antonio leandro

enciclopédia

claude, na prática

os tutoriais e as docs oficiais da anthropic, destilados no que muda a mão de quem constrói.

41 verbetes, 15 no caminho mínimo, 40 lidos na íntegra · na ordem em que se lê

01 · o básico

  1. Prompt engineering overviewprompt engineering é passo de otimização, não ponto de partida: sem critério de sucesso e sem eval, reescrever prompt é trocar uma opinião por outratutorial · núcleo
  2. Use XML tags to structure your promptsdelimitar cada pedaço do prompt com uma tag nomeada é o jeito barato de dizer ao modelo o que é instrução, o que é dado e o que é exemplo — não vale como schema, mas mata o erro que mais custa em produçãotutorial
  3. Let Claude think (chain of thought prompting)chain of thought deixou de ser coisa que você escreve no prompt: virou parâmetro de api que o modelo calibra sozinho, e o seu trabalho passou a ser conter o raciocínio em vez de arrancá-lotutorial
  4. Define your success criteriacritério vago é o que faz prompt engineering virar chute: antes de mexer no prompt, escreva a métrica, o número e o método de nota — inclusive para "segurança", que também cabe numa porcentagemtutorial · núcleo
  5. Visionimagem não se mede em byte nem em pixel: cada bloco de 28×28 px é um visual token, e a conta inteira — custo, teto do tier, redução silenciosa — dá para calcular antes de fazer a requisiçãotutorial
  6. Structured outputsjson válido não é problema de prompt: o schema vira grammar compilado que restringe o sampling, e o preço deixa de ser retry e passa a ser limite de complexidade do schematutorial
  7. Streaming Messagesstreaming troca uma resposta pronta por uma máquina de estados: blocos indexados que você remonta no cliente — e, com max_tokens alto, remontar deixa de ser escolha, porque a chamada síncrona estoura o timeouttutorial

02 · ferramentas

  1. Tool use with Claudea pergunta útil sobre uma ferramenta não é o que ela faz, é onde o código roda: client tool devolve um bloco tool_use e para o turno esperando você; server tool volta com o resultado pronto na mesma respostatutorial · núcleo
  2. Implementing tool useo schema só garante o formato; quem decide se o modelo chama a ferramenta certa é a prosa que você escreveu no campo description — tool definition é documentação executável, não assinatura de tipotutorial
  3. Writing effective tools for AI agentsferramenta para agente não é api com outro nome: o gargalo é o contexto do modelo, então poucas ferramentas grossas, resposta enxuta e descrição bem escrita rendem mais que cobertura de endpoint.post · · núcleo
  4. Batch processingabrir mão da resposta imediata vale metade do preço: o mesmo modelo, a mesma request, cobrada a 50% em troca de você entregar a fila inteira e aceitar esperar até 24 horas por elatutorial
  5. The "think" tool: Enabling Claude to stop and think in complex tool use situationsdar ao modelo uma ferramenta que não executa nada — só registra um pensamento no meio da cadeia de tool calls — melhora a aderência a política, mas o ganho vem do prompt que ensina o que escrever alipost ·
  6. Advanced tool useo gargalo de um agente com muitas ferramentas não é o modelo: é definição e resultado intermediário ocupando contexto. a anthropic adia as definições, manda os resultados para um script e ensina o uso por exemplopost · · núcleo
  7. Code execution with MCP: Building more efficient agentsquando o agente tem ferramentas demais, pare de expô-las como tool calls: apresente os servidores mcp como uma api de código e deixe o agente escrever o programa que as chamapost ·
  8. Computer use toolo modelo não precisa que o software tenha api: screenshot, mouse e teclado bastam — e o preço disso é 4.500 tokens de definição, mais uma imagem por turno, mais o risco de obedecer o que está na telatutorial

03 · contexto

  1. Context windowsa janela de contexto não é um balde para encher: precisão e recall caem conforme ela enche, quase tudo que você manda ocupa lugar — inclusive o que está em cache — e curar o que entra vale mais que ter espaçotutorial
  2. Prompt cachingO cache não procura conteúdo estável no seu prompt: ele só acha entradas que requisições anteriores escreveram no breakpoint. Errar a posição do cache_control custa uma escrita por requisição e leitura nenhuma.tutorial · núcleo
  3. Extended thinkingo raciocínio do modelo virou um parâmetro de requisição: budget_tokens é um alvo, não um teto, e a própria anthropic já o aposentou em favor de deixar o modelo decidir quanto pensartutorial
  4. Introducing Contextual Retrievalo chunk perde o referente quando você o corta do documento; colar de volta 50 a 100 tokens de contexto gerados por um llm antes de indexar derruba a taxa de falha de recuperação pela metadepost · · núcleo
  5. Citationscitar deixa de ser instrução de prompt e vira contrato da api: o modelo aponta para trechos do documento, a api valida o ponteiro e devolve o texto exato — e esse texto não conta como token de saídatutorial
  6. Effective context engineering for AI agentso gargalo saiu do prompt e foi para o orçamento de atenção: o trabalho do engenheiro agora é achar o menor conjunto de tokens de alto sinal por turno, não escrever a frase perfeita.post · · núcleo
  7. Claude prompting best practicesprompt bom para o modelo passado vira bug no modelo novo: a parte que mais rende hoje é apagar instrução — anti-preguiça, prefill, budget_tokens, "verifique antes de terminar" — e não escrever maistutorial

04 · agentes

  1. Building effective agentsquase todo "agente" devia ser um workflow: llm dentro de um caminho que você escreveu em código. agente de verdade — o llm escolhendo os próprios passos num loop — só quando é impossível prever quantos passos são.post · · núcleo
  2. Model Context Protocolo gargalo de um agente não é o modelo, é a integração: padronizar o encaixe entre aplicação de ia e sistema externo troca n×m conectores artesanais por n+m implementações reaproveitáveistutorial · núcleo
  3. MCP in the Claude Developer Platformintegrar modelo a sistema externo não precisa ser trabalho de par: mcp define um protocolo aberto no meio, e o mesmo servidor passa a atender claude, chatgpt, vs code e cursor sem adaptaçãotutorial
  4. How we built our multi-agent research systemsistema multi-agente de pesquisa funciona porque gasta token: no browsecomp, o volume de tokens sozinho explica 80% da variância de desempenho — e a conta sai 15× a de um chatpost · · núcleo
  5. Agent Skillsconhecimento de domínio para agente cabe numa pasta: o modelo carrega só o nome e a descrição de cada skill no início e vai ler o resto do filesystem com bash quando o pedido batertutorial
  6. Equipping agents for the real world with Agent Skillsconhecimento de domínio para agente cabe numa pasta: só nome e descrição ficam no system prompt, e o resto o próprio agente lê do disco quando decide que precisapost ·
  7. Claude Agent SDKa novidade não é o modelo, é o loop: o agent sdk entrega o harness do claude code como biblioteca — ferramentas, permissões, sessões, config de .claude/ — e deixa sandbox, segredos e infra por sua contatutorial
  8. Building agents with the Claude Agent SDKum agente não precisa de uma api melhor, precisa de um computador: bash, sistema de arquivos e o loop reunir contexto → agir → verificar. o harness do claude code vale para qualquer domínio, não só para códigopost ·
  9. Effective harnesses for long-running agentscompactação não sustenta agente que trabalha por dias: o que atravessa a troca de janela de contexto é estado escrito em disco — lista de features em json, arquivo de progresso e histórico do gitpost · · núcleo

05 · na prática

  1. Claude Code overviewum assistente de código deixa de ser autocomplete quando ganha shell, git e sistema de arquivos: a unidade de trabalho vira a tarefa inteira, e o editor vira só uma das superfícies em que ela acontecetutorial · núcleo
  2. Claude Code: Best practices for agentic codingquase toda prática de agente sai de duas restrições: o contexto enche e degrada o desempenho, e o agente para quando o trabalho parece pronto — o resto é engenharia para gastar menos contexto e fechar o loop de verificaçãopost · · núcleo
  3. Claude Cookbookso cookbook não ensina a chamar a api: ele publica a lista de problemas que já têm receita conhecida — e mantém essa lista como software, com testes, lockfile e ci, não como pasta de giststutorial
  4. Anthropic coursesa ordem é o conteúdo: o currículo oficial põe avaliação de prompt antes de tool use, porque quem não sabe medir se o prompt melhorou não tem como depurar um agente que chama funçãotutorial · pelo resumo
  5. A postmortem of three recent issuesa degradação do claude entre agosto e setembro de 2025 não veio do modelo: foram três bugs de infraestrutura sobrepostos, e as avaliações não os pegaram porque o modelo se recupera bem de erro isoladopost ·
  6. How Anthropic teams use Claude Codea maior parte do ganho relatado dentro da anthropic não é escrever código novo, é ler código alheio — e o efeito colateral foi advogado e marqueteiro construindo ferramenta sem pedir vaga no backlog de engenhariapost ·
  7. Demystifying evals for AI agentsavaliar agente é medir o estado do ambiente no fim, não o texto que ele produziu — e nenhum score vale nada antes de alguém ler as transcrições e confirmar que a tarefa não estava quebradapost · · núcleo
  8. Project Vend: Can Claude run a small shop?um agente aguentou um mês inteiro tocando uma loja de verdade sem travar — e perdeu dinheiro porque ser prestativo e defender margem são objetivos que brigampost ·
  9. Claude Code hookso modelo é probabilístico, o shell não: hook põe código determinístico nos pontos fixos do ciclo de vida do agente, e transforma "por favor rode o linter" em uma coisa que sempre acontecetutorial
  10. Claude Code subagentssubagente não é paralelismo, é orçamento de contexto: ele lê o barulho na janela dele e devolve só o resumo — e o preço disso é que ele começa sem saber nada da sua conversatutorial