先说结论：别一上来就把 effort 拉到最满。
很多人的直觉是，思考强度拉满等于模型最强。按 Artificial Analysis 官方账号的分析，这个直觉在账单上是反的：想让每美元智能最大化，升一档模型比把推理 effort 推到顶更有效。
一句话概括两者的区别：effort 决定这一次多想多久，换模型决定换一个脑子。
多想和更聪明不是一回事。一个中等脑子想十分钟，未必赢过一个更强的脑子想两分钟。
所以我的顺序是先看任务配不配得上更强的模型，再决定这一次要投入多少。顺序反了，钱就白花。
这个新旋钮到底怎么拧
据 IT之家 2026 年 11 月 12 日的报道，Anthropic 给 Claude API 加了一个 Beta 能力：开发者可以在消息序列里插入一条内容为空的 system 消息，通过 output_config.effort 设定投入档位。
翻成人话：对话进行到一半，你可以拍一下模型肩膀，说接下来的活儿多加思考，或者省点思考。不用重开对话，也不用换模型。
这个改动听起来小，场景却很实在。设想一个长对话：前半小时在贴日志、贴报错、问背景，后半段才真正进入写代码。
以前的麻烦是，整段对话只能共用一个投入档位。前面查资料的部分不需要深思，后面写核心逻辑又不能省。
现在可以在转折处插一条空 system 消息，把档位拨上去。前面省下来的预算，留给后面真正难的那几段。
要看清一点：这不是新模型，也不给你更多上下文。它只是同一套参数下的思考预算开关。
空 system 消息这个设计挺有意思，内容为空，只负责传配置。有点像在对话里插一个不说话的场务，举个牌子提醒下一场加大投入。
为什么升一档比拉满更划算
Artificial Analysis 的算法不复杂：拿 Intelligence Index 除以 Cost per Task，算每美元能买到多少智能。
这个比值有个容易被忽略的性质。加长思考时间，成本是线性甚至超线性往上涨的，分数却是边际递减的。
想得越久，容易想到的思路被反复验证，真正新增的推理越来越少。钱在涨，分在磨。
升一档模型是另一回事。它换的是底座，能力台阶是跳变的，不是靠时间慢慢磨出来的。
如果我自己调这套参数，我会把它当成两条不同的曲线：effort 是连续旋钮，后段很平；模型档位是离散台阶，每级都是硬跳。
在平的那一段里加钱，性价比最差。宁可少拧两格 effort，把预算换成上一档模型。
这里说句可能不讨喜的：把 effort 拉满，很多时候是给自己买心理安慰。你不是在提升答案质量，你是在提升账单数字。
尤其是答案本来就明确的任务，比如改一个字段名、把 JSON 转成表格。这类活儿拉满思考，模型只会把你的问题反复看几遍。
一个长任务，四步四档怎么分
按官方教程那套分工思路，再叠上中途可调的旋钮，一个真实的开发任务可以这么排。
规划阶段用强档，effort 给高。这一步产出的是一份方案，方案错了后面全错，值得多花。
写样板代码降下来。目录结构、配置文件、重复的增删改查，这些不需要深思，用便宜档位跑就行，错了改起来也快。
改 bug 再升回去，effort 给中高。定位问题要跨文件推理，这时候省思考是自找麻烦。
写测试和补注释用中档低 effort。测试的价值在覆盖，不在措辞漂亮。
这个排法的核心不是省钱，是把钱放对位置。一个 PR 里真正的智力活儿可能只占两三成，剩下都是搬砖。
场景还原一下：先让模型读仓库、出改造方案，这一步开大；然后让它按方案铺文件，档位拨低；跑到一半报错，档位拨回来；收尾补单测，再拨低。
以前这套流程要开三次对话，每次重新贴上下文。现在一条对话走完，档位在中途换。
这也是我认为这个 Beta 最值钱的地方：不是某个档位更强，而是允许一条对话里存在不同的节奏。
落地提醒：省钱的边界在哪
Beta 就是 Beta。接口形状可能变，字段名可能改，别把它写进对稳定性要求高的生产链路。
如果非要用，就包一层薄封装，把 output_config.effort 的调用收在一个函数里。哪天接口变了，你只改一处。
额度也别照抄别人的账单。价格和额度因套餐而异，不同账户的计费口径未必一样，别人的省钱比例搬不到你身上。
更要紧的是，别把价格当唯一指标。低档位跑出来的答案要是错了，你得重跑、得人工复核，这些成本比省下的那点额度贵得多。
我的口径是这样：错误代价高的任务，宁可开高档；重复性高、错了立刻看得出来的任务，放心往低拨。
回到开头那个直觉。把 effort 拉满是「我尽力了」的表达，不是「我算过了」的表达。真正省钱的人，先换脑子，再调思考时长。
如果你手上正有一个长任务在跑，下次不妨在它从聊需求转向写代码的那一句，试着插一条空 system 消息。就一次，感受下节奏变了没有。
