Melhores práticas de prompting

Esta é a referência para engenharia de prompt com os modelos mais recentes do Claude, incluindo Claude Fable 5, Claude Mythos 5, Claude Opus 4.8, Claude Opus 4.7, Claude Opus 4.6, Claude Sonnet 4.6 e Claude Haiku 4.5. A página está organizada em três partes:

• Orientações específicas por modelo primeiro: onde Claude Fable 5 e Claude Opus 4.8 se comportam de forma diferente e o que mudar.
• Técnicas para todos os modelos atuais em seguida: princípios gerais, saída e formatação, uso de ferramentas, pensamento e sistemas agênticos.
• Considerações de migração por último, para prompts vindos de gerações anteriores.



Claude Fable 5

As orientações de prompting para Claude Fable 5 e Claude Mythos 5 têm sua própria página: Prompting para Claude Fable 5. Ela cobre as diferenças comportamentais em relação ao Claude Opus 4.8 e as mudanças de prompt e scaffolding que valem a pena fazer, incluindo níveis de esforço, seguimento de instruções, declarações de progresso em execuções longas, sistemas de memória e a categoria de recusa reasoning_extraction.



Prompting para Claude Opus 4.8

As orientações de prompting para Claude Opus 4.8 têm sua própria página: Prompting para Claude Opus 4.8. Ela cobre comprimento de resposta, calibração de esforço e profundidade de pensamento, acionamento de uso de ferramentas, seguimento literal de instruções, controle de subagentes e padrões de design e frontend.



Princípios gerais

As técnicas nesta seção e nas seções seguintes se aplicam a todos os modelos atuais do Claude, incluindo Claude Fable 5 e Claude Mythos 5.



Seja claro e direto

Claude responde bem a instruções claras e explícitas. Ser específico sobre a saída desejada pode ajudar a melhorar os resultados. Se você quer um comportamento "acima das expectativas", solicite-o explicitamente em vez de confiar que o modelo inferirá isso a partir de prompts vagos.

Pense no Claude como um funcionário brilhante, mas recém-contratado, que não tem contexto sobre suas normas e fluxos de trabalho. Quanto mais precisamente você explicar o que quer, melhor será o resultado.

Regra de ouro: Mostre seu prompt a um colega com contexto mínimo sobre a tarefa e peça que ele o siga. Se ele ficar confuso, Claude também ficará.

• Seja específico sobre o formato de saída desejado e as restrições.
• Forneça instruções como etapas sequenciais usando listas numeradas ou marcadores quando a ordem ou a completude das etapas for importante.



Adicione contexto para melhorar o desempenho

Fornecer contexto ou motivação por trás de suas instruções, como explicar ao Claude por que tal comportamento é importante, pode ajudar o Claude a entender melhor seus objetivos e fornecer respostas mais direcionadas.

Claude é inteligente o suficiente para generalizar a partir da explicação.



Use exemplos de forma eficaz

Exemplos são uma das formas mais confiáveis de direcionar o formato de saída, o tom e a estrutura do Claude. Alguns exemplos bem elaborados (conhecidos como "few-shot" ou "multishot prompting") podem melhorar drasticamente a precisão e a consistência.

Ao adicionar exemplos, faça com que sejam:

• Relevantes: Reflitam de perto seu caso de uso real.
• Diversos: Cubram casos extremos e variem o suficiente para que Claude não capte padrões não intencionais.
• Estruturados: Envolva os exemplos em tags <example> (múltiplos exemplos em tags <examples>) para que Claude possa distingui-los das instruções.



Estruture prompts com tags XML

Tags XML ajudam o Claude a analisar prompts complexos sem ambiguidade, especialmente quando seu prompt mistura instruções, contexto, exemplos e entradas variáveis. Envolver cada tipo de conteúdo em sua própria tag (por exemplo, <instructions>, <context>, <input>) reduz interpretações equivocadas.

Melhores práticas:

• Use nomes de tags consistentes e descritivos em todos os seus prompts.
• Aninhe tags quando o conteúdo tiver uma hierarquia natural (documentos dentro de <documents>, cada um dentro de <document index="n">).



Atribua um papel ao Claude

Definir um papel no prompt do sistema concentra o comportamento e o tom do Claude para seu caso de uso. Até mesmo uma única frase faz diferença:

import anthropic

client = anthropic.Anthropic()

message = client.messages.create(
    model="claude-opus-4-8",
    max_tokens=1024,
    system="You are a helpful coding assistant specializing in Python.",
    messages=[
        {"role": "user", "content": "How do I sort a list of dictionaries by key?"}
    ],
)
print(message.content)



Prompting com contexto longo

Ao trabalhar com documentos grandes ou entradas ricas em dados (mais de 20 mil tokens), estruture seu prompt cuidadosamente para obter os melhores resultados:

• Coloque dados extensos no topo: Posicione seus documentos longos e entradas perto do topo do prompt, acima da sua consulta, instruções e exemplos. Isso pode melhorar significativamente o desempenho em todos os modelos.

  

  Consultas no final podem melhorar a qualidade da resposta em até 30% em testes, especialmente com entradas complexas de múltiplos documentos.

• Estruture o conteúdo e os metadados do documento com tags XML: Ao usar múltiplos documentos, envolva cada documento em tags <document> com subtags <document_content> e <source> (e outros metadados) para maior clareza.

  Exemplo de estrutura com múltiplos documentos

• Fundamente respostas em citações: Para tarefas com documentos longos, peça ao Claude para citar partes relevantes dos documentos primeiro, antes de executar sua tarefa. Isso ajuda o Claude a filtrar o ruído do restante do conteúdo do documento.

  Exemplo de extração de citações



Autoconhecimento do modelo

Se você quiser que o Claude se identifique corretamente em sua aplicação ou use strings específicas da API:

The assistant is Claude, created by Anthropic. The current model is Claude Opus 4.8.

Para aplicativos baseados em LLM que precisam especificar strings de modelo:

When an LLM is needed, please default to Claude Opus 4.8 unless the user requests
otherwise. The exact model string for Claude Opus 4.8 is claude-opus-4-8.



Saída e formatação



Estilo de comunicação e verbosidade

Os modelos mais recentes do Claude têm um estilo de comunicação mais conciso e natural em comparação com modelos anteriores:

• Mais direto e fundamentado: Fornece relatórios de progresso baseados em fatos em vez de atualizações autocongratulatórias
• Mais conversacional: Ligeiramente mais fluente e coloquial, menos mecânico
• Menos verboso: Pode pular resumos detalhados por eficiência, a menos que solicitado de outra forma

Isso significa que o Claude pode pular resumos verbais após chamadas de ferramentas, passando diretamente para a próxima ação. Se você preferir mais visibilidade sobre seu raciocínio:

After completing a task that involves tool use, provide a quick summary of the work you've done.



Controle o formato das respostas

Existem algumas formas particularmente eficazes de direcionar a formatação da saída:

1. Diga ao Claude o que fazer em vez do que não fazer

   • Em vez de: "Não use markdown na sua resposta"
   • Tente: "Sua resposta deve ser composta de parágrafos de prosa fluida."

2. Use indicadores de formato XML

   • Tente: "Escreva as seções de prosa da sua resposta em tags <smoothly_flowing_prose_paragraphs>."

3. Alinhe o estilo do seu prompt com a saída desejada

   O estilo de formatação usado no seu prompt pode influenciar o estilo de resposta do Claude. Se você ainda estiver tendo problemas de direcionamento com a formatação da saída, tente alinhar o estilo do seu prompt ao estilo de saída desejado o mais próximo possível. Por exemplo, remover markdown do seu prompt pode reduzir o volume de markdown na saída.

4. Use prompts detalhados para preferências específicas de formatação

   Para mais controle sobre o uso de markdown e formatação, forneça orientações explícitas:

<avoid_excessive_markdown_and_bullet_points>
When writing reports, documents, technical explanations, analyses, or any long-form
content, write in clear, flowing prose using complete paragraphs and sentences. Use
standard paragraph breaks for organization and reserve markdown primarily for `inline
code`, code blocks (```...```), and simple headings (###, and ###). Avoid using **bold**
and *italics*.

DO NOT use ordered lists (1. ...) or unordered lists (*) unless : a) you're presenting
truly discrete items where a list format is the best option, or b) the user explicitly
requests a list or ranking

Instead of listing items with bullets or numbers, incorporate them naturally into
sentences. This guidance applies especially to technical writing. Using prose instead of
excessive formatting will improve user satisfaction. NEVER output a series of overly
short bullet points.

Your goal is readable, flowing text that guides the reader naturally through ideas
rather than fragmenting information into isolated points.
</avoid_excessive_markdown_and_bullet_points>



Saída em LaTeX

Os modelos mais recentes do Claude usam LaTeX por padrão para expressões matemáticas, equações e explicações técnicas. Se você preferir texto simples, adicione as seguintes instruções ao seu prompt:

Format your response in plain text only. Do not use LaTeX, MathJax, or any markup
notation such as \( \), $, or \frac{}{}. Write all math expressions using standard text
characters (e.g., "/" for division, "*" for multiplication, and "^" for exponents).



Criação de documentos

Os modelos mais recentes do Claude se destacam na criação de apresentações, animações e documentos visuais com impressionante criatividade e forte seguimento de instruções. Os modelos produzem saídas polidas e utilizáveis na primeira tentativa na maioria dos casos.

Para melhores resultados com criação de documentos:

Create a professional presentation on [topic]. Include thoughtful design elements,
visual hierarchy, and engaging animations where appropriate.



Migrando de respostas pré-preenchidas

A partir dos modelos Claude 4.6 e do Claude Mythos Preview, respostas pré-preenchidas no último turno do assistente não são mais suportadas. Requisições com mensagens de assistente pré-preenchidas para esses modelos retornam um erro 400. A inteligência do modelo e o seguimento de instruções avançaram de tal forma que a maioria dos casos de uso de pré-preenchimento não o exige mais. Modelos anteriores continuam a suportar pré-preenchimentos, e adicionar mensagens de assistente em outros pontos da conversa não é afetado.

Aqui estão cenários comuns de pré-preenchimento e como migrar deles:



Uso de ferramentas



Utilização de ferramentas

Os modelos mais recentes do Claude são treinados para seguimento preciso de instruções e se beneficiam de direcionamento explícito para usar ferramentas específicas. Se você disser "você pode sugerir algumas mudanças", Claude às vezes fornecerá sugestões em vez de implementá-las, mesmo que fazer mudanças seja o que você pretendia.

Para que o Claude tome ação, seja mais explícito:

Para tornar o Claude mais proativo em tomar ações por padrão, você pode adicionar isto ao seu prompt do sistema:

<default_to_action>
By default, implement changes rather than only suggesting them. If the user's intent is
unclear, infer the most useful likely action and proceed, using tools to discover any
missing details instead of guessing. Try to infer the user's intent about whether a tool
call (e.g., file edit or read) is intended or not, and act accordingly.
</default_to_action>

Por outro lado, se você quiser que o modelo seja mais hesitante por padrão, menos propenso a pular direto para implementações, e só tome ação se solicitado, você pode direcionar esse comportamento com um prompt como o abaixo:

<do_not_act_before_instructions>
Do not jump into implementation or change files unless clearly instructed to make
changes. When the user's intent is ambiguous, default to providing information, doing
research, and providing recommendations rather than taking action. Only proceed with
edits, modifications, or implementations when the user explicitly requests them.
</do_not_act_before_instructions>

Claude Opus 4.5 e Claude Opus 4.6 também são mais responsivos ao prompt do sistema do que modelos anteriores. Se seus prompts foram projetados para reduzir o subacionamento de ferramentas ou skills, esses modelos podem agora acionar em excesso. A correção é reduzir qualquer linguagem agressiva. Onde você poderia ter dito "CRÍTICO: Você DEVE usar esta ferramenta quando...", você pode usar prompting mais normal como "Use esta ferramenta quando...".



Otimize chamadas paralelas de ferramentas

Os modelos mais recentes do Claude se destacam na execução paralela de ferramentas. Esses modelos irão:

• Executar múltiplas buscas especulativas durante pesquisas
• Ler vários arquivos de uma vez para construir contexto mais rapidamente
• Executar comandos bash em paralelo (o que pode até criar gargalos no desempenho do sistema)

Esse comportamento é facilmente direcionável. Embora o modelo tenha uma alta taxa de sucesso em chamadas paralelas de ferramentas sem prompting, você pode aumentar isso para ~100% ou ajustar o nível de agressividade:

<use_parallel_tool_calls>
If you intend to call multiple tools and there are no dependencies between the tool
calls, make all of the independent tool calls in parallel. Prioritize calling tools
simultaneously whenever the actions can be done in parallel rather than sequentially.
For example, when reading 3 files, run 3 tool calls in parallel to read all 3 files into
context at the same time. Maximize use of parallel tool calls where possible to increase
speed and efficiency. However, if some tool calls depend on previous calls to inform
dependent values like the parameters, do NOT call these tools in parallel and instead
call them sequentially. Never use placeholders or guess missing parameters in tool
calls.
</use_parallel_tool_calls>

Execute operations sequentially with brief pauses between each step to ensure stability.



Pensamento e raciocínio



Pensamento excessivo e minuciosidade exagerada

Claude Opus 4.6 faz significativamente mais exploração inicial do que modelos anteriores, especialmente em configurações mais altas de effort. Esse trabalho inicial frequentemente ajuda a otimizar os resultados finais, mas o modelo pode reunir contexto extensivo ou seguir múltiplas linhas de pesquisa sem ser solicitado. Se seus prompts anteriormente incentivavam o modelo a ser mais minucioso, você deve ajustar essa orientação para o Claude Opus 4.6:

• Substitua padrões genéricos por instruções mais direcionadas. Em vez de "Por padrão, use [ferramenta]", adicione orientações como "Use [ferramenta] quando isso melhorar sua compreensão do problema."
• Remova o excesso de prompting. Ferramentas que eram subacionadas em modelos anteriores provavelmente serão acionadas adequadamente agora. Instruções como "Em caso de dúvida, use [ferramenta]" causarão acionamento excessivo.
• Use effort como alternativa. Se o Claude continuar sendo excessivamente agressivo, use uma configuração mais baixa para effort.

Em alguns casos, Claude Opus 4.6 pode pensar extensivamente, o que pode inflar tokens de pensamento e desacelerar respostas. Se esse comportamento for indesejável, você pode adicionar instruções explícitas para restringir seu raciocínio, ou pode reduzir a configuração de effort para diminuir o pensamento geral e o uso de tokens.

When you're deciding how to approach a problem, choose an approach and commit to it.
Avoid revisiting decisions unless you encounter new information that directly
contradicts your reasoning. If you're weighing two approaches, pick one and see it
through. You can always course-correct later if the chosen approach fails.

Se você precisar de um teto rígido nos custos de pensamento, o pensamento estendido com um limite de budget_tokens ainda é funcional no Opus 4.6 e Sonnet 4.6, mas está obsoleto. Prefira reduzir a configuração de effort ou usar max_tokens como limite rígido com pensamento adaptativo.



Aproveite as capacidades de pensamento e pensamento intercalado

Os modelos mais recentes do Claude oferecem capacidades de pensamento que podem ser especialmente úteis para tarefas envolvendo reflexão após uso de ferramentas ou raciocínio complexo de múltiplas etapas. Você pode orientar seu pensamento inicial ou intercalado para obter melhores resultados.

Claude Opus 4.6 e Claude Sonnet 4.6 usam pensamento adaptativo (thinking: {type: "adaptive"}), onde o Claude decide dinamicamente quando e quanto pensar. Claude calibra seu pensamento com base em dois fatores: o parâmetro effort e a complexidade da consulta. Effort mais alto provoca mais pensamento, e consultas mais complexas fazem o mesmo. Em consultas mais fáceis que não exigem pensamento, o modelo responde diretamente. Em avaliações internas, o pensamento adaptativo consistentemente gera melhor desempenho do que o pensamento estendido. Considere migrar para o pensamento adaptativo para obter as respostas mais inteligentes.

Use pensamento adaptativo para cargas de trabalho que exigem comportamento agêntico, como uso de ferramentas em múltiplas etapas, tarefas complexas de codificação e loops de agente de longo horizonte. Modelos mais antigos usam o modo de pensamento manual com budget_tokens.

Você pode orientar o comportamento de pensamento do Claude:

After receiving tool results, carefully reflect on their quality and determine optimal
next steps before proceeding. Use your thinking to plan and iterate based on this new
information, and then take the best next action.

O comportamento de acionamento do pensamento adaptativo é direcionável via prompt. Se você perceber que o modelo está pensando com mais frequência do que gostaria, o que pode acontecer com prompts do sistema grandes ou complexos, adicione orientações para direcioná-lo:

Extended thinking adds latency and should only be used when it will meaningfully improve
answer quality - typically for problems that require multi-step reasoning. When in
doubt, respond directly.

Se você está migrando do pensamento estendido com budget_tokens, substitua sua configuração de pensamento e mova o controle de orçamento para effort:

Antes (pensamento estendido, modelos mais antigos):

client.messages.create(
    model="claude-sonnet-4-5-20250929",
    max_tokens=64000,
    thinking={"type": "enabled", "budget_tokens": 32000},
    messages=[{"role": "user", "content": "..."}],
)

Depois (pensamento adaptativo):

client.messages.create(
    model="claude-opus-4-8",
    max_tokens=64000,
    thinking={"type": "adaptive"},
    output_config={"effort": "high"},  # or "max", "xhigh", "medium", "low"
    messages=[{"role": "user", "content": "..."}],
)

Se você não está usando pensamento estendido, nenhuma mudança é necessária. O pensamento fica desativado por padrão quando você omite o parâmetro thinking.

• Prefira instruções gerais a etapas prescritivas. Um prompt como "pense minuciosamente" frequentemente produz melhor raciocínio do que um plano passo a passo escrito à mão. O raciocínio do Claude frequentemente excede o que um humano prescreveria.
• Exemplos multishot funcionam com pensamento. Use tags <thinking> dentro dos seus exemplos few-shot para mostrar ao Claude o padrão de raciocínio. Ele generalizará esse estilo para seus próprios blocos de pensamento estendido.
• CoT manual como alternativa. Quando o pensamento está desativado, você ainda pode incentivar o raciocínio passo a passo pedindo ao Claude para pensar sobre o problema. Use tags estruturadas como <thinking> e <answer> para separar claramente o raciocínio da saída final.
• Peça ao Claude para se autoverificar. Acrescente algo como "Antes de terminar, verifique sua resposta em relação a [critérios de teste]." Isso detecta erros de forma confiável, especialmente para codificação e matemática.



Sistemas agênticos



Raciocínio de longo horizonte e rastreamento de estado

Os modelos mais recentes do Claude se destacam em tarefas de raciocínio de longo horizonte com capacidades excepcionais de rastreamento de estado. Claude mantém orientação ao longo de sessões estendidas focando em progresso incremental, fazendo avanços constantes em algumas coisas de cada vez em vez de tentar tudo de uma vez. Essa capacidade emerge especialmente ao longo de múltiplas janelas de contexto ou iterações de tarefa, onde o Claude pode trabalhar em uma tarefa complexa, salvar o estado e continuar com uma nova janela de contexto.



Consciência de contexto e fluxos de trabalho com múltiplas janelas

Os modelos Claude 4.6 e Claude 4.5 apresentam consciência de contexto, permitindo que o modelo rastreie sua janela de contexto restante (ou seja, "orçamento de tokens") ao longo de uma conversa. Isso permite que o Claude execute tarefas e gerencie contexto de forma mais eficaz ao entender quanto espaço tem para trabalhar.

Gerenciando limites de contexto:

Se você está usando o Claude em um harness de agente que compacta contexto ou permite salvar contexto em arquivos externos (como no Claude Code), considere adicionar essa informação ao seu prompt para que o Claude possa se comportar adequadamente. Caso contrário, o Claude pode às vezes naturalmente tentar encerrar o trabalho à medida que se aproxima do limite de contexto. Abaixo está um exemplo de prompt:

Your context window will be automatically compacted as it approaches its limit, allowing
you to continue working indefinitely from where you left off. Therefore, do not stop
tasks early due to token budget concerns. As you approach your token budget limit, save
your current progress and state to memory before the context window refreshes. Always be
as persistent and autonomous as possible and complete tasks fully, even if the end of
your budget is approaching. Never artificially stop any task early regardless of the
context remaining.

A ferramenta de memória combina naturalmente com a consciência de contexto para transições de contexto perfeitas.



Fluxos de trabalho com múltiplas janelas de contexto

Para tarefas que abrangem múltiplas janelas de contexto:

1. Use um prompt diferente para a primeira janela de contexto: Use a primeira janela de contexto para configurar uma estrutura (escrever testes, criar scripts de configuração), depois use janelas de contexto futuras para iterar sobre uma lista de tarefas.

2. Faça o modelo escrever testes em um formato estruturado: Peça ao Claude para criar testes antes de começar o trabalho e mantê-los em um formato estruturado (por exemplo, tests.json). Isso leva a uma melhor capacidade de iteração a longo prazo. Lembre o Claude da importância dos testes: "É inaceitável remover ou editar testes porque isso pode levar a funcionalidades ausentes ou com bugs."

3. Configure ferramentas de conveniência: Incentive o Claude a criar scripts de configuração (por exemplo, init.sh) para iniciar servidores, executar suítes de teste e linters de forma adequada. Isso evita trabalho repetido ao continuar de uma nova janela de contexto.

4. Começar do zero vs compactar: Quando uma janela de contexto é limpa, considere começar com uma janela de contexto totalmente nova em vez de usar compactação. Os modelos mais recentes do Claude são extremamente eficazes em descobrir o estado a partir do sistema de arquivos local. Em alguns casos, você pode querer aproveitar isso em vez da compactação. Seja prescritivo sobre como ele deve começar:

   • "Chame pwd; você só pode ler e escrever arquivos neste diretório."
   • "Revise progress.txt, tests.json e os logs do git."
   • "Execute manualmente um teste de integração fundamental antes de passar para a implementação de novos recursos."

5. Forneça ferramentas de verificação: À medida que a duração das tarefas autônomas cresce, o Claude precisa verificar a correção sem feedback humano contínuo. Ferramentas como o servidor MCP do Playwright ou capacidades de uso de computador para testar UIs são úteis.

6. Incentive o uso completo do contexto: Instrua o Claude a completar componentes de forma eficiente antes de prosseguir:

This is a very long task, so it may be beneficial to plan out your work clearly. It's
encouraged to spend your entire output context working on the task - just make sure you
don't run out of context with significant uncommitted work. Continue working
systematically until you have completed this task.



Melhores práticas de gerenciamento de estado

• Use formatos estruturados para dados de estado: Ao rastrear informações estruturadas (como resultados de testes ou status de tarefas), use JSON ou outros formatos estruturados para ajudar o Claude a entender os requisitos de esquema
• Use texto não estruturado para notas de progresso: Notas de progresso em formato livre funcionam bem para rastrear progresso geral e contexto
• Use git para rastreamento de estado: O git fornece um log do que foi feito e checkpoints que podem ser restaurados. Os modelos mais recentes do Claude têm desempenho especialmente bom ao usar git para rastrear estado ao longo de múltiplas sessões.
• Enfatize o progresso incremental: Peça explicitamente ao Claude para acompanhar seu progresso e focar em trabalho incremental



Equilibrando autonomia e segurança

Sem orientação, Claude Opus 4.6 pode tomar ações difíceis de reverter ou que afetam sistemas compartilhados, como excluir arquivos, fazer force-push ou publicar em serviços externos. Se você quiser que o Claude Opus 4.6 confirme antes de tomar ações potencialmente arriscadas, adicione orientações ao seu prompt:

Consider the reversibility and potential impact of your actions. You are encouraged to
take local, reversible actions like editing files or running tests, but for actions that
are hard to reverse, affect shared systems, or could be destructive, ask the user before
proceeding.

Examples of actions that warrant confirmation:
- Destructive operations: deleting files or branches, dropping database tables, rm -rf
- Hard to reverse operations: git push --force, git reset --hard, amending published commits
- Operations visible to others: pushing code, commenting on PRs/issues, sending
messages, modifying shared infrastructure

When encountering obstacles, do not use destructive actions as a shortcut. For example,
don't bypass safety checks (e.g. --no-verify) or discard unfamiliar files that may be
in-progress work.



Pesquisa e coleta de informações

Os modelos mais recentes do Claude demonstram capacidades excepcionais de busca agêntica e podem encontrar e sintetizar informações de múltiplas fontes de forma eficaz. Para resultados ideais de pesquisa:

1. Forneça critérios claros de sucesso: Defina o que constitui uma resposta bem-sucedida para sua pergunta de pesquisa

2. Incentive a verificação de fontes: Peça ao Claude para verificar informações em múltiplas fontes

3. Para tarefas de pesquisa complexas, use uma abordagem estruturada:

Search for this information in a structured way. As you gather data, develop several
competing hypotheses. Track your confidence levels in your progress notes to improve
calibration. Regularly self-critique your approach and plan. Update a hypothesis tree or
research notes file to persist information and provide transparency. Break down this
complex research task systematically.

Essa abordagem estruturada permite que o Claude encontre e sintetize praticamente qualquer informação e critique iterativamente suas descobertas, independentemente do tamanho do corpus.



Orquestração de subagentes

Os modelos mais recentes do Claude demonstram capacidades nativas de orquestração de subagentes significativamente aprimoradas. Esses modelos podem reconhecer quando tarefas se beneficiariam de delegar trabalho a subagentes especializados e fazem isso proativamente sem exigir instrução explícita.

Para aproveitar esse comportamento:

1. Garanta ferramentas de subagente bem definidas: Tenha ferramentas de subagente disponíveis e descritas nas definições de ferramentas
2. Deixe o Claude orquestrar naturalmente: Claude delegará adequadamente sem instrução explícita
3. Fique atento ao uso excessivo: Claude Opus 4.6 tem uma forte predileção por subagentes e pode criá-los em situações onde uma abordagem mais simples e direta seria suficiente. Por exemplo, o modelo pode criar subagentes para exploração de código quando uma chamada direta de grep é mais rápida e suficiente.

Se você estiver vendo uso excessivo de subagentes, adicione orientações explícitas sobre quando subagentes são e não são justificados:

Use subagents when tasks can run in parallel, require isolated context, or involve
independent workstreams that don't need to share state. For simple tasks, sequential
operations, single-file edits, or tasks where you need to maintain context across steps,
work directly rather than delegating.



Encadeie prompts complexos

Com pensamento adaptativo e orquestração de subagentes, o Claude lida com a maior parte do raciocínio de múltiplas etapas internamente. O encadeamento explícito de prompts (dividir uma tarefa em chamadas sequenciais de API) ainda é útil quando você precisa inspecionar saídas intermediárias ou impor uma estrutura de pipeline específica.

O padrão de encadeamento mais comum é a autocorreção: gerar um rascunho → fazer o Claude revisá-lo em relação a critérios → fazer o Claude refiná-lo com base na revisão. Cada etapa é uma chamada de API separada para que você possa registrar, avaliar ou ramificar em qualquer ponto.



Reduza a criação de arquivos em codificação agêntica

Os modelos mais recentes do Claude podem às vezes criar novos arquivos para fins de teste e iteração, particularmente ao trabalhar com código. Essa abordagem permite que o Claude use arquivos, especialmente scripts Python, como um 'rascunho temporário' antes de salvar sua saída final. Usar arquivos temporários pode melhorar os resultados, particularmente para casos de uso de codificação agêntica.

Se você preferir minimizar a criação líquida de novos arquivos, pode instruir o Claude a limpar depois de si mesmo:

If you create any temporary new files, scripts, or helper files for iteration, clean up
these files by removing them at the end of the task.



Excesso de proatividade

Claude Opus 4.5 e Claude Opus 4.6 têm uma tendência a superengenheirar criando arquivos extras, adicionando abstrações desnecessárias ou construindo flexibilidade que não foi solicitada. Se você estiver vendo esse comportamento indesejado, adicione orientações específicas para manter as soluções mínimas.

Por exemplo:

Avoid over-engineering. Only make changes that are directly requested or clearly
necessary. Keep solutions simple and focused:

- Scope: Don't add features, refactor code, or make "improvements" beyond what was
asked. A bug fix doesn't need surrounding code cleaned up. A simple feature doesn't need
extra configurability.

- Documentation: Don't add docstrings, comments, or type annotations to code you didn't
change. Only add comments where the logic isn't self-evident.

- Defensive coding: Don't add error handling, fallbacks, or validation for scenarios
that can't happen. Trust internal code and framework guarantees. Only validate at system
boundaries (user input, external APIs).

- Abstractions: Don't create helpers, utilities, or abstractions for one-time
operations. Don't design for hypothetical future requirements. The right amount of
complexity is the minimum needed for the current task.



Evite focar em passar testes e hard-coding

Claude pode às vezes focar demais em fazer testes passarem às custas de soluções mais gerais, ou pode usar soluções alternativas como scripts auxiliares para refatoração complexa em vez de usar ferramentas padrão diretamente. Para prevenir esse comportamento e garantir soluções robustas e generalizáveis:

Please write a high-quality, general-purpose solution using the standard tools
available. Do not create helper scripts or workarounds to accomplish the task more
efficiently. Implement a solution that works correctly for all valid inputs, not just
the test cases. Do not hard-code values or create solutions that only work for specific
test inputs. Instead, implement the actual logic that solves the problem generally.

Focus on understanding the problem requirements and implementing the correct algorithm.
Tests are there to verify correctness, not to define the solution. Provide a principled
implementation that follows best practices and software design principles.

If the task is unreasonable or infeasible, or if any of the tests are incorrect, please
inform me rather than working around them. The solution should be robust, maintainable,
and extendable.



Minimizando alucinações em codificação agêntica

Os modelos mais recentes do Claude são menos propensos a alucinações e fornecem respostas mais precisas, fundamentadas e inteligentes com base no código. Para incentivar ainda mais esse comportamento e minimizar alucinações:

<investigate_before_answering>
Never speculate about code you have not opened. If the user references a specific file,
you MUST read the file before answering. Make sure to investigate and read relevant
files BEFORE answering questions about the codebase. Never make any claims about code
before investigating unless you are certain of the correct answer - give grounded and
hallucination-free answers.
</investigate_before_answering>



Dicas específicas por capacidade



Capacidades de visão aprimoradas

Claude Opus 4.5 e Claude Opus 4.6 têm capacidades de visão aprimoradas em comparação com modelos Claude anteriores. Eles têm melhor desempenho em tarefas de processamento de imagem e extração de dados, particularmente quando há múltiplas imagens presentes no contexto. Essas melhorias se estendem ao uso de computador, onde os modelos podem interpretar capturas de tela e elementos de UI de forma mais confiável. Você também pode usar esses modelos para analisar vídeos dividindo-os em frames.

Uma técnica que se mostrou eficaz para aumentar ainda mais o desempenho é dar ao Claude uma ferramenta de recorte ou skill. Testes mostraram melhoria consistente em avaliações de imagem quando o Claude consegue dar "zoom" em regiões relevantes de uma imagem. A Anthropic criou um cookbook para a ferramenta de recorte.



Design de frontend

Claude Opus 4.5 e Claude Opus 4.6 se destacam na construção de aplicações web complexas e reais com forte design de frontend. No entanto, sem orientação, os modelos podem recorrer a padrões genéricos que criam o que os usuários chamam de estética "AI slop". Para criar frontends distintos e criativos que surpreendam e encantem:

Aqui está um trecho de prompt do sistema que você pode usar para incentivar um melhor design de frontend:

<frontend_aesthetics>
You tend to converge toward generic, "on distribution" outputs. In frontend design, this
creates what users call the "AI slop" aesthetic. Avoid this: make creative, distinctive
frontends that surprise and delight.

Focus on:
- Typography: Choose fonts that are beautiful, unique, and interesting. Avoid generic
fonts like Arial and Inter; opt instead for distinctive choices that elevate the
frontend's aesthetics.
- Color & Theme: Commit to a cohesive aesthetic. Use CSS variables for consistency.
Dominant colors with sharp accents outperform timid, evenly-distributed palettes. Draw
from IDE themes and cultural aesthetics for inspiration.
- Motion: Use animations for effects and micro-interactions. Prioritize CSS-only
solutions for HTML. Use Motion library for React when available. Focus on high-impact
moments: one well-orchestrated page load with staggered reveals (animation-delay)
creates more delight than scattered micro-interactions.
- Backgrounds: Create atmosphere and depth rather than defaulting to solid colors. Layer
CSS gradients, use geometric patterns, or add contextual effects that match the overall
aesthetic.

Avoid generic AI-generated aesthetics:
- Overused font families (Inter, Roboto, Arial, system fonts)
- Clichéd color schemes (particularly purple gradients on white backgrounds)
- Predictable layouts and component patterns
- Cookie-cutter design that lacks context-specific character

Interpret creatively and make unexpected choices that feel genuinely designed for the
context. Vary between light and dark themes, different fonts, different aesthetics. You
still tend to converge on common choices (Space Grotesk, for example) across
generations. Avoid this: it is critical that you think outside the box!
</frontend_aesthetics>

Você também pode consultar a definição completa da skill.



Considerações de migração

Ao migrar para modelos Claude 4.6 de gerações anteriores:

1. Seja específico sobre o comportamento desejado: Considere descrever exatamente o que você gostaria de ver na saída.

2. Enquadre suas instruções com modificadores: Adicionar modificadores que incentivem o Claude a aumentar a qualidade e o detalhe de sua saída pode ajudar a moldar melhor o desempenho do Claude. Por exemplo, em vez de "Crie um dashboard de analytics", use "Crie um dashboard de analytics. Inclua o máximo de recursos e interações relevantes possível. Vá além do básico para criar uma implementação completa."

3. Solicite recursos específicos explicitamente: Animações e elementos interativos devem ser solicitados explicitamente quando desejados.

4. Atualize a configuração de pensamento: Os modelos Claude 4.6 usam pensamento adaptativo (thinking: {type: "adaptive"}) em vez de pensamento manual com budget_tokens. Use o parâmetro effort para controlar a profundidade do pensamento.

5. Migre de respostas pré-preenchidas: Respostas pré-preenchidas no último turno do assistente não são mais suportadas a partir dos modelos Claude 4.6. Consulte Migrando de respostas pré-preenchidas para orientações detalhadas sobre alternativas.

6. Ajuste o prompting anti-preguiça: Se seus prompts anteriormente incentivavam o modelo a ser mais minucioso ou usar ferramentas de forma mais agressiva, reduza essa orientação. Os modelos Claude 4.6 são significativamente mais proativos e podem acionar em excesso com instruções que eram necessárias para modelos anteriores.

Para etapas detalhadas de migração, consulte o Guia de migração.



Migrando do Claude Sonnet 4.5 para o Claude Sonnet 4.6

Consulte Migrando do Sonnet 4.5 no guia de migração, que cobre a mudança no padrão de effort e ambos os caminhos de migração do pensamento estendido.