Claude Code 경험이 나빠졌나? 모델과 노력 수준의 차이

서론

Claude Code의 출력 결과가 약할 때, 많은 개발자들은 즉시 더 크고 비싼 모델로 전환합니다.

이러한 반응은 이해할 수 있지만, 종종 잘못된 설정을 대상으로 합니다.

Claude Code는 출력을 개선할 수 있는 두 가지 제어 항목을 제공합니다: 모델과 노력 수준. 둘은 관련되어 있지만 역할이 다릅니다. 모델 선택은 시스템의 기본 능력을 변경하는 반면, 노력 수준은 Claude가 현재 작업에 얼마나 많은 작업량을 투입할 의향이 있는지를 조정합니다.

이 차이는 모델 자체가 변경되지 않았음에도 Claude가 갑자기 세심하지 않게 느껴지는 이유를 설명합니다. 또한 높은 노력 수준의 작은 모델이 낮은 노력 수준의 큰 모델보다 더 나은 성능을 발휘할 수 있는 이유도 설명합니다.

Claude Code가 갑자기 "똑똑하지 않게" 느껴지는 이유

이러한 혼란은 개발자들이 Claude Code의 행동 변화를 인지할 때 특히 두드러집니다.

사용자들은 Claude가 읽어야 할 파일을 건너뛰고, 테스트 실행을 회피하며, 여러 단계의 작업 중간에 중단하거나, 스스로 탐색하는 대신 사용자에게 더 많은 정보를 요청하는 현상을 보고했습니다.

널리 논의된 GitHub 이슈는 Claude Code를 "복잡한 엔지니어링 작업에 신뢰할 수 없음"이라고 설명합니다. 원본 글에서 인용된 분석은 수천 개의 세션을 검토했으며 추론 또는 실행 작업량의 급격한 감소를 보고했습니다.

많은 사용자들은 처음에 자신의 프롬프트, 저장소 지침 또는 로컬 설정에 문제가 있다고 생각했습니다. 원본 출처 기사에 따르면 더 직접적인 원인은 기본 노력 수준 설정이 변경되었기 때문입니다.

지연 시간을 줄이기 위해 Anthropic은 일시적으로 일부 Claude Code 사용자의 기본 노력 수준을 high에서 medium으로 낮췄습니다. 모델 가중치는 약해지지 않았지만, Claude는 각 작업에 더 적은 시간, 더 적은 토큰, 더 적은 도구 호출을 사용하도록 권장되었습니다.

눈에 보이는 효과는 쉽게 오해될 수 있습니다:

• 검사하는 파일이 적어짐.
• 실행하는 테스트가 적어짐.
• 여러 단계 작업이 조기 종료됨.
• Claude가 사용자에게 컨텍스트를 더 자주 요청함.
• 응답 속도는 빨라졌지만 조사는 줄어듦.

Anthropic은 이후 영향을 받은 사용자에 대해 더 높은 기본 설정을 복원했습니다. 하지만 그때까지 이 사건은 중요한 관점을 보여주었습니다: 모델 자체에 변화가 없더라도 노력 전략이 변경되면 모델이 "더 멍청해진" 것처럼 느껴질 수 있습니다.

모델은 두뇌를 바꾸고, 노력은 작업량을 바꾼다

Anthropic의 설명은 한 가지 실용적인 말로 요약할 수 있습니다:

모델은 두뇌를 바꿉니다. 노력 수준은 이 두뇌가 현재 작업에 얼마나 철저하게 작업하는지를 결정합니다.

모델 선택은 능력 상한선을 결정

모델은 고정된 훈련 가중치 집합으로 정의됩니다.

훈련이 완료되면 이러한 가중치는 모델의 일반 지식, 학습된 패턴, 추론 능력, 프로그래밍 경험 및 능력 범위를 결정합니다. 프롬프트, 저장소 파일, CLAUDE.md 및 컨텍스트 내의 문서는 모델을 안내할 수 있지만 이러한 가중치를 다시 작성할 수는 없습니다.

이는 모델 선택이 주로 다음 질문에 답한다는 것을 의미합니다:

이 모델이 이런 유형의 문제를 해결할 수 있는가?

특정 라이브러리가 모델 훈련 데이터 마감일 이후에 출시된 경우, 현재 세션에서 문서를 제공하여 모델이 사용하도록 할 수 있습니다. 하지만 이것이 모델에게 라이브러리를 영구적으로 가르치지는 않습니다. 관련 지식은 현재 컨텍스트 내에만 존재합니다.

동일한 제한은 모델이 존재하지 않는 API를 자신있게 지어낼 수 있는 이유도 설명합니다. 모델은 함수의 유효성을 보장하는 내부 데이터베이스를 쿼리하는 것이 아니라, 학습된 패턴에 따라 가장 가능성 있는 후속 내용을 생성하는 것입니다.

텍스트가 모델에 도달하는 방법

Claude가 코드나 텍스트를 처리하기 전에 입력은 토큰으로 분할됩니다.

예를 들어 다음과 같은 코드 줄:

const x = await fetch(...)

모델의 어휘 목록에서 토큰 ID로 변환됩니다. 모델은 인간처럼 문자를 읽는 것이 아니라 이러한 숫자 표현을 사용하여 처리합니다.

그런 다음 모델은 한 번에 하나의 토큰을 예측합니다. 각 토큰이 생성된 후 시퀀스는 다음 토큰을 예측하기 위해 다시 처리됩니다.

이 반복적인 생성 과정은 지연 시간과 비용의 주요 원인 중 하나입니다. 더 강력한 모델은 더 나은 예측을 생성할 수 있지만, 이것이 모델이 자동으로 모든 파일을 확인하고, 모든 테스트를 실행하며, 모든 긴 작업의 모든 단계를 지속적으로 완료한다는 것을 의미하지는 않습니다.

그리고 이러한 종류의 행동이 바로 노력이发挥作用하는 부분입니다.

노력이 제어하는 것은 생각 시간만이 아니다

많은 사용자가 높은 노력도를 "모델이 몇 초 더 생각하게 하는 것"으로 이해합니다.

이러한 이해는 불완전합니다.

Anthropic의 노력 매개변수는 모델이 전반적으로 토큰을 사용하고 작업을 수행하려는 의지에 영향을 미칩니다. 다음에 영향을 줄 수 있습니다:

• Claude가 얼마나 많은 파일을 읽을지
• 몇 개의 도구를 호출할지
• 테스트를 실행할지 여부
• 얼마나 많은 검증을 수행할지
• 편집 내용을 다시 확인할지 여부
• 다단계 작업에서 얼마나 깊이 지속할지
• 사용자에게 추가 정보를 얼마나 빨리 요청할지
• 얼마나 많은 확장 추론을 수행할지

낮은 노력도에서 Claude는 속도와 토큰 효율성을 위해 최적화됩니다. 가장 명백한 파일만 읽고, 좁은 범위의 수정을 한 후 빠르게 반환할 가능성이 높습니다.

높은 노력도에서 Claude는 주변 코드를 확인하고, 설정 파일을 읽고, 테스트를 실행하고, 결과를 검증하며, 작업이 더 완료될 때까지 지속할 가능성이 높습니다.

Anthropic 가이드의 차트는 설명적인 예시를 사용합니다:

• 낮은 투입 경로는 약 400 토큰을 사용할 수 있습니다.
• 높은 투입 경로는 약 2,800 토큰을 사용할 수 있습니다.

구체적인 배수는 고정된 규칙이 아닙니다. 투입은 엄격한 토큰 예산이 아닌 행동 신호입니다. 작업에 따라 소비 패턴이 다를 수 있습니다.

핵심은 추가 토큰이 숨겨진 추론에만 사용되는 것이 아니라는 점입니다. 파일 읽기, 도구 매개변수 생성, 검증 단계 실행, 더 완전한 응답 작성에도 사용될 수 있습니다.

높은 노력의 작은 모델이 낮은 노력의 큰 모델을 이길 수 있다

이는 언뜻 보기에 직관에 반하는 결과를 도출합니다:

충분한 컨텍스트와 높은 노력도를 가진 작은 모델은 얕은 처리만 허용된 큰 모델보다 더 나은 성능을 낼 수 있습니다.

두 명의 개발자를 상상해 보세요:

• 한 명은 강력한 만능가로, 오후 내내 저장소를 확인하고, 애플리케이션을 실행하고, 변경 사항을 테스트하고, 결과를 검증할 시간이 있습니다.
• 다른 한 명은 더 경험이 많은 전문가이지만, 5분만 주어져 몇 개의 파일만 확인할 수 있습니다.

전문가는 더 나은 직관을 가질 수 있지만, 만능가는 증거를 수집할 더 많은 기회를 가집니다.

이는 모델 능력과 노력 간의 차이와 유사합니다.

큰 모델은 더 높은 품질 상한선을 설정합니다. 더 높은 노력은 현재 작업에서 모델이 이 상한선을 향해 얼마나 멀리 이동할 의향이 있는지를 결정합니다.

이는 모델 크기가 중요하지 않다는 것을 의미하지 않습니다. 어떤 작업은 여전히 작은 모델의 능력 범위를 벗어나며, 노력도와 관계없습니다. 모델은 더 많은 토큰을 소비한다고 해서 부족한 능력을 보완할 수 없습니다.

이는 실제로 모델을 키우는 것이 항상 첫 번째 선택이나 가장 저렴한 해결책은 아니라는 것을 의미합니다.

Claude가 실패하는 이유는 작업을 해결할 수 없어서인가, 아니면 충분히 노력하지 않아서인가?

Anthropic의 가장 유용한 조언은 진단 프레임워크입니다.

Claude가 나쁜 결과를 생성할 때, 즉시 모델을 교체하지 마십시오. 먼저 실패 유형을 파악하십시오.

1단계: 입력 및 컨텍스트 확인

설정을 변경하기 전에 작업 자체를 검증하십시오.

질문:

1. 프롬프트가 명확합니까?
2. Claude에게 필요한 파일이 있습니까?
3. 올바른 도구를 사용할 수 있습니까?
4. CLAUDE.md가 정확합니까?
5. 작업 범위가 명확하게 구분되어 있습니까?
6. 중요한 제약 조건이 누락되었습니까?
7. Claude가 올바른 디렉토리나 저장소에서 작업하고 있습니까?

많은 문제가 모델의 문제처럼 보이지만 실제로는 컨텍스트의 문제입니다.

모델이 불완전한 요구사항, 오래된 지침, 또는 잘못된 파일을 받았다면, 더 높은 노력이나 더 큰 모델로도 문제를 안정적으로 해결할 수 없습니다.

2단계: 노력 부족 징후 찾기

다음과 같은 경우 문제는 노력 부족일 가능성이 높습니다:

• 관련 파일을 건너뛰었을 때
• 설정을 확인하지 않았을 때
• 사용 가능한 테스트 실행을 피했을 때
• 리팩토링 중에 멈췄을 때
• 한 번 편집하고 검증하지 않았을 때
• 기존 도구로 찾을 수 있는 정보를 물어볼 때
• 요청된 작업 흐름을 완료하기 전에 반환했을 때

이러한 경우 노력 수준을 높이십시오.

모델이 이미 충분한 능력을 가지고 있을 수 있습니다.

작업이 더 철저하게 완료되어야 한다는 더 강한 신호만 필요합니다.

3단계: 능력 한계 징후 찾기

다음과 같은 경우 문제는 모델 자체에 있을 가능성이 더 높습니다:

• Claude가 올바른 컨텍스트를 가지고 있을 때
• 관련 파일을 읽었을 때
• 예상된 확인을 수행했을 때
• 문제를 해결하기 위해 명백히 시도했을 때
• 여전히 잘못된 결론에 도달했을 때
• 작업을 다시 표현해도 도움이 되지 않을 때
• 노력을 늘린 후에도 더 길지만 여전히 잘못된 결과를 생성할 때

이러한 경우 더 강력한 모델로 전환하십시오.

더 높은 노력은 동일한 가중치가 더 많이 작용할 수 있는 공간을 제공하지만, 더 강한 능력 세트로 가중치를 대체하지는 않습니다.

Sonnet, Opus 및 Fable 중에서 선택하는 방법

구체적인 모델 구성과 기본 설정은 시간이 지남에 따라 변경되므로 항상 Anthropic의 최신 문서를 확인하십시오. 실용적인 선택 논리는 특정 모델 이름보다 더 오래 지속됩니다.

일반 작업에는 더 작거나 균형 잡힌 모델 사용

다음과 같은 작업에는 일반적으로 Sonnet과 같은 더 빠른 모델로 충분합니다:

• 좁은 범위의 편집
• 재포맷
• 직접적인 오류 수정
• 알려진 마이그레이션
• 반복적인 코드 업데이트
• 문서 변경
• 강력한 테스트가 있는 작업

작업이 여러 파일을 포함하거나 검증이 필요한 경우, 더 비싼 모델로 전환하기 전에 먼저 노력 수준을 높이십시오.

모호하거나 어려운 작업에는 더 큰 모델 사용

다음과 같은 경우 Opus와 같은 더 강력한 모델이 더 적합합니다:

• 근본 원인이 명확하지 않을 때
• 작업이 여러 시스템에 걸쳐 있을 때
• 요구사항이 충돌할 때
• 코드베이스에 익숙하지 않은 패턴이 포함될 때
• 아키텍처 판단이 필요할 때
• 솔루션이 저장소에 존재하지 않는 경험에 의존할 때

장점은 단순히 더 많은 토큰에 있는 것이 아닙니다. 더 큰 모델은 이미 더 강력한 패턴을 학습했을 수 있으며, 더 높은 능력 상한선을 가지고 있습니다.

가장 어려운 문제에는 최고 능력 모델 유지

원본 기사는 Fable을 다른 모델이 여전히 막혔을 때 호출해야 하는 전문가 모델로 설명합니다.

이러한 모델은 다음과 같은 작업에 가장 가치가 있습니다:

• 장기 에이전트 작업
• 복잡한 엔지니어링 진단
• 어려운 아키텍처 작업
• 높은 모호성을 가진 디버깅
• 다른 모델이 상당한 노력을 기울인 후에도 해결되지 않은 문제

최고 능력 모델은 가장 높은 토큰 비용도 가지므로, 추가 능력이 결과를 바꿀 수 있을 때만 사용하십시오.

실용적인 모델 및 노력 매트릭스

| 높음 |
| 요구사항이 명확한 대규모 리팩토링 | 균형 or 더 강한 모델 | 높음 or 매우 높음 |
| 아키텍처 실패가 명확하지 않음 | 더 강한 모델 | 높음 |
| 긴 자율 코딩 워크플로우 | 강력한 모델 | 매우 높음 or 최대 |
| 충분한 조사 후에도 반복적 실패 | 더 강력한 모델로 전환 | 검증을 위해 충분히 높게 유지 |

이는 출발점일 뿐이며, 고정된 법칙이 아닙니다.

최적의 설정은 다음에 따라 달라집니다:

• 저장소 크기
• 작업의 모호성
• 테스트 품질
• 도구 사용 가능성
• 비용 제한
• 지연 요구사항
• 검토 요구사항

노력 수준을 함부로 조정해서는 안 되는 이유

매 프롬프트마다 노력 수준을 계속 변경하면 비용과 지연 시간을 예측하기 어려워집니다.

Anthropic은 선택한 모델의 기본 노력 수준에서 시작한 후, 노력 수준을 더 광범위한 작업 선호도로 조정할 것을 권장합니다.

예:

• 빠른 질문과 많은 하위 작업에는 낮은 노력을 사용합니다.

• 일반 개발에는 중간 노력을 사용합니다.

• 어려운 코딩 및 에이전트 워크플로우에는 높은 노력을 사용합니다.

• 추가적인 주의가 필요한 경우에만 xhigh 또는 max를 사용합니다.

API 사용자의 경우, effort 매개변수는 표시 텍스트, 도구 호출, 도구 매개변수 및 확장 사고에 적용됩니다. 단일 숨겨진 추론 예산으로 제한되지 않습니다.

따라서 effort는 모델이 얼마나 많은 작업을 시도할지에 대한 직접적인 조작 제어 수단이 됩니다.

다중 에이전트 오케스트레이션과 Ultracode

원문에서는 Claude Code의 ultracode 모드도 언급합니다.

중요한 아이디어는 특정 긴 작업이 여러 에이전트 스레드의 이점을 받을 수 있다는 것입니다. 하나의 Claude 인스턴스가 대규모 작업의 모든 부분을 순차적으로 검사하도록 하는 대신, 조정자가 독립적인 작업을 전용 에이전트에 위임할 수 있습니다.

예시:

• 한 에이전트가 보안을 검토
• 한 에이전트가 테스트를 확인
• 한 에이전트가 문서를 읽음
• 한 에이전트가 변경 사항을 구현
• 조정자가 결과를 통합

Anthropic의 Managed Agents 문서는 에이전트가 독립적인 대화 기록을 가지고 병렬로 작업할 수 있는 다중 에이전트 세션을 설명합니다. 이는 작업 분해가 적절할 경우 적용 범위를 늘리고 완료 시간을 단축할 수 있습니다.

다중 에이전트 실행이 항상 더 나은 것은 아닙니다.

다음이 증가할 수 있습니다:

• 토큰 사용량
• 도구 호출 횟수
• 조정 오버헤드
• 중복 작업
• 검토 복잡성

단지 사용 가능하다는 이유만으로 사용하지 말고, 작업에 독립적인 워크플로우가 포함된 경우에만 사용하십시오.

모델 순위에서 에이전트 스케줄링으로

더 넓은 시사점은 AI 코딩이 모델 순위를 넘어서고 있다는 것입니다.

과거에는 워크플로우가 간단했습니다:

1. 사용 가능한 가장 강력한 모델을 선택합니다.
2. 작업을 보냅니다.
3. 결과를 수락하거나 거부합니다.

현대의 에이전트 코딩은 더 적극적인 스케줄링이 필요합니다.

팀은 다음을 사용할 수 있습니다:

• 간단한 변경에는 저비용 모델
• 저장소 범위 작업에는 높은 effort와 함께 균형 모델
• 아키텍처 및 진단에는 더 큰 모델
• 병렬 연구를 위한 여러 전용 에이전트
• 최종 결과 검증을 위한 결정론적 테스트

이는 검색창을 사용하는 것보다 기술 팀을 관리하는 것에 더 가깝습니다.

이 시스템을 운영하는 사람은 다음을 이해해야 합니다:

• 어떤 작업에 더 강력한 능력이 필요한지
• 어떤 작업에 더 많은 조사가 필요한지
• 어떤 작업을 병렬로 실행할 수 있는지
• 어떤 작업에 사람의 승인이 필요한지
• 예산이 소진되었을 때 어떤 작업을 중단해야 하는지

목표는 가장 많은 토큰을 소비하는 것이 아니라, 결과가 수락될 확률을 높이는 곳에 토큰을 사용하는 것입니다.

실용적인 문제 해결 체크리스트

Claude Code가 약한 결과를 생성할 때, 다음 순서로 문제를 해결하십시오:

1. 작업 확인: 요청이 구체적이고 테스트 가능합니까?
2. 컨텍스트 확인: Claude에게 올바른 파일과 지침이 있습니까?
3. 도구 확인: 작업에 필요한 내용을 읽고, 편집하고, 실행하고, 검증할 수 있습니까?
4. 행동 확인: 조사를 건너뛰거나 조기에 중단했습니까?
5. effort 높이기: 모델이 충분히 철저하게 작업하지 않을 때 effort를 높이십시오.
6. 능력 확인: 충분히 조사했지만 여전히 문제를 오해했습니까?
7. 모델 전환: 능력 한계가 문제일 때 더 강력한 모델로 전환하십시오.
8. 독립적 검증: 테스트를 실행하고, 차이점을 확인하며, 결과를 검토하십시오.
9. 수락된 작업당 비용 측정: 토큰당 가격만으로 판단하지 마십시오.
10. 반복 실패 기록: 이를 내부 평가 세트에 추가하십시오.

자주 묻는 질문

Claude Code에서 Model과 Effort의 차이점은 무엇인가요?

모델 선택은 기본 훈련 가중치를 변경하여 전체 능력 범위를 변경합니다. Effort는 Claude가 현재 작업에 얼마나 많은 작업(추론, 파일 읽기, 도구 호출, 테스트 및 검증 포함)을 투입하도록 권장되는지를 제어합니다.

더 많은 노력을 기울이면 소형 모델이 대형 모델을 능가할 수 있나요?

일부 작업에서는 그렇습니다. 충분한 컨텍스트와 높은 노력 수준을 가진 소형 모델은 낮은 노력 수준의 대형 모델보다 더 깊이 조사할 수 있습니다. 그러나 노력은 실제 능력 한계를 넘어설 수 없습니다.

Claude Code가 때때로 테스트나 파일을 건너뛰는 이유는 무엇인가요?

Claude가 낮은 노력 수준으로 실행 중이거나, 작업 범위가 명확하게 정의되지 않았거나, 필요한 도구와 컨텍스트가 부족할 수 있습니다. 먼저 프롬프트와 저장소 지침을 확인하고, 사용 가능한 검증을 완료하기 전에 Claude가 중단되면 노력 수준을 높이십시오.

언제 더 강력한 Claude 모델로 전환해야 하나요?

Claude가 올바른 컨텍스트를 가지고 있고, 작업을 명확하게 조사했으며, 관련 검사를 실행했지만 여전히 잘못된 결론에 도달했을 때 모델을 전환하십시오. 작업을 건너뛰는 것이라면, 일반적으로 노력 수준을 높이는 것이 더 나은 우선 순위 단계입니다.

노력 수준은 토큰 예산과 동일한가요?

아닙니다. Anthropic은 노력을 엄격한 토큰 제한이 아닌 행동 신호로 설명합니다. 이는 Claude가 응답, 도구 호출, 함수 매개변수 및 확장 사고에 토큰을 투입하려는 의지에 영향을 미칩니다.

코딩 시 어떤 노력 수준을 사용해야 하나요?

일상적인 작업에는 기본 또는 중간 노력 수준, 어려운 코딩 및 에이전트 작업에는 높은 노력 수준, 장기 실행 또는 특히 까다로운 워크플로우에는 매우 높음 또는 최대 노력 수준을 사용하십시오. 자신의 작업에 따라 비용과 지연 시간을 재평가하십시오.

Claude Code에서 ultracode란 무엇인가요?

원문은 ultracode를 Claude Code의 고강도 모드로 설명하며, 매우 높은 노력 수준을 결합하고 필요할 경우 여러 에이전트의 조정을 허용합니다. 제품 동작은 변경될 수 있으므로 특정 구현에 의존하기 전에 현재 Claude Code 문서를 확인하십시오.

노력 수준을 변경하면 Claude가 영구적으로 훈련되나요?

아니요. 노력 수준은 요청 또는 세션의 행동만 변경합니다. 모델 가중치를 업데이트하거나 Claude에게 영구적으로 새로운 것을 가르치지 않습니다.

관련 도구

• Claude Code: 저장소 읽기, 파일 편집, 명령 실행 및 소프트웨어 작업 완료를 위한 Anthropic의 에이전트 코딩 도구.
• Claude Platform: Claude 모델 및 API 사용을 위한 Anthropic의 공식 개발자 플랫폼.
• Claude Managed Agents: 샌드박스, 도구, 세션 및 다중 에이전트 오케스트레이션을 포함한 관리형 에이전트 툴킷.
• Model Context Protocol: AI 애플리케이션을 외부 도구 및 데이터 소스에 연결하기 위한 오픈소스 프로토콜.
• GitHub: 저장소, 이슈, 코드 검토 및 풀 리퀘스트 관리를 위해 Claude Code와 함께 자주 사용되는 소스 코드 플랫폼.
• Claude Agent Skills: 특정 작업 워크플로우 및 리소스를 통해 Claude의 기능을 확장하는 재사용 가능한 명령어 패키지.

관련 링크

• Claude 모델 선택 방법

• 모델과 노력 수준: Anthropic의 Claude Code 내 모델 선택 및 노력 수준에 관한 공식 설명입니다.

• Claude 노력 수준 문서: 노력 수준, 지원 모델 및 API 동작에 관한 공식 문서입니다.

• 올바른 Claude 모델 선택 방법: Anthropic의 성능, 비용 및 작업 유형별 모델 선택 가이드입니다.

• Claude Code 변경 로그: Claude Code 변경 사항 및 기본 설정에 관한 공식 릴리스 기록입니다.

• Claude 관리형 에이전트 멀티에이전트 세션: 여러 Claude 에이전트를 조정하는 방법에 관한 공식 문서입니다.

• 오케스트레이션 패턴 구축: 높은 노력과 멀티에이전트 오케스트레이션을 결합한 사용 가이드입니다.

• Claude Code GitHub 저장소: Claude Code의 공식 소스 코드 저장소, 이슈 트래커 및 변경 로그입니다.

요약

기본 모델이 변경되지 않았더라도 Claude Code의 성능이 저하된 것처럼 느껴질 수 있습니다. 원인은 낮은 노력 설정, 불완전한 컨텍스트, 도구 부족 또는 작업 범위의 모호함일 수 있습니다.

모델 선택은 성능의 상한선을 결정합니다. 노력은 Claude가 파일 읽기, 도구 호출, 테스트 실행 및 작업 검증을 통해 해당 성능을 얼마나 충분히 활용할지를 결정합니다.

먼저 입력을 수정하는 것부터 시작하세요. Claude가 가능한 작업을 생략할 때 노력 수준을 높이세요. 작업을 충분히 탐색했음에도 여전히 해결하지 못할 경우 모델을 전환하세요.

최적의 Claude Code 구성은 항상 가장 큰 모델이 아니라, 충분한 노력, 컨텍스트, 도구 및 작업 검증이 수반된 올바른 모델입니다.