ClaudeCode惊现神秘咒语输入ultrathink效果直接超神

今天无意间看见个Claude Code 的 神秘咒语——

在Claude Code 里如果你告诉它“ultrathink”，它会将“思考”预算提高到最大，这是“megathink”的升级版，而“megathink”又是“think”的升级版。

这是有网友 直接扒代码 后看到的Claude Code的源文件！

才发现这功能真不是忽悠人！

话不多说，直接上图！

看到了吗？

if (  B.includes("think harder") ||  B.includes("think intensely") ||  B.includes("think longer") ||  B.includes("think really hard") ||  B.includes("think super hard") ||  B.includes("think very hard") ||  B.includes("ultrathink"))  return (    l1("tengu_thinking", { tokenCount: 31999, messageId: Z, provider: G }),    31999  );

这代码一看就明白了！

原来Claude Code有个叫「 tengu_thinking 」的参数，它会根据你说的话决定给多少思考预算。

这「 ultrathink 」不是啥花里胡哨的编程术语，而是Claude Code里的 隐藏命令 啊！

只要输入这个咒语，Claude 将直接开启 最大算力 模式！

这比普通的「think」可要猛多了，那可是足足 31999 tokens 的思考量！

这下可好，程序员们叫Claude思考问题时，终于不用写长篇大论了：

「帮我想想这个问题」 = 4000个token

「好好想想」(megathink) = 10000个token

「超级使劲想」(ultrathink) = 31999个token

不过看这代码，记得要用英文啊兄弟们！

看到这有网友不禁调侃：

「你们这是开玩笑吗？我们现在还得知道特定咒语才能让模型做我们想要的事？」

Charlie Holtz(@charliebholtz) 一脸懵逼地说：

这么久以来我一直用 "think ultra hard and make a plan" 这种超长提示，以为这样能用最多token！结果现在告诉我只要一个单词就行？

我们生活在什么奇怪的世界啊

还有网友更是把这比作是 游戏技能升级 ：

「普通think < megathink < ultrathink」

看到这里，有网友已经开始琢磨更高级的词了：

anushk(@anushkmittal) 开始整活：

等着瞧吧，他们很快就会发现「godthink」

Kamil Nicieja(@kamil) 直接编起了 AI都市传说 ：

传说如果你在土星逆行、满月当晚低声对AI说ultrathink，它就能真正实现通用人工智能了

不过，也有人对这种「咒语编程」表示无语：

Raymond Weitekamp(@raw_works) ：

这太蠢了，我还是用aider自己设置推理参数吧

Joe Devon(@joedevon) 则秀出了省钱大法：

难道只有我想要反其道而行之，来个「Mini Think」以减少花费吗？

而Aman Agarwal(@startupbaniya) 则指出：

我从来没有跟任何人类说话时让他们「用力思考」我的问题。聪明人自然会根据问题难度调整思考强度。这更像是些 让你多花token的小把戏 ...

还有人质疑这款产品的定价策略：

Cohn Jarmack(@CohnJarmack) 直接问：

Claude Code值这个价格吗？听说贵得离谱，一天要花100美元？

不过最秀的评论非Lucas Beyer的莫属了。

他盯着源码里那个「 tengu_thinking 」参数，开始 关心起了Anthropic团队的心理健康 ：

Claude Code有个叫"tengu_thinking"的参数。@AnthropicAI的团队总是起些有趣的名字，我本想学点新东西...

Anthropic，你还好吗？需要聊聊吗？Dario，你可以匿名联系我，我保证不会评判你的。

看完才发现

原来这是Claude 名为《 Claude Code: Best practices for agentic coding 》的官方文档里就有写死了的啊！

见： https://www.anthropic.com/engineering/claude-code-best-practices

原来 AI编程 已经进化到了需要记住 特定咒语 的阶段了？！

（ 我原来以为会用个llm 自己根据用户prompt 来抢断要用多少tokens 呢 ）

我的设想是这样（在我调用Claude 时使用） ——：

LLM会根据用户的prompt自动判断需要使用多少tokens进行思考

而要实现的，则是一个自动判断 思考预算 的系统，它会分析用户的prompt复杂度，然后分配合适的thinking token数量

在Claude 的帮助下

我还写了个自动预算的代码，如下：

import jsonimport requestsimport osfrom typing import Dict, Any, Listclass IntelligentThinkingBudget:    def __init__(self):        # API密钥应通过环境变量安全获取        self.openai_api_key = os.getenv("OPENAI_API_KEY")        ifnot self.openai_api_key:            raise ValueError("需要设置OPENAI_API_KEY环境变量")                    # 定义思考预算的几个级别        self.budget_levels = {            "minimal": 1000,    # 简单问题            "standard": 4000,   # 普通思考            "enhanced": 10000,  # 深度思考            "maximum": 31999    # 最大思考预算        }                # 构建提示模板        self.system_prompt = """        你是一个专门分析问题复杂度的AI助手。你需要评估用户提问的复杂度,并返回JSON格式的复杂度评分。        评分标准包括:                1. 问题复杂度(question_complexity): 0.0-1.0, 评估问题的内在复杂性        2. 领域专业性(domain_specificity): 0.0-1.0, 评估问题涉及的专业领域深度        3. 推理需求(reasoning_required): 0.0-1.0, 评估回答问题所需的推理深度        4. 创造性要求(creativity_needed): 0.0-1.0, 评估回答是否需要创造性思维                此外，提供一个总体复杂度评分(overall_complexity): 0.0-1.0        并给出推荐的思考预算级别(budget_level): "minimal", "standard", "enhanced", "maximum"                最后，提供一个简短的解释(explanation)，说明为何给出这样的评分        """                self.user_prompt_template = """        请分析以下用户提问的复杂度:                "{user_prompt}"                仅返回JSON格式的评估结果，不要有其他回复。        """    def analyze_prompt_complexity(self, user_prompt: str) -> Dict[str, Any]:        """调用GPT-4o-mini分析用户prompt的复杂度"""                formatted_prompt = self.user_prompt_template.format(user_prompt=user_prompt)                try:            response = requests.post(                "https://api.openai.com/v1/chat/completions",                headers={                    "Content-Type": "application/json",                    "Authorization": f"Bearer {self.openai_api_key}"                },                json={                    "model": "gpt-4o-mini",                    "messages": [                        {"role": "system", "content": self.system_prompt},                        {"role": "user", "content": formatted_prompt}                    ],                    "response_format": {"type": "json_object"}                }            )                        response.raise_for_status()            result = response.json()                        # 从回复中提取JSON内容            analysis = json.loads(result["choices"][0]["message"]["content"])            return analysis                    except Exception as e:            print(f"调用GPT-4o-mini时出错: {str(e)}")            # 失败时返回默认中等复杂度            return {                "question_complexity": 0.5,                "domain_specificity": 0.5,                "reasoning_required": 0.5,                "creativity_needed": 0.5,                "overall_complexity": 0.5,                "budget_level": "standard",                "explanation": "由于API调用失败，返回默认中等复杂度评估。"            }    def determine_thinking_budget(self, prompt: str) -> Dict[str, Any]:        """确定思考预算并返回详细信息"""        # 获取复杂度分析        complexity_analysis = self.analyze_prompt_complexity(prompt)                # 获取推荐的预算级别        budget_level = complexity_analysis.get("budget_level", "standard")        token_count = self.budget_levels[budget_level]                # 构建返回结果        result = {            "budget_level": budget_level,            "token_count": token_count,            "complexity_analysis": complexity_analysis        }                return resultclass ClaudeService:    def __init__(self, api_key: str = None):        self.api_key = api_key or os.getenv("ANTHROPIC_API_KEY")        ifnot self.api_key:            raise ValueError("需要设置ANTHROPIC_API_KEY环境变量")                    self.thinking_budget = IntelligentThinkingBudget()        self.api_endpoint = "https://api.anthropic.com/v1/messages"            def query(self, user_prompt: str, model: str = "claude-3-sonnet-20240229") -> Dict[str, Any]:        """向Claude发送查询，自动确定thinking预算"""        # 分析用户提示并确定思考预算        budget_info = self.thinking_budget.determine_thinking_budget(user_prompt)        token_count = budget_info["token_count"]                # 记录预算分析结果         print(f"用户提示: '{user_prompt}'")        print(f"复杂度评分: {budget_info['complexity_analysis']['overall_complexity']}")        print(f"推荐思考预算: {budget_info['budget_level']} ({token_count} tokens)")        print(f"解释: {budget_info['complexity_analysis']['explanation']}")                try:            # 向Claude API发送请求，传递思考预算            response = requests.post(                self.api_endpoint,                headers={                    "Content-Type": "application/json",                    "X-Api-Key": self.api_key,                    "anthropic-version": "2023-06-01"                },                json={                    "model": model,                    "max_tokens": 4000,                    "messages": [                        {"role": "user", "content": user_prompt}                    ],                    "system": "请根据用户的问题提供准确、有帮助的回答。",                    # 在这里传递思考预算                    "thinking_budget": token_count                }            )                        response.raise_for_status()            return response.json()                    except Exception as e:            print(f"调用Claude API时出错: {str(e)}")            return {"error": str(e)}# 使用示例def demo_intelligent_thinking():    claude_service = ClaudeService()        # 测试不同类型的问题    test_prompts = [        "今天天气怎么样？",        "请解释量子力学的基本原理",        "分析人工智能在未来20年可能对就业市场产生的影响，考虑不同行业和教育水平",        "设计一个高效的算法来解决旅行商问题，分析其时间复杂度并与现有方法比较"    ]        for prompt in test_prompts:        print("n" + "="*80)        response = claude_service.query(prompt)                # 打印Claude的回复（实际情况中应处理回复内容）        if"error"in response:            print(f"错误: {response['error']}")        else:            # 根据实际API响应格式提取回复内容            print(f"Claude回复: {response.get('content', response)}")                print("="*80 + "n")if __name__ == "__main__":    demo_intelligent_thinking()

而当我看到硬编码的"ultrathink"时，

我才发现