优化 AI 工程：一种针对 Claude Code 的事后分析方法
Anthropic 最近的事后分析（postmortem）揭示了为了降低延迟而暂时降低 Claude 默认推理能力的决策——该决策在公众监督下随后被撤销——这引发了开发者对如何与 AI 编程助手交互的重大重新评估。这一事件凸显了一个关键的潜在紧张关系：AI 驱动开发中成本、速度与质量之间的平衡。与其简单地将 Token 成本视为上限，不如将 AI 视为工程团队的延伸，从而采用一种更有效的视角，将重点转向成本/输出/质量的优化，这就像传统的招聘决策一样。
这种范式转变鼓励了一种审慎地利用 AI 能力的方法，认识到投资于更高质量的输出最终可以带来更高的效率并减少技术债。关键在于有意识地拉动正确的杠杆——模型选择、配置、提示词工程（prompting）以及智能体编排（agent orchestration）——以实现预期的结果。
战略性模型选择
为当前任务选择合适的 AI 模型是基础性的工作。正如不同的工程师带来不同的专业知识一样，不同的 AI 模型在特定领域表现出色：
- Opus: 对于关键决策、架构推理以及需要深度理解和稳健解决方案的任务，Opus 仍然是最强的选择。其较高的成本可以通过其卓越的分析能力得到证明。
- Sonnet: 对于常规编码、简单的重复性任务或快速编辑，Sonnet 通常能以较低的成本提供足够的质量。其核心在于将工具的能力与任务的复杂度匹配。
在关键工作中对模型投入不足，不可避免地会导致质量受损，从而需要更多的人工干预，并可能产生更高的整体成本。
通过努力程度进行审慎的配置
除了模型选择之外，配置 AI 的推理努力程度（reasoning effort）是一个强大但经常被忽视的杠杆。Anthropic 的 /effort 设置（其中 Opus 4.7 的默认值为 xhigh）允许进行细粒度的控制：
- 对于架构决策或复杂问题的解决，将努力程度设置为
max可以确保模型投入充足的计算资源进行推理。 - 对于细微的编辑或简单的任务，较低的努力程度可以节省 Token，而不会显著影响结果。
这种对努力程度的进行的审慎调整是无需更改模型本身，就能影响输出质量最廉价且最直接的方式，确保资源被分配到符合任务需求的地方。
有效的提示词策略
提示词工程已超越了简单的指令，转向塑造 AI 的问题解决方式。三种模式已被证明特别有效：
- "Ask questions if unsure.": 这条指令可以防止模型在存在歧义时强行给出一个次优的解决方案。它鼓励 AI 揭示不确定性以及潜在的权衡，从而产生更稳健、更具上下文意识的输出。
- "Time and cost are not factors here. Prefer robust, sustainable, scalable solutions, do not leave tech debt.": 这条提示词反转了通常会导致快速但脆弱解决方案的隐含优化压力。通过明确优先考虑稳健性和可持续性，开发者可以引导 AI 走向更高质量、长期可行的代码。
- "Reflect on this session and encode via claude.md or skills what you learned, so the next iteration doesn't repeat the same mistakes.": 这种元提示词（meta-prompt）鼓励 AI 从其交互中学习，从而有效地构建一个个性化的知识库或