Anthropic Claude Cortou 80% do Prompt de Sistema do Claude Code, Desafiando a Estratégia de Mais Regras

Anthropic Claude removeu mais de 80% do prompt de sistema do Claude Code para seus modelos mais recentes e, ainda assim, relatou nenhuma perda mensurável nas avaliações internas de programação. A mudança de 24 de julho abrange modelos avançados, incluindo Claude Opus 5 e Claude Fable 5. Ela contraria uma suposição conhecida sobre agentes de IA: instruções mais detalhadas nem sempre geram comportamentos mais confiáveis.

A Anthropic afirma que versões anteriores do Claude Code precisavam de regras explícitas para evitar comentários inadequados, documentos indesejados e operações inseguras em arquivos. Essas proteções se acumularam no prompt de sistema, nas instruções de projeto, nas skills, nas descrições de ferramentas, na memória e nas solicitações individuais dos usuários. O contexto resultante podia conter orientações duplicadas ou contraditórias.

A engenharia de contexto do Claude 5 agora parte de uma premissa diferente. A Anthropic quer que as equipes deem espaço para modelos capazes exercerem discernimento, projetem interfaces mais claras e carreguem instruções especializadas apenas quando necessário. A principal disputa deixou de ser Anthropic contra outro fornecedor de modelos. Ela passou a ser entre prompting prescritivo e contexto seletivo.

Essa distinção importa além do Claude Code. Desenvolvedores estão criando agentes que leem repositórios, chamam ferramentas, editam arquivos, revisam código e mantêm estado ao longo de sessões extensas. Cada instrução permanente disputa atenção com a tarefa, os arquivos atuais, os resultados das ferramentas e a intenção do usuário.

As evidências da empresa continuam limitadas, porém. A Anthropic não publicou o conjunto de avaliações, as pontuações de referência, a distribuição de tarefas ou os resultados por modelo que sustentam sua afirmação de “nenhuma perda mensurável”. A redução de 80% é significativa, mas seu alcance prático ainda precisa de testes independentes.

Anthropic Claude Removeu Regras Que Antes Pareciam Essenciais

A mudança imediata não é uma janela de contexto maior. É uma camada muito menor de instruções permanentes.

A Anthropic descreve a engenharia de contexto como a composição de tudo que um modelo recebe além do prompt imediato do usuário. Esse material inclui instruções de sistema, arquivos de projeto, skills, memória, definições de ferramentas, histórico da conversa e referências recuperadas.

Um prompt de sistema é o conjunto inicial de instruções que molda um agente durante toda uma conversa. Ele pode definir comportamento, uso de ferramentas, estilo de resposta, limites de segurança e suposições sobre o ambiente operacional.

Segundo as orientações de engenharia de contexto da Anthropic, a empresa eliminou mais de 80% do prompt de sistema do Claude Code para Opus 5 e Fable 5. Ela afirma que as avaliações de programação não mostraram perdas mensuráveis depois disso.

O anúncio não diz que as instruções se tornaram desnecessárias. Em vez disso, separa regras permanentes de informações que pertencem a outro lugar. Limites de segurança, permissões, contratos de ferramentas e requisitos explícitos do usuário ainda precisam ser claramente representados.

O que mudou foi o local padrão dessas orientações. Antes, a Anthropic inseria no prompt principal comportamentos detalhados de programação, revisão, documentação e verificação. Essas instruções acompanhavam o modelo mesmo quando uma tarefa específica não precisava delas.

Algumas regras antigas também tentavam controlar modos de falha restritos. A Anthropic cita uma instrução anterior que dizia ao Claude para evitar docstrings de vários parágrafos e documentos de planejamento, a menos que fossem solicitados. A regra reduzia resultados indesejados, mas também desestimulava documentação útil em códigos complexos.

A substituição é mais curta e contextual. Claude deve acompanhar a densidade de comentários, a nomenclatura e o idioma do código ao redor. Em vez de prescrever um padrão universal de saída, a instrução diz ao modelo onde encontrar o padrão relevante.

Essa mudança cria a tensão central do artigo. Uma regra detalhada pode parecer mais segura porque seu comportamento é visível e testável. Ainda assim, toda instrução rígida pode se tornar inadequada quando o repositório, a solicitação do usuário ou a tarefa exige uma exceção.

O Claude Code também recebe instruções por vários canais sobrepostos. Um usuário pode solicitar documentação adequada enquanto uma regra global desencoraja comentários. Uma skill pode exigir verificação enquanto outro arquivo orienta o agente a minimizar trabalho adicional.

O modelo precisa resolver esses conflitos antes de abordar o problema real de engenharia. Portanto, mais texto cria outra tarefa de raciocínio, em vez de simplesmente acrescentar conhecimento útil.

A Anthropic acrescentou uma resposta de diagnóstico a esse problema. A empresa diz que o comando /doctor pode ajudar usuários a dimensionar adequadamente suas skills e arquivos CLAUDE.md. Esses arquivos fornecem contexto persistente do projeto, incluindo convenções do repositório e instruções recorrentes.

A mensagem prática é mais restrita do que “apague seus prompts”. As equipes devem identificar quais informações realmente se aplicam a todas as solicitações. Todo o restante precisa de um gatilho, local ou mecanismo de entrega mais preciso.

Por Que a Engenharia de Contexto do Claude 5 Favorece Contexto Seletivo

A Anthropic aposta que um melhor discernimento do modelo reduz o valor do microgerenciamento comportamental permanente.

A abordagem antiga surgiu por um motivo. Modelos de programação anteriores frequentemente produziam comentários em excesso, criavam arquivos de planejamento desnecessários, lidavam mal com ferramentas ou seguiam exemplos de maneira literal demais. Instruções detalhadas restringiam os comportamentos disponíveis.

Essa restrição envolvia uma troca. Evitar uma falha comum podia bloquear a resposta correta para uma tarefa incomum. Uma proibição contra comentários longos poderia melhorar edições rotineiras, mas prejudicar o trabalho com algoritmos complexos ou código sensível à segurança.

A engenharia de contexto do Claude 5 aproxima essa decisão da tarefa. O modelo recebe a solicitação do usuário, examina o código próximo e aplica convenções locais. A Anthropic chama isso de “desacorrentar” o Claude, porque o sistema remove restrições que ultrapassaram seu propósito original.

A expressão não deve ser confundida com autonomia irrestrita. O Claude Code ainda opera dentro de um harness, que é o software ao redor responsável por gerenciar ferramentas, permissões, contexto e execução. A Anthropic está simplificando uma camada dentro desse harness.

A empresa descreve várias mudanças de “antes e agora”. Regras dão lugar ao discernimento. Exemplos de ferramentas dão lugar a interfaces expressivas. Instruções antecipadas dão lugar à divulgação progressiva. Repetição dá lugar a descrições concisas de ferramentas.

Divulgação progressiva significa carregar informações detalhadas quando a tarefa as exige, em vez de colocar tudo no contexto inicial. O Claude Code agora usa skills dedicadas para áreas como revisão de código e verificação.

Essa abordagem preserva o acesso sem impor custos permanentes de atenção. Um procedimento de revisão pode continuar detalhado, mas o Claude o carrega ao realizar uma revisão. Uma edição rotineira de arquivo não precisa trazer consigo todo o procedimento.

O Claude Code aplica o mesmo princípio às ferramentas. Algumas usam carregamento adiado, que inicialmente expõe uma descrição leve. O esquema completo aparece apenas depois que o agente seleciona essa ferramenta por meio de busca.

O guia de janela de contexto da Anthropic mostra por que essa distinção importa. Instruções de projeto, memória, descrições de skills, arquivos, respostas e conteúdo oculto em tempo de execução ocupam o mesmo contexto de trabalho.

Uma grande capacidade de contexto não elimina o problema de seleção. Um modelo pode aceitar mais tokens e ainda receber material irrelevante, desatualizado ou contraditório. A capacidade responde quanto cabe, não o que merece atenção.

O contexto seletivo também muda a forma como as equipes devem organizar o conhecimento do repositório. Um único arquivo CLAUDE.md não deve se tornar uma enciclopédia de todas as preferências de engenharia. A Anthropic recomenda uma árvore de referências que o agente possa carregar quando apropriado.

Esse design se assemelha a uma boa arquitetura de software. Interfaces estáveis permanecem pequenas, enquanto comportamentos especializados ficam atrás de limites explícitos. O agente aprende o que existe sem receber todos os detalhes de implementação na inicialização.

As definições de ferramentas se tornam particularmente importantes nesse modelo. A Anthropic argumenta que exemplos podem restringir a exploração ao direcionar o modelo para padrões demonstrados anteriormente. Parâmetros claros e definições de estado podem comunicar intenção sem prescrever um único caminho.

Seu exemplo de Todo usa estados enumerados, como pendente, em andamento e concluído. Uma restrição que permite apenas um item ativo descreve o estado válido do sistema. O modelo pode então escolher ações dentro dessa interface.

Essa é uma mudança significativa no local onde reside a confiabilidade do agente. Antes, autores de prompts tentavam codificar confiabilidade principalmente por meio de texto. Agora, a Anthropic atribui mais responsabilidade ao design de interfaces, ao roteamento de contexto, às permissões e ao discernimento do modelo.

A Verdadeira Disputa É Entre Prompting Prescritivo e Discernimento do Modelo

O corte de 80% desafia a crença de que cada falha observada de um agente merece outra instrução permanente.

Equipes de agentes de IA frequentemente respondem a erros adicionando regras. Se um agente pula testes, o prompt recebe uma exigência de testes. Se ele edita arquivos não relacionados, outro parágrafo restringe o escopo. Se explica demais, segue-se uma limitação de verbosidade.

Esse processo cria uma catraca. As instruções se acumulam porque acréscimos parecem mais seguros do que exclusões. Poucas equipes testam regularmente se uma regra antiga ainda melhora os modelos, as ferramentas e os fluxos de trabalho atuais.

A Anthropic Claude agora argumenta que essa catraca pode reduzir a qualidade. A questão não é apenas o consumo de tokens. Instruções conflitantes forçam o modelo a inferir prioridade, interpretar exceções e conciliar proteções desatualizadas com a intenção atual do usuário.

O prompting prescritivo continua atraente porque as equipes podem auditá-lo. Um revisor de segurança pode localizar uma proibição explícita. Um gerente de produto pode apontar para uma regra de formatação. Um desenvolvedor pode reproduzir o texto incluído em uma solicitação.

O discernimento do modelo oferece flexibilidade, mas é mais difícil de prever. Ele permite que o Claude reconheça que uma função complexa precisa de documentação, apesar de uma preferência geral por comentários mínimos. A mesma discrição pode produzir escolhas inconsistentes entre tarefas.

A versão mais forte do argumento da Anthropic, portanto, depende da capacidade do modelo. Um modelo menos capaz talvez ainda precise de exemplos detalhados, alertas repetidos e regras restritas. Uma implementação com modelos mistos não pode presumir que todos os agentes interpretam orientações concisas igualmente bem.

Isso cria pressão sobre equipes que oferecem suporte a várias gerações de modelos. Instruções otimizadas para Opus 5 ou Fable 5 podem especificar insuficientemente o comportamento de modelos mais antigos ou menores. Prompts escritos para modelos antigos podem restringir excessivamente os mais novos.

O contexto versionado se torna uma exigência operacional. As equipes precisam saber quais regras se aplicam a cada modelo, como as avaliações mudaram e quando uma instrução compartilhada deixou de agregar valor. Caso contrário, a simplificação se torna mais uma convenção não testada.

A mudança também pressiona empresas que vendem modelos de prompt como ativos duráveis. Um modelo longo pode codificar conhecimento especializado útil, mas o comprimento deixou de ser um indicador confiável de completude. Seu valor depende de relevância, roteamento e resultados mensuráveis.

Desenvolvedores que criam agentes personalizados enfrentam uma decisão semelhante. A documentação de prompt de sistema da Anthropic distingue a predefinição completa do Claude Code de um padrão mínimo e de instruções totalmente personalizadas.

A predefinição completa é adequada para agentes de programação com uma pessoa supervisionando e orientando o trabalho. Um prompt personalizado é mais indicado para agentes com identidades, interfaces ou modelos de permissão diferentes. A Anthropic alerta que os criadores de configurações personalizadas devem substituir qualquer orientação de segurança que removerem.

Esse alerta revela o limite do novo manual de boas práticas. Remover excessos comportamentais não é o mesmo que enfraquecer permissões. Um agente conciso ainda precisa de limites explícitos para operações destrutivas, dados sensíveis, comunicação externa e execução sem supervisão.

As equipes devem classificar as instruções antes de excluí-las. Uma preferência de estilo muitas vezes pode seguir as convenções do repositório. Um fluxo de verificação pode se tornar uma skill. Um limite de permissão deve estar em software aplicável, não apenas em uma frase cordial.

Essa divisão aproxima o setor da arquitetura de contexto. O trabalho central passa a ser decidir o que permanece global, o que é carregado por caminho, o que é ativado por tarefa e o que o software impõe independentemente do modelo.

Para equipes de engenharia, essa arquitetura também se torna memória organizacional. Convenções de repositório, decisões e referências técnicas precisam de responsáveis claros e caminhos de recuperação. Uma base de conhecimento de engenharia pesquisável pode ajudar as equipes a separar fatos duradouros de instruções transitórias para agentes.

O lado vencedor dessa disputa não será o dos “prompts curtos” em todos os casos. Será o sistema que fornecer o menor contexto suficiente, preservando segurança, fidelidade à tarefa e desempenho reproduzível.

Os resultados do prompt de sistema do Claude Code ainda precisam de testes independentes

O resultado principal da Anthropic é relevante, mas as evidências públicas não demonstram que todas as equipes possam remover os mesmos 80%.

A empresa afirma que a redução do prompt de sistema do Claude Code não causou perda mensurável nas avaliações de programação. Essa formulação deixa várias questões importantes sem resposta.

A Anthropic não divulgou as tarefas de avaliação usadas nessa comparação. Os leitores não conseguem ver se a suíte enfatizou geração de código, depuração, navegação em repositórios, testes, documentação, uso de ferramentas ou trabalho autônomo de longa duração.

A empresa também não publicou pontuações de referência nem intervalos de confiança. “Nenhuma perda mensurável” pode significar resultados idênticos, uma diferença estatisticamente não significativa ou uma alteração pequena demais para o benchmark escolhido detectar.

A afirmação diz respeito à configuração interna do Claude Code da Anthropic para modelos avançados. Ela não estabelece que os usuários possam excluir 80% de seus próprios arquivos CLAUDE.md, skills ou prompts personalizados de agentes sem consequências.

Esses arquivos frequentemente contêm requisitos específicos da organização. Alguns exemplos incluem comandos de build, fluxos de trabalho regulados, padrões de revisão, políticas de dependências, restrições de implantação e convenções que o modelo-base não consegue inferir a partir do código próximo.

Um repositório também pode conter padrões inconsistentes. Pedir ao Claude que siga o código ao redor funciona quando o entorno representa o padrão desejado. Isso pode reproduzir dívida técnica quando convenções antigas e novas coexistem.

A divulgação progressiva introduz seu próprio modo de falha. O agente precisa reconhecer quando uma skill ou referência especializada é necessária. Se o roteamento falhar, a informação correta existe, mas nunca chega ao contexto ativo.

Ferramentas carregadas sob demanda criam uma dependência semelhante. Descrições leves economizam contexto inicial, mas precisam ser específicas o suficiente para que o agente descubra a capacidade adequada. Uma ferramenta com nome ruim pode se tornar praticamente invisível.

A compactação complica ainda mais o cenário. O Claude Code resume conversas longas quando o contexto se esgota. A documentação da Anthropic afirma que algumas instruções de projeto e memórias são recarregadas depois disso, enquanto regras delimitadas por caminho podem esperar outra leitura de arquivo correspondente.

Informações importantes podem, portanto, transitar entre camadas persistentes e transitórias durante uma sessão. Equipes que testam mudanças de contexto devem incluir tarefas longas que atravessem limites de compactação, e não apenas prompts isolados de programação.

O cache de prompts também influencia a arquitetura. Ele reutiliza um prefixo estável da solicitação para reduzir computação repetida. A Anthropic afirma que o Claude Code mantém o conteúdo estático primeiro e as mensagens dinâmicas depois para preservar correspondências de cache.

As lições da empresa sobre cache de prompts alertam que mudar ferramentas ou modelos no meio de uma sessão pode invalidar prefixos armazenados em cache. Portanto, o contexto seletivo precisa equilibrar relevância e estabilidade.

A estratégia de carregamento sob demanda do Claude Code resolve parte dessa tensão. Stubs leves de ferramentas podem permanecer estáveis enquanto esquemas completos são carregados mais tarde. A abordagem economiza contexto sem mudar constantemente o conjunto-base de ferramentas.

Ainda assim, um prompt de sistema menor não garante automaticamente menor uso total de contexto. Um agente pode compensar lendo mais referências, invocando mais skills ou gastando turnos adicionais para descobrir instruções.

A redução de prompts também não garante comportamento consistente. Remover orientações repetidas pode expor falhas raras que avaliações amplas de programação não detectam. Equipes de setores regulados ou sensíveis à segurança devem testar riscos de cauda, e não apenas pontuações médias das tarefas.

A resposta apropriada é uma avaliação controlada. As equipes podem comparar configurações antigas e reduzidas em repositórios representativos, tarefas fixas, execuções repetidas e categorias de falha claramente definidas.

Métricas úteis incluem conclusão de tarefas, alterações não intencionais em arquivos, cobertura de testes, achados de revisão, erros de ferramentas, correções de usuários e consumo total de contexto. As equipes também devem registrar quais instruções o agente de fato carregou.

O ônus da prova aumenta com a autonomia. Um desenvolvedor que supervisiona cada edição pode detectar rapidamente um erro de julgamento. Um agente sem supervisão que abre pull requests ou altera sistemas de produção exige controles mais rígidos e avaliação mais aprofundada.

O resultado da Anthropic é melhor tratado como evidência de que existe dívida de prompt. Não é uma meta universal de exclusão, e a empresa não validou a descoberta de forma independente fora de seus próprios modelos e ambiente de testes.

Prompts menores transferem mais responsabilidade para a arquitetura do agente

A simplificação do contexto não elimina a complexidade. Ela transfere a complexidade para roteamento, ferramentas, memória, avaliação e permissões.

Essa transferência é a consequência empresarial mais importante do anúncio. Equipes que tratavam prompts como o produto do agente agora precisam examinar todo o sistema ao redor do modelo.

Um agente confiável precisa de uma forma de identificar conhecimento relevante. Precisa de ferramentas com nomes claros, parâmetros expressivos e estados restritos. Precisa de memória que separe preferências duradouras de detalhes temporários da sessão.

Também precisa de execução observável. Os desenvolvedores devem ver quais arquivos o agente leu, quais skills invocou, quais ferramentas selecionou e quais instruções influenciaram uma decisão.

A engenharia de contexto do Claude 5 torna essas capacidades mais valiosas porque o prompt principal contém menos procedimentos explícitos. Se a camada de roteamento falhar, o modelo terá menos orientação redundante disponível como alternativa.

O recurso de memória automática da Anthropic ilustra a mudança. O Claude Code pode salvar informações que considera relevantes entre diferentes trabalhos. Isso reduz a pressão para usar o CLAUDE.md como um repositório de memória mantido manualmente.

No entanto, a memória automatizada introduz questões de governança. As equipes precisam saber o que foi armazenado, se continua correto e como memórias conflitantes são resolvidas. Contexto desatualizado pode induzir um agente ao erro mesmo quando o prompt principal é conciso.

Referências ricas criam outra mudança arquitetural. A Anthropic afirma que o Claude pode trabalhar com artefatos mais complexos, em vez de depender apenas de planos simples em Markdown. Isso amplia o que os agentes podem inspecionar durante o design e a implementação.

O benefício depende da capacidade de descoberta. Um artefato detalhado só ajuda quando o agente sabe que ele existe e entende quando consultá-lo. Árvores de referência precisam de nomes informativos, índices concisos e pontos de entrada específicos por tarefa.

O design de ferramentas se torna uma forma de prompting. Uma enumeração comunica estados válidos. Um parâmetro obrigatório indica informações necessárias. Limites de permissão impedem ações inválidas, independentemente de como o modelo interpreta o texto.

Essa abordagem deve atrair compradores corporativos porque controles de software são mais fáceis de impor do que alertas em linguagem natural. Um sistema de permissões pode bloquear uma operação. Um prompt só pode pedir que o modelo não a execute.

Ainda assim, o design de interfaces exige mais esforço de engenharia do que adicionar outro parágrafo. As equipes precisam modelar fluxos de trabalho, lidar com erros de ferramentas, expor estado e manter compatibilidade à medida que modelos e produtos mudam.

A redução de 80% pode, portanto, ampliar a distância entre demonstrações simples e agentes de produção. Uma demonstração pode parecer melhor com menos restrições. Um sistema de produção precisa substituir o comportamento removido do prompt por uma arquitetura mais robusta quando necessário.

O efeito também alcança trabalhadores do conhecimento que usam IA fora do desenvolvimento de software. Agentes de pesquisa, operações e análise enfrentam o mesmo problema de contexto. Documentos extensos de instruções frequentemente misturam objetivos, preferências, material de referência e procedimentos pontuais.

Separar essas categorias pode melhorar a recuperação e a manutenção. Identidade estável e regras de segurança permanecem globais. Referências de domínio são carregadas quando relevantes. Procedimentos de tarefa se tornam fluxos de trabalho chamáveis. Fatos temporários permanecem dentro da sessão ativa.

Isso não significa que todo fluxo de trabalho precise de uma plataforma elaborada. O princípio pode começar com um índice curto do projeto, arquivos de referência com escopo restrito e um conjunto de testes baseado em trabalho recorrente.

O ponto-chave é deixar de tratar o contexto como um bloco indiferenciado de texto. Cada elemento deve ter um motivo para ser carregado, um escopo definido, um responsável e um método para testar seu valor.

A iniciativa da Anthropic também pressiona indiretamente fornecedores rivais de agentes de programação. Os usuários passarão a comparar não apenas pontuações em benchmarks, mas também como cada produto gerencia instruções, memória, ferramentas, compactação e visibilidade do contexto.

Um modelo com alta capacidade bruta ainda pode ter desempenho inferior dentro de um ambiente desorganizado. Um modelo menor pode continuar útil quando suas ferramentas e limites de tarefa são restritos. A competição entre agentes está se tornando uma disputa de sistemas.

A vantagem emergente pertence aos produtos que tornam o contexto inspecionável. Os usuários precisam entender o que entrou no modelo, o que permaneceu oculto, o que sobreviveu à compactação e o que mudou entre execuções.

A Anthropic deixou sua direção clara. Modelos melhores devem carregar menos regras comportamentais universais, enquanto o sistema ao redor fornece informações precisas no momento da necessidade.

O que observar após o corte de 80%

Três sinais mostrarão se a estratégia de prompts menores da Anthropic se torna uma regra do setor ou permanece uma otimização específica do Claude.

O primeiro sinal é a avaliação independente. Os desenvolvedores devem procurar comparações controladas entre o prompt de sistema anterior e o reduzido do Claude Code em repositórios reais e execuções repetidas.

Evidências robustas incluiriam pontuações por tarefa, distribuições em vez de médias e categorias explícitas para segurança e alterações não intencionais. Resultados comparáveis reforçariam a afirmação da Anthropic de que muitas regras permanentes se tornaram dívida de prompt.

Um aumento no comportamento inconsistente a enfraqueceria. Falhas raras, mas custosas, importam, especialmente quando agentes operam sem revisão humana contínua. Os estudos mais úteis testarão sessões longas, descoberta de ferramentas e compactação.

O segundo sinal é como outras gerações de modelos lidam com o mesmo contexto. O anúncio da Anthropic cita especificamente Opus 5 e Fable 5. As equipes precisam verificar se modelos da classe Sonnet, menores ou mais antigos toleram instruções igualmente concisas.

Se configurações reduzidas funcionarem em vários modelos, o contexto seletivo se torna um padrão geral de design de agentes. Se o desempenho variar acentuadamente, as equipes precisarão de prompts versionados e políticas de roteamento para cada família de modelos.

Esse resultado complicaria produtos com múltiplos modelos. Alternar entre provedores ou tamanhos de modelo envolveria mais do que mudar um identificador de API. Cada modelo poderia exigir um equilíbrio diferente entre julgamento, exemplos, repetição e restrições.

O terceiro sinal está no comportamento do produto em torno de /doctor, skills, memória e ferramentas diferidas. A Anthropic afirma que o /doctor pode identificar instruções e skills de projeto excessivamente longas. Suas recomendações revelarão quão agressivamente a empresa espera que os usuários simplifiquem.

Observe se o Claude Code informa quais regras entram em conflito, quais arquivos raramente são ativados e quais instruções duplicam comportamentos integrados. Esses diagnósticos transformariam a limpeza de prompts de uma edição subjetiva em manutenção mensurável.

Observe também se a Anthropic publica detalhes de avaliação mais completos. A afirmação atual não traz composição das tarefas, pontuações brutas nem comparações específicas por modelo. Maior transparência ajudaria as equipes a determinar se a descoberta se aplica aos seus ambientes.

Para desenvolvedores, a ação imediata não é uma exclusão indiscriminada de 80%. Audite as instruções por finalidade. Mantenha limites de segurança aplicáveis, remova duplicações evidentes e mova procedimentos especializados para trás de gatilhos claros.

Em seguida, teste a configuração reduzida em trabalhos que sua equipe realmente executa. Inclua edições rotineiras, solicitações ambíguas, tarefas de revisão, convenções de repositório, falhas de ferramentas e sessões longas. Meça as taxas de correção junto com a conclusão.

Compradores corporativos devem perguntar aos fornecedores como o contexto é montado e inspecionado. Uma janela de contexto ampla não basta. Os compradores precisam de controles para escopo, memória, permissões, recuperação, compactação e comportamento específico por modelo.

Profissionais do conhecimento devem aplicar a mesma disciplina às instruções persistentes de IA. Mantenha preferências estáveis e concisas. Armazene materiais de referência onde possam ser recuperados. Evite obrigar cada solicitação futura a carregar todas as lições passadas.

O resultado do Anthropic Claude é importante porque redefine sofisticação. O agente mais avançado talvez não tenha o prompt mais longo. Ele pode ter o sistema mais claro para decidir do que o modelo precisa agora.

Testes independentes reproduzirão o resultado da Anthropic ou revelarão tarefas em que as regras excluídas ainda importam? Nos próximos meses, essa resposta deverá orientar toda auditoria séria de contexto do Claude Code.