effort 本质是让模型按“预算”工作。它近似告诉 Claude 愿意花多少计算，而不是简单调速。低 effort 结果像限时一小时交付，高 effort 像给 12 小时让模型自己多判断、多验证。作者在 Claude Code 中发现一个核心规律：effort 主要改变的是“验证和边界测试的深度”，以及模型多大程度替你做决定。

Fable 5.1 和 Opus 5.5 的 effort 曲线是目前最好的一版：每一档都在基准分数和 token 消耗上同步上升。比如 Terminal-Bench 3.0 的 html-js-filter 任务（清洗 HTML 里的所有 JavaScript 注入），Fable 5.1 从低档的 1/5 提到 xhigh 的 5/5。低 effort 每次约 2 分钟，基本一遍写完过滤器，只对着一个手写页面测试；高 effort 跑约 33 分钟，会对抗性审查自己的初稿、读解析器源码找 bug、跑干净测试用例和标准 XSS 套件，最后写随机文档 fuzzer。

作者做了三组对比实验。对“个人健身 App”这种没说清的需求，低档只输出日志加简单图表，越高档功能越细，最高档有热力图。对“重新设计 Claude Code 的 /config 菜单”这类已经较明确但需要探索的任务，低档 1 分钟给交互草图，最高档 28 分钟给很像正式界面的 mockup 和多流程走查。对访谈后得到详细规格的任务，模型行为显著趋同，高档只多花时间简化细节。

由此作者推荐的日常循环是：先给 Claude 规格并让它就缺失细节访谈你；然后用低 effort 实现；接着审查整体感觉是不是对，不对就在低档迭代；最后用高 effort 做验证和测试。

真正能拉开差距的是难任务。Terminal-Bench 3.0 题目分类包括硬件、科学、ML、运维、媒体等，任务难度普遍高于日常开发。比如用 Verilog 在小型 FPGA 上做 8 位游戏机、在 Lean 4 里证明 Takens 嵌入定理、合并 16 个 MoE checkpoint 分片并复现参考 logits、跑通公司月末欧盟贸易统计申报。

总览图表显示，提高 effort 主要减少“漏了边界条件”类失败，但并不会修复“方法从一开始就选错”的情况。分领域看，Fable 5.1 从低档到最高档的通过率变化为：安全 64→87、硬件 34→75、ML 54→73、科学 41→61、软件 43→56、媒体 18→30、运维 12→22。这些几乎都是验证和边界测试更值钱的领域。

作者也追踪了几个 Opus 5.5 低档失败、高档成功的具体案例。存储引擎崩溃修复任务 mvcc-lsm-compaction：低档直接改代码而不先复现崩溃，高档会先复现、写随机化测试，并确认测试能抓住半成品修复。CLI 线性规划求解器 cli-2ph-simplex：低档一遍写出求解器，只测小样例，约 10k token 就收手；高档会对随机问题跑暴力对照、计时、重做搜索。蛋白质组学 GSEA 任务：低档只按一种合理方式预处理；高档会试两种方式，发现显著治疗列表变了，追查之后才选对。

所以作者给了一个简单分档：低档用于你在场、要快速响应的头脑风暴、画草图和简单改动；中档覆盖大多数普通功能开发；高档用于验证重要或有边界条件的工作，比如修复老代码库的 bug；最高档用于完全自主地解决难题，例如端到端构建并验证应用，或者找关键软件的安全漏洞。作者还提醒，可以在同一段对话中用 /effort 随时切换。

最后需要说明，文章里的分数是作者内部运行的结果：每个任务跑 5 次，Fable 5.1 关闭了生产安全干预，安全任务无互联网访问，涉及安全的部分会被转给 Opus，因此个别数字不一定和公开 leaderboard 对齐。