Anthropic承认Claude Code最近变差：不是底模退化，是产品层三次改动把体验拧坏了

Anthropic这次认得很直接：最近一个月，Claude Code 的确出现了“更差”的情况。用户说它变笨、健忘、重复、工具乱调、额度掉得快，不是错觉。

但边界也要说清。Anthropic明确表示，问题不在底层模型训练，也不在 API 推理层。受影响的主要是 Claude Code、Claude Agent SDK 和 Claude Cowork 这些产品层封装，到 4 月 20 日前后，相关问题都已回滚或修复。

这件事的关键，不是“模型有没有被偷偷阉割”。目前看，证据不支持这个说法。更关键的是另一层：模型没换，用户却真觉得它没以前能干了。AI 产品的能力感知，很多时候不是榜单分数决定的，而是默认参数、上下文管理、系统提示词这些外层旋钮决定的。失之毫厘，差的就是整段工作流。

三次改动，具体影响了谁

Anthropic给出的时间线很清楚：

三件事单看，都像常见产品调优。叠在一起，用户看到的就是另一回事：回答不稳定，长会话容易断，多步任务更容易跑偏，甚至连额度消耗都变得不正常。

Anthropic还补了一条很重要的信息：最初它们的内部 eval 没复现，内部使用也没及时发现。后来做更大范围的 ablation，才在一项更宽的 coding eval 里看到约 3% 的下降。

这个数字不能被夸大。它不等于所有场景全面崩坏，也不等于底模整体退化。但它足够说明一件事：原来的评测，没有覆盖到重度开发者最在意的真实用法。

受影响最深的，其实不是随手问两句的人，而是把 Claude Code 当生产工具的人。比如要改复杂仓库、跑多步工具链、接长会话、断点续做的开发者。对这类用户，哪怕底模没变，只要“思考力度”被调低、推理历史被删、输出再被硬压短，工作流就会先塌。

Anthropic给所有订阅用户重置 usage limits，也说明它承认这不是一句“已修复”就能带过的事。

这不是单点事故，是产品治理和评测一起失真

我更在意的，不是这三次改动本身，而是它们为什么能连续发生，还连续穿过内部测试。

账其实不难算。下调默认 effort，是在换延迟和成本。清理闲置会话，是在省资源。压缩输出，是在控冗长、控 token、控表面体验。每一项都能讲出理由。

问题在于，三笔账都朝同一个方向扣：让系统更省、更快、更顺眼。最后被吃掉的，是用户对“它真能做完这件事”的信心。

这就是今天很多 AI 产品的典型问题。底模发布时拼命讲上限，落到产品层却不断拧默认值、限输出、管上下文、抠成本。用户最后感受到的，不是实验室里的最好成绩，而是默认设置下那套被裁过一轮的版本。

古话说“天下熙熙，皆为利来”。放在这里不复杂：算力贵，响应慢，配额紧，平台一定会动这些旋钮。问题不在于它动不动，而在于谁来为副作用买单。答案通常很现实：重度用户先买单。

Anthropic这次的复盘还暴露出另一个更麻烦的点：内部 dogfooding、代码审查、自动化测试、端到端测试，都没把问题提前拦住。说明症结不只是一个 bug，也不只是一次 prompt 写坏了。

更像是评测环境和真实公网使用之间有缝。内部任务更短、更干净、更可控；真实开发现场则是长会话、脏上下文、多工具调用、仓库历史复杂、失败成本更高。这两边一旦脱节，离线指标再漂亮，线上体验还是会“味道不对”。这不是新病。搜索、推荐、广告系统都犯过。今天轮到 AI 编程工具而已。

对开发团队来说，现在该怎么判断

如果你是 Claude Code 的重度用户，现在最实用的判断只有几个。

第一，不要把这件事理解成“底模突然退化”。按目前公开信息，这更像产品封装层出了连续事故。对 API 用户来说，至少现有说法是未受影响；如果你主要走 API 自己搭工作流，这次不该直接等同于底模失灵。

第二，如果你的团队最近正打算把 Claude Code 接进日常开发，最好补一轮验证，再决定是继续上、暂时观望，还是给其他工具留后手。重点别只看单轮回答质量，要看四件事：

• 长会话是否还稳定
• 多步工具调用是否更容易跑偏
• 复杂仓库改动的成功率有没有回到之前水平
• usage limits 和延迟是否恢复正常

第三，如果你前几周已经因为体验波动，开始把任务分流到别的工具，现在不一定要立刻迁回。更稳妥的做法是先拿固定任务集复测。原因很简单：这次暴露的是治理问题，不是一次 UI 小瑕疵。问题修掉了，不等于流程已经补牢。

Anthropic也给出了一些后续动作：加强 prompt 变更审计，让更多员工直接使用公网版本，扩大代码审查上下文。这些方向是对的，但还得看执行。

我接下来会盯三件事。

一是它们会不会把评测重点真正转向长会话、多工具、复杂代码库，而不只是短任务跑分。要是评测框架不换，下次还会撞到同一堵墙。

二是默认值怎么定。默认值从来不是小事，它代表平台替用户做了什么选择。把 effort 默认拨低，很多用户根本不会手动改，结果就是平台替你决定：先省一点，再弱一点。

三是修复后是否稳定。现在能确认的是，Anthropic已经回滚和修复了三处问题；但从公开信息看，还没有足够证据证明所有真实场景都完全恢复。对生产团队来说，最靠谱的仍是自己测，而不是只看公告。

这次 Anthropic 倒是做了一件对的事：把账摊开了，没把所有抱怨都打成“主观感受”。这点比装作无事发生强得多。

但话也得说满一半。能公开复盘，值得肯定；能让三次外层调优连续伤到能力感知，也说明它的产品治理和评测还没站稳。模型分数是上限，默认参数才是日常现实。用户每天撞上的，从来不是发布会里的 Claude，而是产品经理手里那个 Claude。