在 Anthropic 的技術邏輯裡，Claude 始終試圖維持一種「高知書生」的體面，但在處理大規模工程代碼時，這種體面正演變成一種昂貴的遲鈍。最近關於 Claude Code 使用效率的爭議，本質上是大模型在處理長上下文時，對於「相關性」與「冗餘性」判斷失準的技術崩潰。開發者們發現，當你試圖讓它接管一個複雜的專案目錄時，它那令人稱道的推理能力，往往會被那種恨不得翻遍所有父目錄、強行 Grep 每一行註釋的過度檢索熱情所拖累。這就像請了一位博古通今的學者來修水管，他卻非要從羅馬時代的供水系統開始考據，最後不僅效率低下，還得讓你為他的博學支付高昂的 Token 帳單。
最令資深工程師感到困擾的，莫過於 Claude 在緩存寫入機制上的黑盒操作。即便 Anthropic 提供了緩存生存時間（TTL）設置，但在實際的 CLI 交互中，緩存重寫的邏輯往往充滿了隨機性。明明沒有更換模型參數，也沒有變更工具調用，僅僅是一個微小的指令追問，就可能觸發數十萬 Token 的全量重寫。這種在上下文窗口邊緣反覆橫跳的行為，讓所謂的「提示詞緩存」看起來更像是一種誘導用戶放鬆警惕的消費陷阱。開發者在 400K Token 的壓力下戰戰兢兢，而模型卻在後台漫無目的地掃描著無關緊要的依賴庫，這種對上下文權重的分配失衡，正是目前 Claude Code 難以成為真正生產力工具的技術死穴。
在這種技術環境下，開發者被要求頻繁地使用 /clear 命令來重置上下文，這無疑是對「AGI 幻夢」的一記響亮耳光。我們追求的是能夠理解全局邏輯的智能體，結果得到的卻是一個需要每隔十分鐘就清空大腦、否則就會陷入邏輯混亂的健忘症患者。這種手動管理內存的原始感，讓人聯想到手動清理內存條的撥號時代。當官方文檔建議你「在不同任務間切換時清空上下文」以節省成本，這其實是在承認，當前的模型架構尚無法在廣袤的代碼海洋中，精確地過濾掉那些噪音信號。
相較於 DeepSeek 最近在上下文處理效率上的激進嘗試，Claude 的做法顯然更傾向於一種保守的「過度理解」。在四大平台中，ChatGPT 目前在代碼解釋器的穩定性上仍佔據優勢，它的 Context 管理雖然也偶有翻車，但至少在緩存命中的可預測性上，比現在的 Claude Code 要透明許多。Gemini 雖然標榜百萬級上下文，但在面對深層目錄結構的檢索精度時，其注意力衰減的速度甚至比 Claude 還要驚人。至於 Grok，雖然反應迅速，但在處理複雜的工程邏輯依賴時，往往顯得缺乏深度。這是一個有趣的現象：在 DeepSeek 引發的低成本推理潮流面前，Claude 似乎陷進了一種「高級感」的泥淖，它試圖通過讀取更多的代碼來展現智能，卻在 Token 的計費器跳動聲中，讓用戶逐漸失去了對那種細膩推理的耐心。
我們是否已經進入了一個「過度工程化」的 AI 使用階段？當一個工具需要用戶去精讀幾千字的「價值最大化指南」，並時刻警惕著後台緩存是否被意外刷新的時候，這究竟是工具在服務人，還是人在適應工具的缺陷？如果我們必須通過手動限制 AI 的視野來確保它的精確度，那麼那個曾經被許諾的、能自動重構萬行代碼的未來，究竟是還沒到來，還是已經在這些瑣碎的緩存重寫中，被拆解成了一地雞毛？