Claude модели: как выбрать режим мышления агента в 2026 году

Что такое модели Claude и зачем выбирать режим?

Для подписи кнопки мне не нужна самая дорогая модель: я ставлю низкий effort и проверяю diff. Для причины ошибки в нескольких сервисах важнее доступные модели и более глубокая проверка результата.

В документации Anthropic Claude описан так:

Для выбора достаточно держать в голове три критерия:

• Качество. Насколько хорошо модель справляется с неоднозначным кодом, архитектурой и цепочкой действий.
• Скорость. Сколько ты готов ждать ответ и вызовы инструментов.
• Стоимость. Сколько входных и выходных токенов уйдёт на задачу.

Режимы thinking и effort находятся на другом уровне. Они сохраняют различия между Haiku и Opus. При этом меняется то, сколько работы модель готова вложить в конкретный ответ или агентный цикл.

Тут легко запутаться из-за интерфейса. По свёрнутому или не показанному блоку thinking я не делаю вывод, что reasoning не было: сверяюсь с документацией и фактическим расходом токенов.

Я бы выбирал так: сначала оцени задачу, потом модель, потом effort. Не наоборот. Если агент должен поменять подпись кнопки, дорогая модель с максимальным усилием только добавит задержку и пространство для лишних изменений.

Какие модели Claude бывают и чем они отличаются?

Если ты сравниваешь модели Claude, начни с выбора под конкретный шаг агента:

Доступность тоже имеет значение. Она зависит от продукта, аккаунта и текущих условий Anthropic. Если нужная модель не появляется в Claude Code, не подставляй её характеристики из старой статьи: проверь официальный список и настройки текущего продукта.

Моё правило выбора простое: проверяй доступность и назначение конкретной модели по актуальному списку Anthropic на дату выбора. Не переноси в Claude Code ограничения, относящиеся к другой модели или продукту.

Ориентируйся на доступность модели и её название в таблице. Точные ограничения зависят от продукта и текущей конфигурации. Если модель не появляется в /model, ориентируйся на список внутри самого Claude Code.

Какую модель Claude использовать для агента?

Если ты спрашиваешь, какую модель claude использовать, свяжи выбор с действием агента и его неопределённостью.

| Задача | Модель | Стартовый режим |

Уровень xhigh или max выбирай только если его поддерживает текущая модель; для недоступного уровня используй ближайший поддерживаемый. |---|---|---| | Изменить текст, цвет или CSS в одном месте | Самая быстрая доступная модель | low или medium | | Сделать обычную фичу с тестами | Рабочая модель из текущего списка | high | | Найти сложный баг в нескольких файлах | Более сильная доступная модель или высокий effort | high или xhigh | | Разобрать архитектуру и зависимости | Модель с подходящими возможностями | xhigh или max | | Долго работать автономно | Модель, поддерживающая нужные инструменты и контекст | xhigh или max при наличии |

Anthropic предлагает начинать с быстрой и более экономичной модели для прототипирования, задач с жёсткой задержкой и большого потока простых запросов. Сложные задачи требуют другой логики: сначала смотреть на capability, то есть на способность модели решить задачу, а уже потом на цену.

Маленький проект не гарантирует простую задачу. В небольшом приложении может быть одна плохо понятная интеграция с API, и тогда понадобится высокий effort. Большой проект может состоять из десятков понятных точечных правок, для которых достаточно medium.

Поэтому я задаю себе один вопрос: сколько неизвестного агенту предстоит выяснить на этом ходу?

1. Неизвестного почти нет. Я начинаю с быстрой доступной модели на low или medium.
2. Нужно прочитать несколько файлов и проверить связи. Я беру рабочую доступную модель на high.
3. Непонятно, где причина, есть несколько гипотез и инструментов. Я выбираю более сильную доступную модель или увеличиваю effort в рабочей модели.
4. Нужно долго планировать, менять много частей и проверять результат. Я смотрю на модель с подходящими возможностями и контекстом.

Для субагентов я проверяю отдельную настройку в документации Claude Code. Поиск файла и просмотр diff не должны автоматически получать тот же дорогой режим, что и сложный анализ. Если субагент наследует уровень сессии, я задаю ему отдельный уровень в конфигурации.

Чем отличаются качество, скорость и цена моделей Claude?

Вопросы claude какая модель лучше и сравнение моделей claude имеют смысл только вместе с условиями выбора и контекстом задачи.

Anthropic описывает выбор через баланс трёх параметров:

Цена растёт не только из-за названия модели. Thinking-токены считаются выходными. Длинный контекст увеличивает число оплачиваемых input-токенов; отдельная надбавка зависит от модели и продукта. Расход учитывает всю цепочку, включая финальный текст.

Из этого следуют четыре практических правила:

• Самая дорогая модель не обязана быть лучшей для каждой операции.
• Дешёвая модель не становится выгодной, если из-за ошибок агент повторяет работу.
• Низкий effort может быть разумнее смены модели.
• Сравнивай модели по результату на реальной задаче и нескольким проверкам.

Большой контекст тоже не заменяет качество. Модель может вместить много файлов, но плохо выбрать нужную гипотезу. И наоборот: небольшая задача с ясным критерием готовности может решиться быстро и без длинного thinking.

Главный практический рычаг здесь такой:

Я бы сначала повышал effort внутри той же модели. Перейти на более сильную доступную модель стоит тогда, когда после нескольких проверенных попыток проблема упирается именно в возможности текущей модели. Перед этим проверь ясность задачи и качество контекста.

Я не переношу в статью выдуманные цифры контрольного запуска: для своего сравнения фиксирую задачу, доступную модель, effort, задержку, токены, стоимость, число попыток и итоговый diff. Такой протокол позволяет проверить выбор на реальной задаче, а не обещать универсальную экономию.

Что меняет режим мышления Claude?

Эти настройки часто смешивают. Я разделяю их так:

• thinking отвечает за то, включено ли отдельное рассуждение перед ответом.
• effort задаёт поведенческий уровень общей тщательности для токенов ответа, вызовов инструментов и thinking, когда он активен (документация Anthropic).
• max_tokens ограничивает максимальный объём вывода.

Anthropic объясняет смысл thinking так:

Thinking особенно полезен для сложной математики, кода, анализа и длинной агентной работы. Для короткого переименования переменной он не обязан приносить пользу.

effort шире. Он влияет на:

• текстовые ответы и объяснения;
• вызовы инструментов и их аргументы;
• thinking, когда он активен.

Это важно именно в Claude Code. Агент не только пишет текст. Он читает файлы, запускает команды, вызывает MCP-инструменты, то есть внешние инструменты и данные, анализирует результаты и выбирает следующий шаг. Перед подключением MCP я проверяю права и опасные действия по отдельному чек-листу.

max_tokens работает иначе. Эта настройка задаёт верхний предел вывода. Для thinking-enabled моделей reasoning-токены входят в max_tokens и учитываются в лимите контекста (документация Anthropic). Если предел маленький, на рассуждение и финальный ответ остаётся меньше места.

Стоимость тоже стоит отделить от интерфейса:

Стоимость reasoning учитывается в выходных токенах, если модель использовала этот режим. Перед расчётом сверяй текущий Pricing Anthropic.

Скрытый блок не означает бесплатный блок. Если модель потратила токены на reasoning, они участвуют в оплате как output.

Ещё есть два подхода к мышлению:

• Adaptive Thinking. На поддерживаемых adaptive-моделях модель сама решает, нужен ли thinking на конкретном шаге. Рутинные действия могут пройти быстрее.
• Extended Thinking. Используется фиксированный бюджет budget_tokens в совместимом legacy-режиме.

Совместимость Adaptive Thinking, Extended Thinking и effort зависит от конкретной модели и продукта. Перед настройкой проверь документацию выбранной модели: не переноси fixed-budget параметры в adaptive-режим без подтверждения.

Какой effort выбрать для простой и сложной задачи?

Ниже моя стартовая эвристика, а не универсальная матрица: я соотношу уровень с неопределённостью задачи и затем проверяю результат по diff и тестам. Общие назначения уровней описаны в документации Claude Code.

| Effort | Когда начинать |

Уровни зависят от текущей модели: сначала проверь её матрицу совместимости, а недоступный уровень замени ближайшим поддерживаемым.

Одинаковое имя уровня не означает одинаковый внутренний бюджет на разных моделях. high у Sonnet и high у Opus не обязаны вести себя одинаково.

Anthropic прямо называет effort поведенческим сигналом. Строгого бюджета токенов он не задаёт. Поэтому нельзя честно обещать формулу «high всегда расходует ровно столько-то».

Я использую такую последовательность:

1. Начать с минимального уровня, который подходит по неопределённости.
2. Проверить не только текст ответа, но и изменённые файлы, команды и тесты.
3. Повысить effort внутри той же модели, если агент не понял ограничение или пропустил связь.
4. Перейти на более сильную модель, если проблема повторяется после нормального контекста и высокого effort.

Главное правило выбора effort: сначала повышай effort внутри той же модели. Переход на более дорогую модель оставляй для следующего шага. Anthropic отдельно указывает, что tuning effort часто эффективнее смены модели.

Для агента с MCP, базами данных, API, логами и JSON я бы не оставлял medium по умолчанию. Если MCP вернул большой JSON, я ставлю high и прошу агента назвать поля, которые он прочитал. Потом сверяю их с ответом инструмента.

Здесь размер проекта вторичен: смотри на сложность результата, который агент должен прочитать. Простой diff можно просмотреть на medium. Структурированный ответ инструмента с несколькими полями требует high и проверки фактического результата.

В длинном workflow лучше смешивать режимы по этапам. Планирование и диагностика получают высокий effort. Поиск файла, чтение diff и повторяемая подстановка получают низкий или средний.

Как настроить модель и режим по шагам?

1. Открой выбор модели командой.

   Внутри сессии введи /model и выбери модель из доступного списка.

   После выбора проверь заголовок сессии или снова открой /model. Не делай вывод о доступности модели только по названию из внешней таблицы.

2. Задай модель при запуске.

   Если сессия ещё не началась, передай модель через claude --model.

   bash

   Скопировать

   claude --model sonnet

   Для постоянной настройки через окружение используется ANTHROPIC_MODEL.

3. Настрой effort для сессии.

   Введи /effort и выбери low, medium, high, xhigh или max, если конкретная модель поддерживает уровень.

   Скопировать

   /effort

   При запуске можно задать уровень флагом:

   bash

   Скопировать

   claude --effort high

4. Усиль один сложный ход.

   Добавь в промпт слово ultrathink, когда нужно глубже разобрать текущую задачу.

   Усиление одного ходаСкопировать промпт

   ultrathink
   
   Найди причину ошибки в авторизации. Сначала проверь логи и связанные файлы, затем назови проверяемую гипотезу. Не меняй код до того, как покажешь план проверки.

   ultrathink действует только на текущий ход. Он не равен постоянному /effort max.

5. Задай постоянный уровень через окружение.

   Для настройки сессий используй переменную CLAUDE_CODE_EFFORT_LEVEL.

   bash

   Скопировать

   export CLAUDE_CODE_EFFORT_LEVEL=high
   claude

   Переменные среды могут иметь приоритет над настройкой проекта. Если поведение не совпало с ожиданием, проверь активные переменные.

6. Не смешивай старый и новый режимы без проверки.

   На моделях с adaptive reasoning effort является основным регулятором глубины. В старых версиях и совместимых режимах фиксированный бюджет мог контролироваться через MAX_THINKING_TOKENS; для текущей конфигурации сверяй документацию Claude Code.

   Не задавай MAX_THINKING_TOKENS глобально просто ради большего потолка. В старом поведении эта переменная могла принудительно включать thinking для каждого запроса, включая простой текст.

   В settings.json используй допустимые значения:

   json

   Скопировать

   {
      "effortLevel": "xhigh"
   }

   В файле настроек используй low, medium, high или xhigh. Значение max можно задать для текущей сессии, а через CLAUDE_CODE_EFFORT_LEVEL оно может применяться и как переменная окружения, если это поддерживает текущая версия Claude Code.

7. Проверь результат после настройки.

   Дай агенту небольшую задачу и посмотри не только на ответ, но и на фактический diff, вызовы инструментов и тесты.

   Если меняешь effort внутри длинной сессии, учитывай возможный cache miss. Для отдельного архитектурного плана и последующей реализации лучше разделить контексты, чем хаотично переключать low и max.

Сколько стоят модели и thinking-токены?

Единица расчёта - миллион токенов. В таблицах цена записывается как input/output.

Для сравнения не переношу в статью старые тарифы: цена меняется, поэтому сверяй текущую страницу Pricing на дату расчёта.

Thinking не выпадает из счёта. Anthropic формулирует это так:

Значит, стоимость ответа складывается не только из видимого текста. В неё входят внутренние reasoning-токены, если модель их использовала.

Пример логики без расчёта конкретного счёта:

• длинный запрос увеличивает input;
• большой ответ увеличивает output;
• thinking увеличивает output;
• вызовы инструментов добавляют новые этапы работы;
• prompt cache имеет отдельные тарифы на запись и чтение.

Поэтому сравнивать «один запрос» мало. Агентный цикл может включать чтение файлов, несколько команд, вызовы MCP и повторную проверку. Для контроля расходов я бы фиксировал задачу, модель, effort и фактический результат, не ограничиваясь названием режима.

Нельзя обещать универсальную экономию от перехода на другую модель. Цена известна, но итог зависит от длины контекста, числа попыток и того, сколько исправлений понадобится после ошибки.

Что ломается, если постоянно включать высокий effort?

Высокий effort не является линейной кнопкой «качество вверх». На простой задаче высокий effort может увеличить задержку и расход без заметного выигрыша. Поэтому я проверяю фактический результат, а не считаю долгую паузу признаком лучшего решения.

На простой правке это выглядит особенно неприятно. Ты просишь поменять подпись, а агент долго строит внутреннюю цепочку, ищет дополнительные зависимости и может начать менять больше участков, чем требовалось.

Есть ещё четыре крайних случая.

MCP и структурированные результаты. При medium агент иногда пропускает внимательное чтение результата инструмента и делает предположение. Это касается JSON, логов, API-ответов, баз данных и других структурированных данных. Тут поднимать effort разумнее, чем сразу менять модель.

Субагенты. Если максимальный режим наследуется всей цепочкой, поиск файла, просмотр diff и другие дешёвые операции получают дорогой reasoning. Один сложный шаг оправдывает высокий режим. Десятки механических подзадач подряд превращают его в скрытый налог.

Я не использую неподтверждённые оценки расхода субагентов. Практическое правило проще: для поиска файла и просмотра diff задавай отдельный низкий или средний режим, а высокий оставляй для анализа.

Смена effort. Участники обсуждений сообщают, что изменение уровня внутри длинного разговора может инвалидировать префикс prompt cache:

В одном обсуждении Reddit пользователь сообщил, что изменение effort может нарушать повторное использование префикса (обсуждение Reddit). Это единичное наблюдение, а не доказательство общего поведения.

В официальной документации Anthropic также указано, что изменение thinking-конфигурации и effort может приводить к cache miss. Если контекст длинный, я проверяю фактический расход после переключения режима, потому что выгода от prompt cache может уменьшиться (документация Claude Code).

Я бы разделял работу на этапы:

1. Планирование большой фичи: high, xhigh или max.
2. Реализация понятного пункта из плана: low или medium.
3. Сложная диагностика: high.
4. Поиск файлов и просмотр diff: low или medium.
5. Анализ MCP, API и JSON: high.
6. Длинный workflow: смешанный режим по шагам.

Если интерфейс выглядит зависшим, не делай автоматический вывод, что модель работает качественнее. Проверь задержку, расход токенов и фактический прогресс: высокий effort может дать полезную работу, но иногда приводит к overthinking.

Вопросы и ответы