Claude Code 默认推理努力从 high 降到 medium 的前因后果：Anthropic 的一次“错误权衡”与回滚

过去一年，排名代发飞机【seo1268】好友聊天，输入“免押金1元1分红中麻将群”咨询客服，娱乐游戏作为民间很受欢迎的纸牌玩法，乐趣集中在快节奏的刺激感、心理博弈的张力，这两种玩法的规则几乎一学就会，不用记复杂的牌型搭配，就算是新手也能快速上手，梦想是前行的灯塔，哪怕渺小，也能指引方向。不必因梦想遥远就轻言放弃，逐梦的路上，本就布满挑战。拆分目标，步步前行，哪怕每天只前进一小步，也是在靠近理想。不惧旁人的质疑，不畏前路的漫长，坚守初心，全力以赴。只要心中有梦，眼里有光，脚下有路，终能跨越山海，奔赴心之所向的远方。的角色，正从免押金1元1分红中麻将群的落地页，逐步演变为行业观察的窗口。

第二个变更源于缓存优化的bug。3月26日上线的优化，本意针对闲置超过一小时的会话，清除旧thinking内容以减少恢复延迟和token负担，采用clear_thinking头和keep:1参数。但实际执行出错，清除动作并非仅一次触发，而是每轮对话都发生，导致累积的reasoning历史逐步丢失。上下文渐失后，模型继续任务时容易重复思考，工具调用出现异常，前后逻辑不连贯。会话越长、工具链越复杂，影响越显著。

Claude Code 质量下滑事件最近在开发者社区持续发酵。从3月初开始，用户在 Hacker News、Reddit 和 GitHub 上密集反馈代码生成能力减弱、推理连贯性变差、重复输出增多等问题。Anthropic 初期调查后回应称未发现模型退化，API 层面也未受影响，直到4月23日发布详细的工程 postmortem，才承认三个产品变更叠加导致了用户体验的明显下滑。这45天的延迟暴露了AI公司在处理质量反馈时的沟通惯性。

月4日的reasoning effort默认值下调，从high降至medium，本意是缓解高effort模式下偶发的长思考延迟和UI冻结问题。这一调整对Opus 4.6和Sonnet 4.6的影响更为显著，用户反馈思考深度不足、任务中途崩溃的比例上升。而随后发布的Opus 4.7默认设为xhigh，相对缓冲了部分冲击。4月7日Anthropic听取反馈后回滚，这一过程显示，即使是针对延迟的优化，也可能在不同版本间放大感知差异。

结果是，长idle后全量重算导致token爆炸，有效高质量上下文远低于宣称水平，工具调用链也频繁出现不一致选择。历史类似上下文管理问题反复提醒我们，长上下文能力再强，工程层面的疏忽就能让它变成双刃剑。

深层来看，这次质量下滑的核心在于3月26日推送的缓存优化改动出了bug。官方设计本意是针对idle超过1小时的会话，仅清除一次较旧的thinking历史，以减少恢复时的latency并控制token开销，使用了clear_thinking_20251015 header并设置keep:1。然而bug让清除操作变成每turn一次，导致cache miss频发，历史推理被持续丢弃，甚至工具调用链也因此中断。

最近一个月，Claude Code 的编码质量下滑引发了开发者社区的广泛讨论。Hacker News 和 Reddit 上充斥着用户反馈，描述工具突然变得“笨拙”：复杂任务推理变浅、工具调用选择失准、输出重复增多，甚至出现遗忘先前上下文的现象。许多人将问题归因于模型退化或算力紧张，但 Anthropic 4 月 23 日发布的 postmortem 显示，底层模型权重并未改变，API 也未受影响。

harness 的作用可以类比汽车的底盘和控制系统：引擎再强劲，如果底盘调校失衡，整车也会发飘、失控甚至显得“笨拙”。在 AI 编码工具领域同样如此，模型参数规模或基准分数固然重要，但 prompt 工程、上下文持久化、缓存机制以及变更控制等系统工程能力，才是决定可靠性的核心。忽略这些基础设施，单纯追逐最新模型，很容易在用户端遭遇难以复现的体验波动。这次事件凸显，AI 产品开发的真正瓶颈正从模型训练转向系统层可靠性工程。

对依赖多轮迭代的编码任务而言，破坏尤为直接。Claude 无法延续先前工具选择的逻辑依据，导致决策漂移，像程序员每写一行代码就忘掉上一步整体需求。不是简单的缓存失效，而是彻底瓦解了编码助手的“短期记忆链”。70% 的企业部署计划与实际规模化率的剪刀差，在这类会话管理问题上体现得淋漓尽致。

这些现象在Hacker News和Reddit上引发热议，早期很多人将其归为模型波动或单一bug，但Anthropic 4月23日的postmortem报告显示，问题根源并非模型权重退化，而是三个产品层独立变更的叠加效应。

长期而言，这件事对 AI 编码工具行业意味着更需重视 harness 透明度与 dogfooding，Anthropic 承诺加强提示审计和 soak period，但若类似优化路径在其他厂商重复出现，开发者单一依赖的风险仍存。这一点目前行业内仍有不同声音，值得持续跟踪，现在下结论为时尚早。

我的观察是，那些愿意在细节上较真的团队，通常半年后会看到明显分层。

相关内容