איך לבחור מודל ורמת מאמץ ב-Claude Code

כלים כמו Claude Code מציעים לכם שתי הגדרות שנראות טכניות אבל משפיעות ישירות על התוצאות שאתם מקבלים, על מהירות העבודה ועל העלות שלה: איזה "מודל" לבחור, ובאיזו "רמת מאמץ". הרבה משתמשים משנים את ההגדרות האלה בניסוי וטעייה, בלי להבין באמת מה כל אחת מהן עושה - וכתוצאה מכך משלמים יותר ממה שצריך, או לא מקבלים את התוצאה שציפו לה. במדריך הזה נסביר בשפה פשוטה, בלי רקע טכני נדרש, מה ההבדל בין שתי ההגדרות, איך הן משפיעות על העבודה בפועל, ואיך לבחור נכון בהתאם לסוג המשימה שלפניכם - כדי שתוכלו לקבל תוצאות טובות יותר, בפחות זמן ובפחות עלות.

שני כפתורים, שתי החלטות שונות

ב-Claude Code (ובקלוד בכלל) יש שתי הגדרות שנראות דומות אבל עושות דברים שונים לגמרי: איזה מודל להשתמש בו, ובאיזו רמת מאמץ. הבנת ההבדל ביניהן יכולה לחסוך לכם זמן וכסף, ולתת לכם תוצאות טובות יותר.

מה זה בעצם "מודל"?

תחשבו על מודל כמו על מומחה עם רמת ידע וכישורים קבועה מראש. כשהמודל "מתאמן", הוא סופג כמות עצומה של ידע והופך למעין "מוח" קפוא - הידע שבו לא משתנה יותר. כשאתם שולחים הודעה, אתם לא מלמדים את המודל משהו חדש, אתם רק "מכוונים" אותו להשתמש בידע שכבר יש לו בצורה הרלוונטית לבקשה שלכם.

זו הסיבה שאם תיתנו למודל תיעוד על ספרייה חדשה שהוא לא מכיר, הוא יוכל להשתמש בזה לצורך המשימה הנוכחית - אבל הוא "ישכח" את זה ברגע שהשיחה תסתיים. זה נקרא לתת לו הקשר (context), לא ללמד אותו.

מודלים ״גדולים״ יותר (כמו Opus) הם בדרך כלל יותר "חכמים" ומסוגלים להתמודד עם בעיות מורכבות ולא ברורות. מודלים ״קטנים״ יותר (כמו Sonnet) שנחשב לג׳נרליסט יותר מאשר מומחה, הם מצוינים למשימות שגרתיות ופשוטות יותר, ועולים פחות.

מה זה "רמת מאמץ"?

כאן ההפתעה: רמת מאמץ היא לא רק "כמה זמן המודל חושב". היא קובעת כמה עבודה בסך הכול המודל עושה על המשימה: כמה קבצים הוא קורא, כמה הוא בודק ומאמת את העבודה שלו, וכמה הוא ממשיך לבד לפני שהוא חוזר אליכם לשאול שאלה. ברמת מאמץ גבוהה, המודל יקרא יותר קבצים, יבדוק דברים בעצמו ויתקדם יותר לפני שהוא פונה אליכם. ברמת מאמץ נמוכה, הוא יעדיף לשאול אתכם שאלות ולקבל הכוונה במקום "לבזבז" משאבים על ניסיון להבין דברים בכוחות עצמו.

משימה קונקרטית אחת בשני מסלולים | Anthropic

מתי לבחור מה?

ברוב המקרים כדאי להשאיר את ברירת המחדל (default) ולא להתעסק עם הכפתורים בכל משימה. במקום זאת, כדאי לחשוב על ההגדרות כהעדפה כללית, לפי סוג העבודה שאתם עושים בדרך כלל - לא להחליט מחדש בכל פעם. כשמשהו לא הצליח, תשאלו את עצמכם שאלה אחת פשוטה: "המודל לא ניסה מספיק, או שהוא פשוט לא ידע מספיק?"

איך בוחרים נכון? | Anthropic

אם התשובה היא "לא ידע מספיק" - כלומר, נתתם לו את כל המידע הדרוש, הוא באמת ניסה, ועדיין טעה - הפתרון הוא לעבור למודל גדול יותר. זה מתאים לבאגים עמומים, תחומים לא מוכרים, או החלטות ארכיטקטורה מורכבות.

אם התשובה היא "לא ניסה מספיק" - כלומר הוא דילג על קובץ, לא הריץ בדיקות, או עזב משימה בחצי הדרך - הפתרון הוא להעלות את רמת המאמץ, לא להחליף מודל.

דוגמה שעוזרת להבין

בואו נשתמש במטאפורה נחמדה: תארו לעצמכם שלושה אנשי מקצוע - מומחה-על עם ניסיון נדיר (המודל הגדול ביותר), מומחה טוב (מודל בינוני), ואיש כללי מוכשר (מודל קטן וזול). רמת המאמץ היא כמה זמן אתם נותנים לכל אחד מהם לעבוד על הבעיה שלכם.

מומחה-על שמקבל רק חמש דקות עדיין יכול לזהות דבר שאף אחד אחר לא היה שם לב אליו, בגלל הניסיון העצום שלו - אבל הוא לא יקרא את כל הקוד שלכם בעיון. לעומת זאת, איש כללי מוכשר שמקבל אחר צהריים שלם יקרא הכול, יבדוק הכול, ויבין את הקוד הספציפי שלכם לעומק - אבל בלי אותה "תחושת בטן" שמגיעה מניסיון של פתרון בעיות דומות בעבר.

אף שילוב לא "הכי טוב" באופן מוחלט - זה תלוי במשימה שלפניכם.

חיסכון בעלויות

מודלים גדולים יותר עולים יותר לכל "יחידת עבודה" (טוקן). לכן, למשימות שגרתיות, מודל קטן ברמת מאמץ מתאימה יכול להגיע לתוצאה זהה בעלות נמוכה משמעותית. אבל למשימות מורכבות ומרובות-שלבים, מודל קטן עלול "להתאמץ" הרבה ועדיין לא להגיע לרמת האיכות שמודל גדול משיג במספר צעדים קטן יותר - כך שבפועל העלות הכוללת של המודל הגדול יכולה לצאת דווקא זולה יותר, ובמקרים מסוימים המודל הקטן בכלל לא מגיע לפתרון.

משימה פשוטה מול משימה מורכבת | Anthropic

במשימה פשוטה (משמאל), מודל קטן וגדול מגיעים לתוצאה דומה - ואין סיבה לשלם יותר. במשימה מורכבת (מימין), הפער נפתח: המודל הגדול מגיע לאיכות גבוהה יותר, ורמת המאמץ קובעת כמה רחוק כל מודל 'מוכן ללכת' על הדרך לשם.

שני כללים לזכור

כשמשהו לא עבד כמו שציפיתם: תחילה בדקו אם סיפקתם הקשר מספיק ברור (הוראות, קבצים רלוונטיים). אם כן וזה עדיין נכשל, שאלו אם זו הייתה בעיית ידע (עברו למודל גדול יותר) או בעיית מאמץ (העלו את רמת המאמץ). ומעבר לזה - פשוט תתחילו מברירת המחדל, ותתאימו רק כשיש לכם באמת סיבה טובה לכך.