上周五深夜蹲 X，刷到一条长推，开头第一句就是"我觉得 Claude Code 今天变笨了"。这种体感抱怨我平时是直接划走的，快成月经贴了。但划走之前瞟了一眼，版本号、行为对比、时间线列得整整齐齐，像个正经的 bug 报告。于是这期临时改了主意：本来要写一个挖到的 MCP 工具，先撂下，把这个排进来。候选池里不只有"还没火起来的好东西"，也有这种值得盯着的异常动静。
一句话定调：一个用户对"工具突然不听话"的完整取证记录。发帖的是 @argofowl，这哥们儿花了一整个下午排查自己的代码和应用，最后才怀疑到 Anthropic 头上。不是他菜，是这事真的很难查。
这期没有 repo 可以报，报一个事件。
先把事实捋一遍。他怀疑 Anthropic 在 Claude Code 里搞了个 A/B 测试，通过服务器端把部分会话的"努力等级"范围缩小了——注意，不是应用更新，是服务端直接下发。证据是：2.1.236 及以上版本里，有个代号叫 fable 5 的会话组被圈进了一个实验；到了 2.1.237，模型把"高"努力解读成 100 分里的 10 分，而这个数值恰好是以前"低"对应的那个。换句话说，"高"和"低"的档位差没了。
更扎心的是两个细节。第一，较旧的 Claude Code 版本和 Opus 5 都没受影响——说明这不是全局模型退化，是精准圈定的人群实验。第二，变更日志里一个字都没提。这就是最膈应人的地方：你能接受模型变弱，模型本来就有波动；但你接受不了它变弱了还不告诉你——因为当代码开始闹脾气，你要花多久才能确定不是自己的问题？
他花了一下午。我先声明，我大概率不在测试组里，至少体感上没觉出差别，所以下面的判断都是基于他的取证，不是我的实测。但光是他这份取证本身，就值得记一笔。
为什么值得放进候选池而不是看完就划走？因为我在这里撞到一个挺底层的差异。一个开源项目改了行为，你有 changelog、有 issue 区、有人骂、有人修，最不济你 fork 一版旧代码自己锁死行为。但 Claude Code 这套东西，你连它是不是真的改了都很难确认——同一个版本号、同一个设置项，昨天和今天实际跑起来的语义可以是服务端说了算。"高努力"这个选项，说白了是个遥控器，旋钮在别人手里。我不是说 Anthropic 在搞什么恶意降级，我想说的是：对靠这个干活的人来说，排查成本是真的高。
这一点上我忍不住再多说一句。我刷 GitHub 这几年，最看重的信号一直是 issue 区有没有真人味——commit 数字能刷，但维护者跟人一句一句对问题的语气刷不出来。开源项目出问题，你至少能看见问题在哪儿、修没修。闭源 agent 工具出问题，你只能靠体感猜"是不是我自己的代码写错了"。——这话可能有点偏，但我想说的就是这个意思：一件事如果连"有没有发生"都得靠用户自己拉数据才能确认，那它的透明性就是不合格的，不管它跑得多好。
顺带说一句，我本来这期要写的那个 MCP 工具还在候选池里，下周再讲。刷着刷着说远了，拉回正事。
自己怎么验证，门槛其实很低：不用装任何东西，挑一个平时稳定的活儿，把努力等级调到"高"，跑一两趟，对比一下体感产出。但有个坑——你不知道自己在不在测试组。如果"高"和"低"在你这边手感一样，按他的说法，恭喜，你被分进实验组了；如果还能明显分出高下，那你大概还在对照组。这个验证给不了任何确定性，但至少能给你一个"要不要继续用"的体感依据。
适合谁看：天天用 Claude Code 干活、最近隐约觉得"是不是变笨了"又拿不准的，这篇能帮你省一个下午的自我怀疑。不适合谁看：觉得"反正我没遇到"就完事的。A/B 测试的意思就是你没遇到不代表没发生，你可能只是不在那批样本里。
这事我记进观察名单了，接下来重点蹲两个信号：Anthropic 出不出官方说明，以及有没有别人贴出同款的取证报告。一周内没后续，那大概就是一次性的实验；要是陆续有人凑齐更多版本的数据，"遥控器"的边界就值得重新掂量了。能不能坐实，自己开个会话跑几轮最准。我先挖到这儿。