Claudeの thinking effort(Effort Level・思考レバー)は、モデルが1回の回答に費やす思考量をLow〜Maxの5段階で決める設定だ。Anthropicの応用AIリサーチチームのAlexander Brickenが、2025年の「Code w/ Claude」の21分のセッション「The thinking lever」で設計思想を解説している。本記事はその発言と実演データを日本語で整理する。

FIVE LEVELS5段階の思考量

thinking effort はオンオフでなく5段階で決める

  1. Low

    最速

    分類・要約・データ抽出。レイテンシ重視

    知性不要

  2. Medium

    バランス

    知性と速度の両立が要るとき

  3. High

    多くのタスク

    xHighより速く、知性も確保

  4. xHigh

    既定

    Claude Code と Claude.ai の標準設定

    迷ったらここ

  5. Max

    最難関

    数学証明・複雑なデバッグ・長時間エージェント

出典: Alexander Bricken「The thinking lever」(Code w/ Claude, Anthropic)

30秒でわかるthinking effort

  • ・何ができる:同じモデルが答えを出すまでに使う「考える量」を5段階で選べる。
  • ・何を解決する:オンオフだけでは「少しだけ考えてほしい」が表せず、簡単な質問にも最大予算を使ってしまう問題。
  • ・何を代替する:thinkingを切って速度を稼ぐ従来のtoggle運用。切ると能力ごと消えるので、量はeffortで下げる。
  • ・迷ったら:Claude CodeとClaude.aiの既定と同じxHighから始める。

Claude Code全体の設計は ハーネスエンジニアリング完全解説 と、ピラー記事の Claude Code|2026年版・インストールからCLAUDE.md・Hooks・本番運用までの実装手引き にある。

thinking effortとは|Claudeの考える量を決める5段階の設定

thinking effortは、Claudeが1回の回答に使う推論トークンの量を指定する設定だ。上げるほど難しい問題に強くなり、消費トークンと待ち時間が増える。Claude CodeとClaude.aiの既定値はxHighである。

・モデルそのものは変わらない。同じモデルの「考える予算」だけが変わる
・分類・要約のように知性をあまり要さないタスクはLowで足りる。数学証明や長時間エージェントはMaxが効く
・上げ続ければ良いわけではない。xHigh→Maxの性能向上は他の段階より小さく、トークンは約2倍以上になる(逓減する限界効用)

Opus 4.7のエージェントコーディング性能とeffort levelの関係。xHighからMaxの伸びは小さい
Opus 4.7のエージェントコーディングベンチマーク。トークン消費が増えるほど性能は上がるが、xHigh→Maxの伸びは小さい。

Evalsを持っていないなら、まずxHighから始めるのがAnthropic側の推奨だ。コストやレイテンシが問題になってから、HighやMediumへ下げて性能が許容範囲に収まるかを測る。

thinking effortの仕組み|Test-time computeとAdaptive Thinking

性能を上げる2つの軸

AIの性能向上には2つの軸がある。Train-time computeは学習に投じる計算量で、Test-time computeは質問に答える推論時に使うトークン量だ。「大きいモデルで答える」と「長く考えてから答える」は、別の軸で同じ種類の性能を買っている。

Brickenが示したエージェントコーディングのグラフでは、モデルサイズ軸(Haiku→Sonnet→Opus)とトークン消費軸(同一モデル・対数軸)のどちらも、最大値が同じスコア帯に収束していた。GPQA Diamond、SWE-bench、OSWorld、Humanity’s Last Examでも「思考に使うトークンが多いほど精度が上がる」傾向が確認されているという。effort levelは速度つまみではなく、実質的な知能の調整レバーだ。

Test-time computeの使い道は3つある。

形態 役割
Thinking(思考) 回答前のスクラッチパッド。候補の検討、矛盾の発見、戦略立案
Tool calling ウェブ検索、MCP、ファイル操作など外界とのやりとり
Text ユーザーへの回答

effortが主に調整するのは思考の量だ。ツール呼び出しとテキストの量は問題の性質で決まる。

Interleavedから Adaptiveへ

思考の入れ方は3世代で変わってきた。

・第1世代(バッチ思考):最初にまとめて考え、全ツールを実行してから答える。「試す→考える」の往復ができない
・第2世代(Interleaved Thinking):各ツール呼び出しの後に必ず思考ブロックを挟む。Brickenはテニスで打ち返しながら次の戦略を考える動きにたとえた
・第3世代(Adaptive Thinking):考える・ツールを呼ぶ・出力する、そもそも考えない、の判断までClaudeが行う

ADAPTIVE THINKING思考の順序はモデルが決める

Adaptive Thinking は考える・調べる・答えるの順をClaudeに任せる

  1. Thinking

    最新情報が要ると判断

  2. Tool call

    Web検索を実行

  3. Thinking

    結果を見て追加調査を判断

  4. Tool call

    別のクエリで再検索

  5. Text

    十分と判断して回答

出典: 「The thinking lever」のライブデモ(Code w/ Claude)

Adaptive Thinkingは、質問を分類器で判定して思考量を変える方式ではない。Claudeが「思考ツール」を持ち、必要なときに使う設計だ。Brickenは、検索ツールを渡すとき「必ず検索しろ」とも「検索するな」とも言わず使いどころを任せるのと同じだと説明した。Anthropicはすべてのベンチマークをこの方式で測り、Interleavedよりパレート効率的(同じトークンでより高いスコア)だと確認している。

thinking effortの違いを実演で比較|Low・High・Maxの出力差

Brickenは「一方通行の道路に信号機がある、リアルな交通シミュレーションを作れ」という同一プロンプトを、Opus 4.7のLow・High・Maxで実行して見せた。

Claude Opus 4.7 Max effortで生成した、夜景の都市と信号機のあるトラフィックシミュレーション
Max effort。593.1秒・出力52,893トークンで、夜景の都市と道路にオーバーハングした信号機まで描かれた。
  Low High Max
処理時間 50.1秒 Lowの約2倍 593.1秒
出力トークン 4,602 Lowの約2倍 52,893
信号機の位置 道路の中央(不自然) 道路脇(上下が逆) 道路上部・正確
車 乗用車のみ トラックも登場 複数車種・リアル
運転の挙動 基本動作 周囲に反応して加減速 複雑なやりとり

Maxの出力トークンはLowの約11倍。Highでは、プロンプトにない「ドライバーの知性」をClaudeが自発的に実装した。一方、Lowでも動くものは作れている。差が出たのは、物理的に正確なシミュレーションという高い知性を要する課題だったからだ。単純なCRUDや定型フォーマットへの変換なら、Lowで足りる場面が多い。

thinking effortの選び方|5段階の使い分けとモデルサイズの組み合わせ

段階ごとの使い分け

Effort Level 向いている用途 トークン消費
Max 最難関(数学証明、複雑なデバッグ、長時間エージェント) 最大(xHighの約2倍以上)
xHigh 既定。Claude Code・Claude.aiの標準 高い
High 知性が要るほとんどのタスク。xHighより速い 中高
Medium 知性と速度のバランス 中
Low 分類・要約・データ抽出、レイテンシ重視 少ない

選ぶ順序はBrickenの推奨どおり、評価セットがあれば全段階を測り、なければxHighから始める。

HOW TO CHOOSE選ぶ順序

まずxHighで始め、測ってから下げる

  1. 1.評価セットがあれば全段階を測る

    性能とコストのグラフを引き、伸びが鈍る点を最適値にする

  2. 2.なければ xHigh から始める

    Claude Code・Claude.ai と同じ既定

  3. 3.コストや待ち時間が重いときだけ High・Medium を試す

    性能が許容範囲に収まるかを測る

  4. 4.Low は知性が要らないタスクに限る

    分類・抽出・リアルタイム補完

出典: 「The thinking lever」で示された意思決定フロー

Brickenはセッションで繰り返し「Extra highは私たちがClaude Code・Claude.aiで設定したデフォルトで、知性・速度・トークン数のなかで最もパレート効率的な水準だ」と述べた。

小さいモデル+高effortか、大きいモデル+低effortか

Opus 4.7 Lowは50.1秒・4,602トークンで動くシミュレーションを出した。Haiku 4.5は24.1秒・4,413トークンで、Brickenは「あれが車なのかわからない」レベルだと評した。思考を増やしても、モデルの知識と推論力の上限は超えられない。知性が要るタスクは大きいモデルが勝つ。

ユースケース 推奨モデル 推奨Effort
複雑なコード生成・デバッグ、複雑な推論・分析 Opus 4.7 High〜xHigh
汎用タスク(知性要求あり) Sonnet 4.6 / Opus 4.7 High
分類・タグ付け、単純な要約 Haiku 4.5 Low〜Medium
データ抽出・変換、リアルタイム補完 Haiku 4.5 Low

現実的には、xHighのOpusから始め、コストが問題になったらモデルを下げるかeffortを下げるかを測る順序になる。

例外:Low effortが創造的な解を生んだClaude Plays Pokémon

Brickenが「お気に入りのeval」と紹介したClaude Plays Pokémonは、Opus 4.7にゲームボーイのボタン操作ツールと画面のビジョンアクセスを与え、ポケモン赤のエリートフォーを倒させるものだ。Low effortでは、Claudeは虫除けスプレーで野生ポケモンとの遭遇を避け、ポーションでHPを管理してポケモンセンターに戻る回数を減らし、逃走とエスケープロープも使った。ゲームを正面突破せず迂回する戦略だ。

Brickenの見立ては、思考を制約すると「正解への強引な突進」が起きず、制約がなければ出てこない別の解法に落ち着くことがある、というものだ。全ユースケースに当てはまる話ではない。通常と違うアプローチを試したい場面で、意図的にLowを実験する価値がある、という位置づけだ。

thinking effortをAPIで設定する|toggleをオフにしてはいけない理由

Brickenが示した3原則のスライド。thinkingを有効にしてeffortで調整、Evalsで最適点を探す、迷ったらxhigh
Brickenの3原則。1. Enable thinking and tune efforts + budgets / 2. Use evals to find your ideal balance / 3. When in doubt, go with xhigh

thinking toggleは「能力の削除」

かつては「extended thinking=賢い、オフ=速い」と考えられていた。Brickenはこれを誤りだと明言した。thinkingをオフにするのは考える量を減らす操作ではなく、Thinking・Tool calling・Textの3能力のうち思考を丸ごと取り除く操作だ。検索の多い回答と少ない回答の両方を求めるとき、ツールを外さずにeffortや指示で調整するのと同じ理屈になる。

Anthropicの推奨は3つ。

・Thinkingは常に有効にしておく
・思考量はeffort levelとbudgetで制御する
・思考ブロックを挟むかどうかはモデルの判断に任せる

APIの基本形(未検証)

SDKのバージョンは pip show anthropic で確認できる。以下はセッションの内容を基にした基本形で、実行検証はしていない(未検証)。パラメータは公式の Extended thinking documentation で現行仕様と突き合わせてほしい。

import anthropic

client = anthropic.Anthropic()
response = client.messages.create(
    model="claude-opus-4-7",
    max_tokens=16000,
    thinking={"type": "enabled", "budget_tokens": 10000},  # thinking用のトークン予算
    messages=[{"role": "user", "content": "一方通行道路の交通シミュレーションを実装してください"}],
)

budget_tokens と各effort levelの対応は、Brickenの発言にない。段階ごとの数値は自分のEvalsで決める。Brickenが「理想の将来像」として挙げたのがtask budgetで、1日や1週間のタスクに時間・予算の制約を構造化パラメータで与え、Claudeがトークン配分を最適化する構想だ。2025年時点では開発中の機能だった。

thinking effortのSDK対応状況|Managed Agentsのmodel effortが追加(2026-08-01実測)

2026年8月1日時点の対応を anthropics/anthropic-sdk-python のCHANGELOGで確認した。最新版は v0.120.2(2026-07-28)、★3,870(2026-08-31時点の再確認値)、MITライセンス。

バージョン 公開日 内容
v0.118.0 2026-07-22 Managed Agentsのmodel effortに対応
v0.119.0 2026-07-23 停止理由 model_context_window_exceeded を追加
v0.120.0 2026-07-24 claude-opus-5 モデルを追加
v0.120.1 / v0.120.2 2026-07-28 MCP拡張のバージョン制約、MCP SDK v2とv1の併存対応

・Managed Agentsでも思考量を設計変数にできる(v0.118.0)
・思考を強くすると出力とコンテキスト消費が増える。model_context_window_exceeded を受けたら effort を落とす制御が書ける(v0.119.0)
・Claude Codeでも v2.1.219 で claude-opus-5 が既定のOpusになり、1Mコンテキスト・fast modeが100万トークンあたり入力$10/出力$50と公表されている。本記事の比較値はOpus 4.7世代のものなので、モデルが変わったら自分のタスクで測り直す

SDKを固定している場合は、v0.118.0未満ならManaged Agentsのmodel effortが使えず、v0.119.0未満なら上記の停止理由が返らない。この2つの境界が実装できる範囲の境界になる。

まとめ|thinking effortを引く前に確認する4点

・Thinkingはオフにしない。量はeffort levelで調整する
・知性が要るなら、大きいモデル+低effortが小さいモデル+高effortに勝つ
・Evalsで最適化できるまでは、xHighを出発点にする
・Lowは知性が不要なタスクか、制約が狙いの実験に限る

あわせて読むなら、プロンプトキャッシュの設計 と エージェントの視点で道具を設計する話 がある。

参照ソース