Opus 用起来变笨了?先排查这几项再判断是否降智
最近不少开发者感觉 Opus 系列模型不如从前:模糊指令容易跑偏、频繁反问、需要反复纠正。本文把「降智」的体感拆成可验证的因素,给出对照测试方法,以及提示词模板、规则文件、上下文管理、自主决策授权等具体改善步骤,并说明换模型与换运行环境各自的边界。
最近一段时间,关于 Opus 系列模型「变笨」的讨论明显变多。反馈集中在几个具体表现上:以前一句话就能理解的需求,现在要补充说明才不跑偏;原本能自己拍板的小决策,现在反过来问你;同一类任务,前两周一次就过,现在要来回纠正两三轮。有人把这些现象归因于模型被悄悄降级,也有人猜测是算力吃紧、新版本灰度,或者竞争对手不够强所以开始松懈。
这些猜测都没法直接证伪,但「体感变差」和「模型真的变差」是两件事。先把现象拆开,做一次能对比的测试,再决定是改用法、换版本还是换环境,比在情绪里反复试错划算得多。
先分清:哪些是模型问题,哪些是你自己的上下文问题
多数「降智」体验其实落在下面几类原因里,只有最后一类才是服务端真的变了。
| 观察到的现象 | 更可能的原因 | 快速验证方式 |
|---|---|---|
| 长对话进行到后期开始跑偏 | 上下文变长后注意力被稀释,历史里的错误结论被反复引用 | 新建会话,把需求完整重述一遍再跑 |
| 明确指令也出错 | 指令本身有歧义,或缺少输出格式与验收标准 | 补上输入范围、输出格式、约束条件和验收条件 |
| 只有某些时段变差 | 服务端负载、请求超时、重试导致的截断 | 换时段用同一组任务复测 |
| 变得「爱问」、不敢决策 | 主动性调优,或提示词里从未授权它自行决定 | 显式写明哪些范围内无需确认 |
| 一直稳定复现,新旧版本差异明显 | 版本、思考档位或默认配置确实变了 | 对照官方发布说明与状态页,用 API 固定模型标识复测 |
另外两个容易被忽略的因素:一是工具与插件挂载过多,工具描述彼此重叠时,模型在模糊场景下选错工具的概率会上升;二是期望漂移,用久了之后你对它的容错度下降,同样的输出在第一个月叫惊艳,第三个月叫平庸。
做一次能说服自己的对照测试
不要用「今天感觉怎么样」来判断,准备一组固定任务:
- 挑 5–10 个你日常最常做的任务,覆盖编码、重构、排错、文档各一两个。
- 为每个任务写一份固定的提示词和固定输入,存成文件。
- 每条任务在新会话里跑 3 次,记录三个指标:是否一次通过、需要几轮纠正、输出格式是否符合要求。
- 在不同时间段(例如上午与深夜)各跑一轮,观察波动。
- 如果条件允许,用 API 指定模型标识跑同样的任务,与客户端结果对比。
如果不同时段差异大、新会话明显好转,问题更可能在负载和上下文;如果所有时段、所有会话都稳定退步,才有必要怀疑版本本身。顺带看一眼官方发布说明和状态页,比在群里互相确认「我也是」有用。
立刻能改善体验的六个调整
1. 把模糊需求改成可验收的任务描述
模型不是读心器,一句话需求的信息量往往只够它猜。换成固定结构:
目标:把这个模块的同步读写改成批量写入
输入:src/db/writer.ts,现有测试在 tests/writer.test.ts
约束:不改动对外函数签名;不引入新依赖;保持现有日志格式
输出格式:先给改动计划(不超过 10 行),确认后直接改代码并附 diff 摘要
验收标准:现有测试全部通过,新增一个批量写入的用例
不确定时:在以上约束内自行选择实现方式,不要回问;只有需要改签名时才停下来问我
最后两行是重点。很多人抱怨模型「变懒了、什么都要问」,但提示词里从来没说过它可以自己决定。
2. 把长期偏好写进项目规则文件
代码风格、目录约定、测试命令、禁止改动的目录,写进项目根目录的规则文件(例如 CLAUDE.md 一类),避免每次重复交代。注意规则文件要短:只保留真正会改变行为的条目,长篇大论反而会被稀释甚至忽略。
3. 缩短上下文,一个任务一个会话
阶段完成后让模型输出一段进度摘要,再开新会话接着做。不要把整份构建日志、无关源码、几轮试错过程一起塞进上下文——那些错误结论会成为后续推理的「事实」。
4. 让它自己验收
先要计划再执行,要求写测试并实际运行,给出检查清单让它逐条确认。很多「降智」感来自没人验收:输出看着像对的,没人跑过,于是错误一直留在上下文里。
5. 锁定版本,保留回退路径
在配置里写死具体的模型标识,而不是依赖会漂移的默认别名;发现回归时能快速切回上一个可用版本。可用的标识与配额规则随时会调整,以官方最新文档为准。
6. 大需求拆成小步
把「一步到位」拆成 3–5 个可独立验证的小步,每步都有明确的输入输出。上下文短、验收点密,偏离预期的概率会明显下降。
长任务被中断,也会被误认为「变笨」
如果你跑的是长时间无人值守的编码代理会话,本地机器休眠、合盖、断网、终端断开都会让会话中断,重来时又要重新喂一遍上下文,体验上和「模型变笨」几乎无法区分。这类情况可以把任务放到一台长期在线的机器上执行——例如整机放在机房的独享远程 Mac,按月租用、远程连接使用,电源和网络都稳定,适合挂着跑几小时的 Claude Code 任务。需要说明的是,它改善的是运行环境的稳定性,不会修复提示词和上下文本身的问题,别指望换个机器就能让模型变强。
要不要换模型,怎么权衡
确实有人转向其他模型并觉得够用,尤其是在指令明确、边界清晰的日常编码任务上,成本还更低。取舍大致是这样:
- 需求明确、可验收的重复性任务:换用更便宜的模型通常不会有明显损失,适合放在流水线里。
- 需求模糊、需要模型自己补全意图的场景:差距仍然明显,这类任务不建议为了省钱而换。
- 关键路径:保留最强模型,同时准备一个可随时切换的备选,避免单一依赖。
比较稳妥的做法是分层:把任务按「模糊程度」和「出错代价」分成两档,分别指定模型,而不是全盘替换。
小结
「降智」是一个结论,不是一个观察。遇到体验下滑时,按这个顺序处理:先做固定任务的对照测试,排除上下文和时段因素;再改提示词结构,补上约束、验收标准和自主决策授权;然后整理规则文件、缩短会话;最后才考虑锁定版本、更换模型或更换运行环境。模型的版本号、可用标识、配额与计费规则变化很快,涉及具体配置时请以官方最新说明为准。社区里的判断大多是体感,没有对照组的结论,看看就好。