任务中，每完成一步都会回头验证逻辑。这种模式下，它不依赖你投喂信息，而是自己挖掘、自己确认。适合大型、不熟悉的代码库，或者你需要一次性搞定的复杂重构。
低努力：高效的对话模式
降低努力级别，Claude 变得更“听话”但也更被动。它倾向于让你提供具体的上下文片段，而不是自己去读文件。写完代码可能不会主动测试，除非你明确要求。这模式快，适合你对代码库非常熟悉，能精准提供所需信息的小范围修改。它像一个需要明确指令的助手，省去了它自我探索的时间，但前提是你得指挥到位。
出错了？先诊断，再开药
Claude Code 给了反馈但不对头，别急着骂 AI 笨。错误分两种，你得分清楚再行动。乱调设置，只会浪费时间。
症状一：它根本不懂
如果 Claude 生成的代码完全跑偏，逻辑上就讲不通，或者它对你提供的上下文理解有误，这很可能是模型能力不足。比如，你让它用某个冷门框架的最佳实践，它给出的却是陈旧或错误的方法。这时，换一个更强的模型是直接解药。更大的模型见过更多“世面”，知识库更广，推理能力更强。
症状二：它偷懒了
另一种常见错误：Claude 生成的代码看起来对，但一运行就出 bug。检查发现，它没有读某个关键配置文件，或者跳过了集成测试。这往往不是“不懂”，而是“没尽力”。努力级别太低，导致它主动跳过了验证步骤。此时，提高努力级别，让它重新跑一遍流程，问题常能迎刃而解。先别换模型，那相当于给一个没认真检查作业的学生换了个更聪明的老师，本质问题没解决。
实战：找到你的黄金配置
理论说再多，不如上手调。怎么让 Claude Code 成为你真正的生产力倍增器？这里有几个从实战中摸出来的门道。
任务评估：复杂度是第一信号
接到一个编程任务，先别急着开写。花一分钟判断：这个任务涉及多少文件？逻辑是否有多层嵌套？是否有现有测试用例？如果答案是“多”、“是”、“有”，那就把努力级别调高，模型选强的。反之，如果是单个函数的修改或明确的脚本任务，低努力级别加基础模型可能更高效。让设置匹配任务规模，这是效率的起点。
行为观察：看它怎么“工作”
别只看输出结果。观察 Claude 的工作过程：它是否主动读取了你预期的相关文件？它的验证步骤是否覆盖了关键路径？如果发现它总在某个环节“跳步”，即使错误还没发生，也可以考虑提高努力级别。这就像观察一个同事的工作习惯，发现他总漏掉检查，你就该提醒他注意流程，而不是直接把他换掉。
迭代调整：设置不是一成不变的
没有一组设置能通吃所有任务。在长周期项目里，你可能在调试一个复杂 bug 时用高努力模式，而在添加一个简单功能时切回低努力模式。关键在于灵活。把模型选择和努力级别看作你的工具箱里的两把扳手，根据不同的螺丝型号和紧度要求，随时更换。持续的小调整，比一成不变的“最优配置”更管用。
