Effort

effortパラメータを使用すると、リクエストに応答する際にClaudeがトークンを使用することにどの程度積極的であるかを制御できます。これにより、単一のモデルで応答の詳細さとトークン効率のバランスを取ることができます。

effortの仕組み

デフォルトでは、Claudeは最大限の努力を使用します。つまり、最良の結果を得るために必要なだけのトークンを使用します。effortレベルを下げることで、Claudeにトークン使用をより慎重にするよう指示し、速度とコストを最適化しながら、機能の低下を受け入れることができます。

effortパラメータは、以下を含むすべてのトークンに影響します：

• テキスト応答と説明
• ツール呼び出しと関数の引数
• 拡張思考（有効な場合）

このアプローチには2つの大きな利点があります：

1. 使用するために思考を有効にする必要がありません。
2. ツール呼び出しを含むすべてのトークン支出に影響を与えることができます。たとえば、低いeffortはClaudeがより少ないツール呼び出しを行うことを意味します。これにより、効率性をより細かく制御できます。

Effortレベル

基本的な使用方法

import anthropic

client = anthropic.Anthropic()

response = client.beta.messages.create(
    model="claude-opus-4-5-20251101",
    betas=["effort-2025-11-24"],
    max_tokens=4096,
    messages=[{
        "role": "user",
        "content": "Analyze the trade-offs between microservices and monolithic architectures"
    }],
    output_config={
        "effort": "medium"
    }
)

print(response.content[0].text)

effortパラメータをいつ調整すべきですか？

• 高いeffort（デフォルト）を使用するのは、Claudeの最高の仕事が必要な場合です。複雑な推論、微妙な分析、難しいコーディング問題、または品質が最優先事項であるあらゆるタスク。
• 中程度のeffortをバランスの取れたオプションとして使用します。高いeffortの完全なトークン支出なしで、堅実なパフォーマンスが必要な場合。
• 低いeffortを使用するのは、速度（Claudeがより少ないトークンで応答するため）またはコストを最適化している場合です。たとえば、単純な分類タスク、クイックルックアップ、または限界的な品質改善が追加のレイテンシーまたは支出を正当化しない大量使用ケース。

ツール使用時のeffort

ツールを使用する場合、effortパラメータはツール呼び出しの周囲の説明とツール呼び出し自体の両方に影響します。低いeffortレベルは傾向として：

• 複数の操作をより少ないツール呼び出しに組み合わせる
• より少ないツール呼び出しを行う
• 前置きなしに直接アクションに進む
• 完了後に簡潔な確認メッセージを使用する

高いeffortレベルは以下を行う可能性があります：

• より多くのツール呼び出しを行う
• アクションを取る前に計画を説明する
• 変更の詳細な要約を提供する
• より包括的なコードコメントを含める

拡張思考を使用したeffort

effortパラメータは、拡張思考が有効な場合、思考トークン予算と一緒に機能します。これら2つのコントロールは異なる目的を果たします：

• Effortパラメータ：思考トークン、テキスト応答、ツール呼び出しを含むすべてのトークンをClaudeがどのように使用するかを制御します
• 思考トークン予算：特に思考トークンの最大制限を設定します

effortパラメータは、拡張思考が有効であるかどうかに関わらず使用できます。両方が構成されている場合：

1. まずタスクに適切なeffortレベルを決定します
2. 次に、タスクの複雑さに基づいて思考トークン予算を設定します

複雑な推論タスクで最高のパフォーマンスを得るには、高いeffort（デフォルト）と高い思考トークン予算を使用します。これにより、Claudeは徹底的に考え、包括的な応答を提供できます。

ベストプラクティス

1. 高いeffortから始める：パフォーマンスをトークン効率と引き換えにするために、低いeffortレベルを使用します。
2. 速度に敏感なタスクまたは単純なタスクに低いeffortを使用する：レイテンシーが重要な場合またはタスクが単純な場合、低いeffortは応答時間とコストを大幅に削減できます。
3. ユースケースをテストする：effortレベルの影響はタスクタイプによって異なります。デプロイする前に、特定のユースケースでパフォーマンスを評価します。
4. 動的effortを検討する：タスクの複雑さに基づいてeffortを調整します。単純なクエリは低いeffortを保証する可能性がありますが、エージェント的なコーディングと複雑な推論は高いeffortから利益を得ます。