17,871 个思维块的证词：Claude Code 质量暴跌背后，Anthropic 对"思考"动了什么刀

导言

2026 年 4 月 6 日，一个 GitHub Issue 引爆了整个 AI 开发者社区。

Issue #42796，标题是「Claude Code is unusable for complex engineering tasks with Feb updates」。作者不是在抱怨——他是在举证。

17,871 个 thinking blocks。234,760 次工具调用。6,852 个会话文件。横跨四个大型工程项目，时间从 1 月 30 日覆盖到 4 月 1 日。

这不是一篇吐槽帖，这是一份数据驱动的取证报告。

它指向一个结论：Anthropic 在 2 月悄悄对 Claude 的"思考能力"动了刀，导致复杂工程任务的质量出现了系统性崩塌。 而他们没有告诉任何人。

这篇文章会回答三个问题：

1. 技术上发生了什么？ Thinking Redaction 是什么机制，它如何影响模型行为？

2. 商业上为什么？ Anthropic 为什么要在自己的王牌产品上动刀？

3. 对我们意味着什么？ 作为 AI 的使用者和构建者，该如何应对？

第一章：草稿纸上的秘密

什么是 Extended Thinking？

要理解这次事件，先要理解 Claude 是怎么"想"的。

从 Claude 3.7 Sonnet 开始，Anthropic 引入了一个叫 Extended Thinking（扩展思维）的能力。简单说：在给出最终回答之前，模型会先在内部进行一轮详细的推理——逐步分析问题、制定计划、检查边界条件、验证逻辑。

这段推理过程以 thinking blocks 的形式存在，就像一个人做数学题时在草稿纸上的演算过程。

一个真实的例子：

当你让 Claude Code 修改一个复杂项目中的某个函数时，它的 thinking 过程可能是这样的：

"用户要求修改 auth 模块的 token 刷新逻辑。让我先看看当前的实现…这个函数被 3 个地方调用了…其中 admin 路由有特殊的 refresh 间隔…如果我改了默认值，会影响 admin 的行为…我应该先读取 admin 的配置文件确认…另外还要检查测试覆盖情况…"

这个过程至关重要。没有它，模型就是在"不看题就答卷"。

API 层面的机制

在技术实现上，Extended Thinking 通过 API 的 budget_tokens 参数控制：

- 调用方设定一个 thinking 预算（最低 1,024 tokens）

- 模型在预算范围内产出 thinking blocks

- 思考完成后，模型基于推理结果给出最终回答

- Thinking tokens 按照 output token 的价格计费

以 Opus 4.6 为例：output token 定价 $75/百万 tokens。一个复杂工程 session 可能产出 5 万到 15 万个 thinking tokens——也就是说，光是"让模型想一想"，一个 session 就要花 $3.75 到 $11.25。

这是一笔不小的开支。但它是 Claude 之所以"聪明"的核心——你为模型的推理能力付费，它用深度思考回报你质量。

从"透明"到"黑箱"

在 Claude 3.7 Sonnet 时代，thinking 内容是完整返回给调用方的。你能看到模型想了什么，走了什么弯路，最终怎么做的决定。这种透明性对于调试和信任建设都极其重要。

到了 Claude 4 系列，Anthropic 做了一个重大改变——Thinking Redaction。

具体来说，thinking 的展示方式变成了三种：

1. "summarized"（默认）：只返回 thinking 的摘要，不给完整推理过程

2. "omitted"：thinking 内容完全不返回，只返回一个 signature 字段

3. 完整模式：只有联系 Anthropic 销售团队才能获得

那个 signature 字段是什么？它是完整 thinking 内容的加密版本，用于多轮对话中传递上下文。服务器可以解密它来恢复完整思维链，但你作为用户看不到里面写了什么。

Anthropic 官方的说法是：这样做是为了减少延迟——不用传输大量 thinking 文本，first-token 到达更快。

听起来很合理。

但有一个问题：你仍然在为全量 thinking tokens 付费。

换句话说：你花钱让模型思考，Anthropic 拿走了你的草稿纸，只告诉你"答案在这里"。至于它到底想了多少，想得好不好——你无从验证。

这就是 Thinking Redaction 的本质：一次信息不对称的制造。

第二章：数据说话

取证者的工具箱

Issue #42796 的作者是一个重度 Claude Code 用户，跑着四个大型编译器/GPU 相关项目（iree-loom、iree-amdgpu、iree-remoting、bureau）。这不是普通的 web 开发——这是底层系统级工程，对代码质量和逻辑严谨性要求极高。

他的数据来源：

注意那个 0.971 的 Pearson 相关性——这意味着 signature 字段的长度几乎完美地反映了原始 thinking 内容的长度。即使 thinking 被 redact 了，通过 signature 仍然可以高精度估算"模型实际思考了多少"。

这是整个分析的基石。作者正是用 signature 长度作为代理变量，绘制出了 thinking 深度的变化曲线。

第一根烟枪：时间线吻合

以下是 thinking redaction 在 Claude Code 中的灰度发布时间线：

从 1.5% 到 100%，整个灰度发布在一周内完成。这是一个典型的分阶段 rollout。

关键事实：用户独立报告质量回归的日期是 3 月 8 日——恰好是 redacted thinking 超过 50% 的当天。

没有人提前知道 Anthropic 在做什么。报告质量问题的人和分析 thinking blocks 的人是不同的人。但他们指向了同一个时间点。

这是相关性，不是因果性。但当你把它和后面的数据放在一起——

第二根烟枪：思考在缩水

如果 Thinking Redaction 只是"把推理过程藏起来但推理量不变"，那对质量应该没有影响。

但数据告诉我们的不是这样。

通过 signature 长度估算的 thinking 深度变化：

从 2,200 字符到 600 字符。模型的"草稿纸"从 A4 纸被缩成了便签纸。

这意味着：Anthropic 不仅是把 thinking 的内容对用户隐藏了，而是在实际上大幅缩减了模型的思考量。

Redaction 的作用不仅是遮蔽——它更像是一面幕布，挡住了观众的视线，同时允许舞台上的表演被偷偷削减。因为你看不到了，你就无法判断它"想"得够不够。

第三根烟枪：行为崩塌

Thinking 的缩减不是一个抽象的"模型变笨了"——它导致了一系列可量化的行为退化。

这是最直观的指标。之前的 Claude 像一个经验丰富的工程师——先充分理解代码库，再下手修改。现在它变成了一个着急完成 ticket 的实习生——扫两眼就开始改。

编辑从未读取过的文件的比例：6.2% → 33.7%。

三分之一的编辑，是对模型从来没看过的文件做的。

HN 上多位开发者验证了这个现象：

"I've seen it try and edit files before even reading them on a couple of occasions, which is a big red flag."

>

"What I've noticed is that whenever Claude says something like 'the simplest fix is...' it's usually suggesting some horrible hack."

从 0 次到 17 天内 173 次。具体表现包括：

- 逃避责任："This is getting complex, maybe you should try..."——把问题推回给用户

- 过早停止：任务还没做完就宣布 done

- 反复请求权限：之前不需要确认的操作现在也要问你

- 策略性模糊："I've made the necessary changes"——但实际上只改了一部分

这些行为在基准期完全不存在。它们全部集中出现在 redaction 之后。

用户报告：之前 Claude 会自动判断需要加载哪个 skill 文件——现在你必须在指令中明确指名，否则它不加载。

一个 HN 用户的描述精确到令人心酸：

"I've been fighting this by being super explicit in CLAUDE.md. My CLAUDE.md files have been exploding since mid-March."

CLAUDE.md 是用户给 Claude Code 的行为指南。这些文件在膨胀——因为用户不得不把越来越多原本"不言自明"的规则写成明文，来弥补模型推理能力的下降。

第三章：时间的裂缝

数据里有一个更令人不安的发现，值得单独讨论。

Redaction 前：时间无关紧要

在 thinking 充足的时期（1-2 月），不管你什么时间使用 Claude，thinking 深度都是稳定的——凌晨、上午、下午、深夜，没有显著差异。

这说明当 Anthropic 大方分配 thinking 预算时，模型的思考质量是一致的。你不需要择时使用。

Redaction 后：时间决定质量

而在 redaction 之后，thinking 深度出现了剧烈的时段波动：

- 深夜（美西凌晨）：相对较好

- 下午 5 点和 7 点 PST：最差

注意，5-7pm PST 不是工作时间高峰，而是美国互联网流量高峰。

作者的推断是：thinking 分配从固定预算变成了负载敏感的动态分配——当 GPU 紧张时，thinking 被进一步压缩。

这一推断如果成立，意味着一个更严峻的事实：你获得的 AI "智力"，取决于同一时刻有多少人在用它。

这像极了航空公司的做法——经济舱的座位越卖越窄，但机票价格没降。在 AI 的语境里，你花同样的钱，但在高峰时段，模型用更少的资源"想"你的问题。

用作者的话说：

"Pre-redaction 的平稳才是更重要的发现：当 thinking 被慷慨分配时，时间不重要。现在时间重要了，说明资源在被抢。"

第四章：为什么要砍自己的王牌？

这是最核心的问题。Claude Code 是 Anthropic 最成功的产品——两周内就把年化收入 run rate 翻了一倍（据 Forbes 报道，2 月 ARR 增加了 $2 亿），到 4 月 ARR 已经达到 $70 亿。

经济学解释：无限自助餐的困境

Claude Code 的订阅模式是固定费用（Pro $20/月，Max $100-200/月），但推理成本是变动的。

来看一笔账：

Claude Code 官方数据：平均每个开发者每天花费 $6，90% 的用户日花费在 $12 以下。按月算，平均 $100-200/开发者。

但这是平均值。重度用户呢？

一位 HN 用户透露了他的 7 天用量：

claude-opus-4-6: 11,000 completions, 16,900,000 read tokens, 5,840,000 write tokens, 1,312,000,000 cached_read tokens, 66,120,000 cache_write tokens

即使算上 prompt caching（缓存读取只需 1/10 价格），这样的用户每月实际消耗的 GPU 资源远超 $200 的订阅费。

而 thinking tokens 是最贵的部分——它们是 output tokens，在 Opus 4.6 上每百万 $75。一个深度思考的 session 产生的 thinking tokens 可能比最终回答还多。

从 Anthropic 的角度：砍掉 thinking 深度 73%，几乎等于把最贵的成本项砍了 3/4。

基础设施的真实成本

从 GPU 底层来算。以 H200 为例：

- 8 卡 H200 的推理成本：$25.12/小时

- Output token 生成速度：~993 tokens/秒

- 每百万 output token 的真实成本：约 $7

而 Anthropic 的 API 定价是 $75/百万——加价约 10 倍。这个利润空间看起来很大，但别忘了，它要覆盖训练成本、研发费用、固定设施、员工薪资、以及——无限订阅用户的"超额消费"。

WSJ 报道，Anthropic 预计 2026 年现金烧蚀率降到收入的三分之一。这意味着他们正处在从"烧钱增长"到"靠近盈利"的关键转折期。

时间线上的成本控制链

把所有事件串起来：

第五章：黑箱里的算盘

不透明的降质

这件事最让人不安的地方，不是质量下降了——而是下降的方式。

如果 Anthropic 公开说："我们调整了 thinking budget 的默认分配策略，可能影响复杂任务的表现，建议使用 /effort max 或手动增加 budget"——大多数开发者会理解，甚至会感谢这种透明。

但他们选择了：

1. 在用户看不到 thinking 内容的前提下，悄悄缩减思考量

2. 没有发布任何公告或 changelog

3. 依靠 redaction 作为遮蔽，确保用户无法量化变化

4. 直到数据取证暴露后才面对

这不是"优化"，这是信息不对称下的偷工减料。

行业先例：这不是第一次

AI 公司悄悄降质有前科。

OpenAI 在 GPT-4 时代就被广泛质疑过"静默降质"。OpenAI 社区论坛上有大量这样的帖子：

"我知道大约 2 个月前这还是一个可以依赖的产品。今天，它在我依赖的方式上已经无法使用了。"

GPT-5 发布时，同样出现了"先惊艳后失望"的模式——OpenAI 最终不得不恢复 GPT-4o 作为可选模型，并公开承认发布"不够顺利"。Simon Willison 还发现 OpenAI 悄悄把手动选模型替换成了自动路由。

但 Anthropic 的情况更严重，因为 Claude 的核心卖点恰恰是"比 OpenAI 更安全、更透明、更值得信任"。当一家以"对齐"和"安全"为品牌核心的公司在产品质量上做不透明的调整时，冲击力远大于 OpenAI。

学术视角的验证

有趣的是，学术界刚好有相关研究验证了 thinking 缩减对质量的影响。

arXiv 上的论文《How Context Silently Shortens LLM Reasoning》发现：推理模型在非隔离上下文条件下会产生显著更少的推理 tokens（最多减少 2 倍），这种压缩与自我验证和不确定性管理行为的减少相关。 对于简单问题，这不影响准确率；但对于复杂问题，会导致性能下降。

这正是 Issue #42796 在工程实践中观察到的：简单任务照常，复杂任务崩溃。

第六章：Anthropic 的不可能三角

让我们退后一步，看更大的图景。

Anthropic 面对的是一个经典的三角困境：

- 产品质量需要大量 thinking tokens → 推高成本

- 成本控制需要削减 thinking → 降低质量

- 用户信任需要透明沟通 → 但公开说"我们削减了推理"会动摇信任

他们选择了悄悄动刀，试图在用户不知情的情况下同时降成本和维持表面质量。但数据取证打破了这个平衡。

资本市场的压力

这个困境放在 Anthropic 的融资进程中更好理解。

公司正在准备 IPO。WSJ 报道它"比 OpenAI 更快接近盈利"。在这个关键窗口期：

- 收入要持续增长（不能限制太多用户）

- 利润率要改善（成本必须控制）

- 品牌要维护（不能公开承认削减质量）

同一周发生的事说明了这种张力：

- 周一：Anthropic 宣布与 Google/Broadcom 签 3.5GW 算力扩张协议——大规模投资基础设施

- 周日：Issue #42796 曝光他们在用户端缩减推理预算

一边花几十亿买 GPU，一边在每个 session 里省 thinking tokens。这不矛盾吗？

不矛盾。因为新增的算力是给明天准备的（训练下一代模型、扩大用户规模），而 thinking 的缩减是解决今天的成本问题。 但对于今天的用户来说，体验就是在变差。

第七章：对我们意味着什么

如果你是 Claude Code 用户

1. 使用 /effort max：显式要求最高推理等级

2. 增加 MAX_THINKING_TOKENS：默认值可能被调低了，手动设高一点

3. CLAUDE.md 必须更严格：之前"不言自明"的规则现在必须写明，特别是"先读后改"类的规范

4. 避开高峰时段：如果数据推断成立，美西下午 5-7 点质量最差

5. 保留 session 日志：万一需要向 Anthropic 报告问题，数据是最好的武器

如果你是企业 AI 决策者

这件事揭示了供应商锁定的新型风险——不是 API 变了调不通，而是同一个 API 端点后面的"智力"在静默缩水。

建议：

1. 建立模型质量基准测试：不要只测能不能跑，要测"相同任务的完成质量是否随时间变化"

2. 多供应商策略：不要把全部推理负载放在一家提供商上

3. 合同中约定 SLA 的质量维度：不只是可用性和延迟，还要包括推理质量的可量化指标

4. 监控 thinking/signature 指标：如果你用 API 调用 Claude，定期记录 signature 长度和 thinking 深度的趋势

如果你是 AI 行业观察者

这是一个标志性事件。它标志着 AI 行业从"模型能力竞赛"进入了"模型经济学竞赛"。

当训练成本已经达到数十亿美元量级，当推理成本决定了产品能否盈利，当每一个 thinking token 都有真金白银的价格——"AI 有多聪明"不再只是一个技术问题，而是一个经济问题。

Claude 的思考深度不是由它的参数量决定的——而是由 Anthropic 的利润表决定的。

尾声：当信任被 Redact

故事的最讽刺之处在于品牌叙事的反转。

Anthropic 的品牌核心是"安全"和"对齐"——它存在的意义就是"比其他 AI 公司更负责任"。Constitutional AI、AI Safety 研究、对人类价值观的对齐——这些是它的基因。

但 Thinking Redaction 揭示了一个信任悖论：

这不是要否定 Anthropic 的技术成就。Claude Opus 4.6 在被削减后仍然是最好的编码模型之一。但"最好"和"跟上个月一样好"是两回事。用户买的是后者的承诺。

Issue #42796 的作者在最后写了一段话：

"这份报告的目标不是攻击，而是提供数据帮助 Anthropic 理解哪些工作流受影响最大，以及为什么——希望能为思考 token 分配决策提供参考。"

17,871 个思维块的证词，不是控诉书，而是一面镜子。

镜子里映出的不仅是一个产品的质量曲线，更是一个行业正在面对的根本张力：AI 的"智力"是一种有成本的商品，而成本优化和质量承诺之间的边界，远比我们想象的脆弱。

当你的 AI 下次说"the simplest fix is..."的时候——也许该想一想：这是它深思熟虑后的建议，还是因为它的草稿纸被偷偷换成了便签纸？

💠 用 Token 思考，让洞察涌现

关注「Token涌现」，不错过下一篇