很多人最近都有一个很微妙的体验：
模型更强了，但用起来却更“别扭”了。
你可能也遇到过类似情况：
·和 AI 来回对话十几轮
·一点点修代码、补条件
·明明只是一个功能，却反复调整
·最后 token 成本很高，结果还不稳定
直觉上，这很反常。
模型在变强，为什么效率反而没有线性提升？
Anthropic 最近关于 Claude Code 配合 Opus 4.7 的使用建议，其实正好解释了这个现象。但如果只把它当作一份“使用指南”，你会错过它真正重要的部分。
因为它背后反映的不是技巧，而是一个更大的变化：
AI 编程，正在从“对话生成”进入“任务管理”阶段。
这不是一份指南，而是在重定义“人和模型的关系”
过去两年，大多数人默认把 AI 当成一种增强工具：
·会写代码的搜索引擎
·更聪明的 Stack Overflow
·一个可以聊天的 Copilot
所以典型用法是：
·抛一个问题
·看回答
·再补条件
·再修一轮
·逐步逼近结果
这种“多轮逼近”的方式，在 ChatGPT 时代是成立的。因为那时模型更像一个响应式助手：
·帮你补全一段代码
·帮你解释一个报错
·帮你改一个函数
但 Claude Code + Opus 4.7 这一类工具，改变了模型擅长的任务结构。
Anthropic 给出的核心建议可以浓缩成一句话：
不要再把模型当结对编程搭子，而要把它当成被你委派任务的工程师。
这句话的含义非常深：
·交互单位从“回答”变成“任务”
·评估标准从“对不对”变成“交不交付”
·用户角色从“指导者”变成“任务定义者 + 验收者”
这已经不是提示词优化，而是协作关系的重构。
为什么“多轮对话”开始变成低效模式
很多人知道“少轮次更省 token”，但这只是表层现象。真正的原因在于：
模型的成本结构发生了变化。
在早期模型中，一轮对话基本就是一次生成。即使有推理，其深度和持续性也有限。
但在 Opus 4.7 这类模型中，每一轮对话背后可能包含：
·任务理解重建
·上下文重新对齐
·约束条件解析
·解法规划
·工具调用决策
也就是说，每一轮不只是“多一句话”，而是一次新的“任务建模”。
这就带来一个重要结果：
多轮交互的成本不再是线性叠加，而是重复建模的叠加。
所以过去那种：
·“先试试”
·“再补一点”
·“再改一下”
的使用方式，在 agent 型模型上会迅速退化成：
·成本高
·速度慢
·结果不稳定
这也是为什么 Anthropic 强调：
·第一轮就说清楚任务
·提供完整上下文
·明确约束条件
·写清验收标准
因为最昂贵的，不是生成，而是反复重建问题本身。
Prompt 正在从“提问技巧”变成“任务规格说明”
如果说前一阶段的核心能力是 prompt engineering，那么现在正在发生的是一次升级：
Prompt 正在变成 specification（任务规格说明）。
过去你写 prompt，本质是在优化表达，让模型更好理解问题。
现在你写 prompt，本质是在定义一个“可以执行的任务”，包括：
·目标是什么
·边界在哪里
·能用哪些资源
·什么算完成
这和软件工程里的：
·PRD
·技术方案
·测试标准
非常相似。
这带来一个很重要的变化：
会写 prompt，不再只是语言能力，而是系统设计能力。
真正重要的，不再是“怎么问”，而是：
·能不能定义清楚问题
·能不能拆清楚目标和约束
·能不能给出刚好的上下文
·能不能提前设计验收标准
所以可以下一个更强的判断：
AI 编程的下一阶段，不是 prompt engineering，而是 specification engineering。
自适应思考：模型开始自己管理“推理资源”
Opus 4.7 取消了固定思考预算，改为自适应思考（Adaptive Thinking）。
这看起来是一个技术细节，但背后的含义很大：
模型开始从“被分配推理资源”，走向“自己管理推理资源”。
以前是人类决定：
·这个问题要多想一点
·那个问题可以快一点
现在是模型自己判断：
·是否需要深度推理
·推理到什么程度
·是否值得投入更多计算
这意味着模型能力的重点发生了转移：
不再只是“能不能推理”，而是：
·会不会判断什么时候该推理
·会不会控制推理深度
·会不会在速度、成本和正确率之间权衡
与此同时，人类的控制方式也发生变化：
从参数控制（预算、步数）
变成策略控制（意图、偏好）
例如：
·“这个问题比较复杂，请逐步推理”
·“优先快速回复，不需要深入分析”
这说明一个趋势：
人机接口正在从“底层参数”走向“高层策略”。
为什么模型变“保守”了
不少用户会感觉到：
·工具调用变少了
·子代理更谨慎了
·回答更短了
这不是能力退步，而是产品哲学的变化。
Anthropic 在做的是一种取舍：
不是让模型“尽可能多做”，而是让模型“在可控成本下做对”。
背后有三个目标：
1. 降低无效执行
激进的 agent 容易“很忙但不一定有用”。
2. 提高行为可预测性
企业场景更看重稳定，而不是偶尔的高光表现。
3. 把“探索强度”交还给用户
默认保守，但允许用户明确授权更激进行为。
这本质上是在重新划分责任边界：
·系统负责安全与成本
·用户负责任务强度与探索范围
为什么整个行业都在转向“任务管理”
如果只看 Claude Code，会以为这是 Anthropic 的选择。但实际上，这是整个行业的共同方向。
不同公司在做不同产品，但本质上在竞争同一件事：
谁能成为“模型与真实工作之间的调度层”。
不同公司的路径
·Anthropic：通过 Claude Code 定义“AI 工程师”
·OpenAI：强化工具调用和通用 agent 能力
·Google：把 Gemini 嵌入 Docs / Gmail / Workspace
·Cursor：把 AI 融入开发者 IDE
·Devin：尝试端到端自动完成软件任务
表面看是不同产品，底层竞争的是：
·如何接收任务
·如何理解上下文
·如何规划步骤
·如何调用工具
·如何验证结果
换句话说：
模型是发动机，工具层和工作流才是传动系统。
而未来的差异，很可能不再来自模型本身，而来自这套“传动系统”。
Anthropic vs Google：Agent vs 环境
如果你把格局再拉大一点，会发现不同公司在押注不同未来。
Anthropic：定义 Agent
Claude Code 的路径是：
·提升单个 agent 的能力
·强化任务执行能力
·建立“AI 工程师”的产品心智
核心是：
让你把任务交给 AI
Google：定义环境
Google 的优势在于：
·Gmail
·Docs
·Sheets
·Drive
·Meet
·Search
它的策略不是做一个独立 agent，而是：
把 AI 嵌入所有工作节点
可以用一句话总结：
Anthropic 在定义 agent，Google 在定义环境。
这两条路径，分别对应两种未来：
·你把任务交给 AI
·AI 出现在你每一个工作步骤里
真正该对比的，是“人机分工模型”
很多对比停留在：
·谁更聪明
·谁上下文更长
·谁更快
但更重要的是：
每个产品默认假设的人机分工是什么。
Claude Code
人定义任务，AI执行任务
ChatGPT
人和 AI 一起探索问题
Cursor
人主导开发，AI做加速
Gemini
人不改变流程，AI嵌入流程
Devin
AI 尽可能替代整条流程
所以真正的差异不是能力，而是：
人类参与工作的层级，被重新定义了。
工程师的价值正在上移
当 AI 可以承担越来越多“实现层”的工作时，工程师的价值会发生迁移。
从：
·写代码
·调 API
·debug
转向：
·定义问题
·拆解系统
·设计约束
·控制风险
·设计验收
这其实是一个典型的分工上移过程。
所以可以这样总结：
大模型不是在消灭工程，而是在重排工程中的高价值环节。
结语：这不是工具升级，而是软件生产方式升级
Claude Code + Opus 4.7 的意义，不在于：
·更快写代码
·更聪明回答问题
而在于它在推动一件更底层的变化：
软件生产，正在从“人写代码，AI辅助”，走向“人定义系统，AI执行实现”。
当这一点成立，很多事情都会跟着改变：
·Prompt 会变成 spec
·对话会变成任务
·工具会变成工作流
·工程师会变成 orchestrator
所以，这篇指南真正想表达的不是：
“怎么用 Claude 更高效。”
而是：
未来的软件，不是被写出来的，而是被定义出来的。
