Claude降智和偷Token的解决办法分享

摘要：近期，大量开发者发现其AI编程助手Claude Code（特别是Opus 4.6模型）出现明显的性能下降，表现为思考草率、代码错误增多，这一现象被社区称为“降智”。根据AMD AI总监对超过6800次会话的数据分析，模型的平均思考深度下降了约67%。本文将科普这一现象背后的技术原因（主要是Anthropic为控制成本引入的“自适应思考”机制），并提供一套经过验证的配置方案与使用习惯，帮助用户有效缓解降智问题并显著节省Token消耗。

一、 事件溯源：Claude为何会“降智”？

近期，从普通开发者到AMD的AI团队，都明显感觉到Claude，尤其是其编程专用模式Claude Code，变得不如以前“聪明”了。这并非主观感受，而是有数据支撑的。AMD AI总监Stella Laurenzo分析了超过6800个真实编程会话的数据，发现Claude的行为模式发生了显著变化：

• 思考深度暴跌：在需要规划的复杂任务中，模型的平均思考字符数从约2200个骤降至600个左右，降幅高达67%-73%。
• 行为模式退化：从“研究优先”退化为“编辑优先”。以前，Claude在修改代码前平均会仔细阅读6.6个相关文件；现在，这个数字降到了2个，甚至经常不读文件就直接动手修改，导致错误百出。
• 中断频率增加：模型更频繁地在未完成任务时就提前询问是否继续，表现出信心不足和“急于草草收尾”的倾向。

根本原因：这一切的根源在于Anthropic为平衡服务成本与响应速度，悄然引入了 “自适应思考” 机制，并将默认的思考努力等级从“高”调至“中”。这意味着，模型会根据它对任务复杂度的（可能错误的）判断，动态分配“思考预算”。对于复杂的编程任务，它可能只动用中等程度的“脑力”，结果就是输出质量断崖式下跌。讽刺的是，由于错误增多导致反复重试，用户最终消耗的Token和成本可能反而更高。

Claude降智和偷Token的解决办法分享

二、 实战解决方案：如何配置与使用以对抗降智？

面对官方的“优化”，用户可以主动采取以下措施，强制Claude恢复更深的思考，并优化使用习惯以节省开支。

1. 核心配置修改：锁定高性能模式
最直接有效的方法是通过修改本地配置文件，禁用自适应思考并锁定高思考预算。在Claude Code的配置文件~/.claude/settings.json中，可以加入以下设置：

{
  "effortLevel": "high",
  "env": {
    "CLAUDE_CODE_DISABLE_ADAPTIVE_THINKING": "1",
    "MAX_THINKING_TOKENS": "31999",
    "CLAUDE_CODE_DISABLE_1M_CONTEXT": "1",
    "CLAUDE_CODE_AUTO_COMPACT_WINDOW": "200000"
  }
}

• effortLevel: “high”：强制模型使用高努力等级进行推理。
• CLAUDE_CODE_DISABLE_ADAPTIVE_THINKING: “1”：关闭导致降智的自适应思考功能。
• MAX_THINKING_TOKENS：为模型设置充足的思考预算上限（例如32K）。
• 后两项用于管理长上下文，避免其影响性能。

2. 高效使用习惯：精细化管理Token消耗
Token消耗的大头（70%-90%）是输入（Input），尤其是系统自动加载的上下文。优化习惯能立竿见影地省钱：

• 善用 /clear 与 /compact：完成一个独立任务后，使用/clear清理上下文，相当于开启一个干净的新会话。对于长对话，使用/compact压缩历史记录，可以保留关键信息（如代码改动）而大幅减少Token占用。
• 精准下达指令：避免“优化项目性能”这类模糊指令。应具体指明文件和方法，例如“为src/auth.ts中的login函数添加输入验证”。更推荐直接用@文件名的方式指定操作对象。
• 模型分级使用：不是所有任务都需要最强的Opus模型。根据任务复杂度灵活切换模型：简单补全用Haiku，日常开发用Sonnet，只有复杂架构和调试才用Opus。
• 使用 ! 执行简单命令：对于git status、ls等简单终端命令，直接在输入框以!开头执行（如!git status），完全不消耗Token。

3. 项目级优化：减少无效探索

• 创建 CLAUDE.md 文件：在项目根目录创建此文件，简要说明项目结构、技术栈和常用命令。这能极大减少Claude每次会话初期探索代码库所消耗的Token。
• 配置 .claudeignore 文件：像.gitignore一样，排除node_modules/、dist/、*.log等无需读取的目录和文件，可从源头避免大量无效Token消耗。

三、 这些方法适用于哪些场景？

上述配置和习惯并非纸上谈兵，它们针对的是Claude Code用户在日常开发中遇到的核心痛点：

• 场景一：复杂任务频繁出错。当你发现Claude在重构、调试或设计架构时给出的代码漏洞百出，需要反复纠正时，启用强制高努力等级配置能显著提升其输出质量。
• 场景二：月度账单惊人。如果你发现Token消耗过快，账单超出预期，那么培养精细化上下文管理习惯（如勤用/clear、写CLAUDE.md）和模型分级策略，可以轻松将日均成本降低30%-50%或更多。
• 场景三：长会话后响应变慢变笨。当一次对话进行很久后，Claude响应速度下降且开始“胡言乱语”，这是上下文过载的典型表现。此时使用/compact压缩或直接/clear重启，能立即恢复其表现。

四、 进阶工具推荐：追求极致效率与节省

对于深度用户，还可以借助第三方工具实现更极致的优化：

• RTK (Rust Token Killer)：一个终端输出过滤器，能自动剥离命令行输出中的颜色代码、进度条等无用信息。例如，能将一次cargo test的输出从4823个Token压缩到仅11个，平均压缩率近90%。
• GrepAI：一个本地语义代码搜索工具。为项目建立索引后，Claude Code可以通过它直接用自然语言搜索代码，避免使用低效的glob工具进行十几次文件遍历，从而在会话初期节省大量探索性Token。
• Headroom：一个透明代理工具，安装在你的Claude Code和Anthropic API之间，可以自动压缩上下文、对齐提示词以提高缓存命中率。社区反馈其能帮助降低约60%的成本。

文章来源：本文综合整理自技术社区关于Claude Code“降智”事件的讨论与解决方案，主要参考了AMD AI总监的量化分析报告、开发者总结的配置方案以及多位博主分享的Token节省实践指南。