Claude 3.7 Sonnet 的 Extended Thinking 不是自动挡
Claude 3.7 Sonnet 的 Extended Thinking 不是自动挡：什么时候该开，什么时候关
我第一次认真用 thinking，心里想的是：这下稳了，复杂问题交给模型“多想一会儿”，答案应该更漂亮。
结果很打脸。
一个本来一句话就能回答的简单问答，它先沉默了好几秒，像是在认真做数学题，最后给我吐出一段绕来绕去的解释。那一刻我才意识到：混合推理不是“更聪明的自动挡”，而是一把需要你主动选择时机的工具。
它能救你，也能拖你后腿。
---
先把概念说清楚
很多人对 Claude 3.7 Sonnet 的 Extended Thinking 有个误解：以为只要打开“思考模式”，模型就会自动在所有任务上变强。
不是。
更准确地说，它通常需要你在 API 层，或者在支持该能力的客户端里显式开启。开启以后，模型会在正式输出前先生成一段对用户不可见的内部草稿。这部分“想”的过程不会直接展示给你看，但它会真实消耗算力：延迟会上升，token 消耗也会增加。
所以，thinking 本质上不是“免费加智商”，而是用更多等待时间，换更高概率的严谨答案。
一句话记住：它不是默认更好，而是更适合“值得多想”的任务。
---
测试怎么设计，才不容易被直觉骗
为了判断它到底值不值得开，我把任务分成四类：
1. 数学 / 逻辑推理
看模型能不能稳住链路，避免中途漏条件、跳步骤。
2. 开放式创意写作
看它会不会变得更严谨，但同时失去一点灵气。
3. 代码调试
看它能不能更准确地定位 bug，而不是只会“猜一个可能”。
4. 信息检索与摘要
看它是否真的提高提炼能力，还是只是在做无意义的“过度思考”。
对照组与实验组
- 对照组：关闭
thinking - 实验组：开启
thinking，budget_tokens = 8000
评分标准
我主要看三件事：
- 准确率：有没有答对
- 一致性：同类问题多次问，答案稳不稳
- 输出可用度：能不能直接拿去用，而不是还得重写
为了避免把个人体感包装成 benchmark，下面的延迟和 token 消耗我会用示意性估算来写，方便你理解参数含义；你自己跑的时候，记得替换成真实观测值。
---
四类任务，结论其实很不一样
1）数学 / 逻辑推理：收益最明显
Prompt 示例：有 3 个盒子，A 盒子写着“苹果”，B 盒子写着“香蕉”，C 盒子写着“混合”。三句话中只有一句是真的，问：每个盒子里分别是什么？
#### thinking-off 示例输出
可能需要重新检查标签逻辑，A 不一定是苹果……
结论：A=香蕉，B=混合，C=苹果。
#### thinking-on 示例输出
先假设 A 标签为真，会导致 B、C 的标签真假冲突，违背“只有一句真话”。
再分别排除其他情况后，唯一满足条件的是：A=混合，B=苹果，C=香蕉。一句结论：
这类题开 thinking 很值，原因不是它“更会猜”，而是它更擅长把条件一条条锁住，少犯那种看起来聪明、其实漏条件的错。
---
2）开放式创意写作：有提升，但有限
Prompt 示例：写一段 200 字的产品介绍，语气像少数派，主题是“AI 备忘录”。
#### thinking-off 示例输出
AI 备忘录不是替你记住一切，而是帮你把碎片化信息重新整理成可执行的下一步。它像一个不会打断你的秘书，悄悄把会议纪要、灵感和待办串起来……
#### thinking-on 示例输出
AI 备忘录的价值，不在“记得更多”，而在“更快回到上下文”。它把你散落在聊天、网页、会议里的信息，压缩成一条可追溯的线索……一句结论：
创意写作开 thinking 不会明显变“更有才华”，但会更克制、稳定、结构化。如果你想要的是爆发力，它未必更好；如果你想要的是不跑偏，它会更可靠。
---
3）代码调试：这是它最像“认真同事”的地方
Prompt 示例：Python 代码报错：TypeError: 'NoneType' object is not subscriptable，请定位原因并修复。
>
> user = get_user(uid)
name = user["profile"]["name"]
print(name)
#### thinking-off 示例输出
get_user(uid)可能返回了None。请先判断user是否为空，再访问profile。
#### thinking-on 示例输出
错误的根因不是profile本身，而是get_user(uid)在部分 uid 下返回None。
修复方式：先判空，再逐层访问；如果业务允许，还要给出兜底提示，避免异常传播到上层。一句结论：
代码调试里，thinking 常常不是在“多算”，而是在更严格地追因果链。它对“报错来自哪里”这件事，通常比关闭时更稳。
---
4）信息检索与摘要：几乎没差别，甚至有点浪费
Prompt 示例：请把下面这段 500 字新闻摘要成 3 句话，保留核心事实。
#### thinking-off 示例输出
新闻核心是……
第二句是……
第三句总结影响……
#### thinking-on 示例输出
这段内容的关键在于……
从信息密度看，应优先保留……
最后可归纳为……一句结论：
这种任务开 thinking 往往收益很小，因为它本身就是“压缩信息”，不是“求解难题”。简单的事情开 thinking，会让模型过度谨慎，反而变啰嗦。
---
一个你大概率会踩的坑
我最不建议拿 thinking 干的事，就是简单问答。
比如你只是问：
“北京今天适合穿外套吗？”
不开 thinking 时，它可能直接给你一个简洁判断。
开了以后，它可能开始分析季节、气温波动、体感差异、出门时长、室内外温差……最后给出一段像天气播报稿一样的回答。
这不是“更周到”，很多时候只是把一句话问题，硬升级成一场小型论文答辩。
---
什么时候该开：一个 2×2 决策矩阵
把任务分成两个维度：
- 横轴：答案是否唯一 / 可验证
- 纵轴：容错成本高低
记住这三句话就够了
1. 能验证、且答错代价高，就开。
2. 不能验证、或者只是为了更顺口，就先别开。
3. 越简单的任务，越容易被 thinking 拖慢。
---
实操：最小可用代码
下面是一个最小化的 Python 示例，核心就是把 thinking 显式打开，并设置 budget_tokens。
from anthropic import Anthropic
client = Anthropic(api_key="YOUR_API_KEY")
resp = client.messages.create(
model="claude-3-7-sonnet-latest",
max_tokens=1200,
thinking={
"type": "enabled",
"budget_tokens": 8000
},
messages=[
{
"role": "user",
"content": "请帮我排查下面这段 Python 代码的报错原因，并给出修复版。"
}
]
)
print(resp.content[0].text)
budget_tokens 怎么调
- 先从小预算开始：别一上来就拉满 8000
- 题越难，预算越值得给：数学、代码、复杂逻辑更适合
- 摘要、改写、闲聊：预算可以非常保守，甚至直接关掉
你可以把它理解成：budget_tokens 不是“越大越聪明”，而是给模型留多少时间把事情想透。
如果题本来就不难，留太多时间，只会让它开始自我表演。
如果你还没有 Claude API 的访问权限，或者想在正式接入前先低成本地跑通这套测试逻辑，可以通过 api.884819.xyz 直接调用兼容接口，参数格式与本文示例完全一致，不需要额外改代码。新用户注册即送体验token。
---
结语：别把它当自动驾驶，把它当“临时加班的专家”
测完 Claude 3.7 Sonnet 的 Extended Thinking，我最大的收获不是“它更强”，而是终于搞明白了：它强在你把它放在对的位置。
当任务是可验证的、容错成本又高，thinking 很像一个会认真复盘的资深同事。
但当任务很简单、很开放、或者只是需要快速给个答案时，它反而可能因为“太认真”而变慢、变长、变啰嗦。
所以别再问“要不要永远开 thinking”，真正该问的是：
这道题，值不值得让模型多想几秒？
下一篇我会继续往前走一步：如果把 thinking 里那段看不见的内部草稿拿出来，二次喂回 prompt，会发生什么？
这个玩法目前中文资料很少，但有些场景里，效果比你想的更有意思。
本文由8848AI原创，转载请注明出处。#AI教程 #Claude #ExtendedThinking #Prompt技巧 #人工智能 #8848AI #API调用 #AI学习
