Prompting para o Claude Fable 5.2

Este guia aborda os padrões de prompting específicos do Claude Fable 5.2. Para as capacidades do modelo e as mudanças na API, consulte Novidades do Claude Fable 5.2. Para técnicas que se aplicam a todos os modelos Claude atuais, consulte Melhores práticas de prompting.

O Claude Fable 5.2 se comporta de forma diferente dos modelos anteriores em alguns aspectos. Comece pela seção que corresponde ao que você observa:

• Você não sabe qual nível de esforço usar, ou solicitações fáceis demoram demais: Calibre o esforço
• Um turno termina antes de o trabalho estar concluído: Conclua a tarefa inteira
• Você aprova etapas enquanto o agente trabalha, ou seu prompt do sistema tem regras de aprovação: Aprovações
• Um agente de programação repete código existente em vez de unificá-lo, ou relata problemas próximos sem corrigi-los: Diga a quem pertence o código
• Turnos agênticos longos parecem silenciosos: Mantenha os usuários informados durante turnos longos
• Sessões de agentes iniciam mais subagentes do que a tarefa precisa: Defina expectativas para subagentes
• Agentes pedem aprovações de que não precisam, ou deixam de fazer trabalho rotineiro: Evite que a cautela se acumule
• Você reaproveita um prompt do sistema, skills ou um harness escritos para o Claude Fable 5.1 ou o Claude Opus 5.5: Revise instruções escritas para modelos anteriores
• Seus usuários leem relatórios finais ou passagens de trabalho após tarefas longas: Torne os relatórios fáceis de acompanhar
• Solicitações retornam stop_reason: "refusal": Recusas de salvaguarda

Calibre o esforço

Comece em high, o padrão na Claude API. Se o seu caso de uso exigir, aumente ou diminua o esforço e teste cada alteração com suas próprias avaliações. O nível de esforço define o quanto o Claude Fable 5.2 pensa, quanto tempo um turno leva e quantos tokens ele usa. Ajuste o esforço junto com o seu prompt, porque o nível também muda a maneira como o modelo pensa e quantas chamadas de ferramenta ele faz.

Em geral, os níveis de esforço seguem a mesma ordem entre os modelos Claude, mas a quantidade de pensamento por trás de cada nível pode variar de um modelo para outro. Portanto, refaça sua varredura de esforço em vez de reaproveitar uma configuração que você ajustou no Claude Fable 5.1 ou no Claude Opus 5.5.

Escolha um nível de acordo com o tipo de trabalho:

• low é adequado para interações rápidas, tarefas bem especificadas e cargas de trabalho de alto volume, como subagentes rápidos e inteligentes. Nos testes da Anthropic, as pontuações do modelo em low ficaram próximas às pontuações do Claude Fable 5.1 em níveis de esforço mais altos.
• medium é adequado para programação interativa, chat e trabalho de conhecimento do dia a dia.
• high é adequado para programação difícil, pesquisa, trabalho agêntico e execuções longas sem supervisão. Os turnos levam visivelmente mais tempo para terminar do que em medium.
• xhigh é para seu trabalho de programação e agêntico de longa duração mais difícil, em que você mediu um ganho. Nas avaliações internas de programação da Anthropic, ele aumentou ligeiramente as pontuações e usou muito mais tokens.
• max é para medir o limite máximo do modelo, ou para a tarefa rara em que tempo e tokens não importam. Ele é mais adequado para problemas em aberto, como descoberta científica e matemática. Os turnos são lentos e usam muito mais tokens do que em xhigh.

A maior parte do ganho em capacidade já está presente em high. A passagem de medium para high aumentou as pontuações na maioria das avaliações de programação e de trabalho de conhecimento que a Anthropic acompanha. Essa passagem também usa mais tokens e mais tempo, então desça para medium sempre que suas avaliações mostrarem que a qualidade se mantém. Acima de high, os ganhos são irregulares e dependem da tarefa.

Ao escolher um nível, observe três comportamentos:

• O modelo tem mais probabilidade de parar cedo em níveis de esforço mais baixos. Para trabalho agêntico em low ou medium, adicione o texto em Conclua a tarefa inteira.
• Em high e acima, o modelo pensa antes de quase toda resposta, incluindo a resposta a uma saudação. Se solicitações fáceis demorarem demais ou custarem demais, use um nível de esforço mais baixo para esses turnos. Nos testes da Anthropic, uma instrução para responder diretamente sem deliberar não impediu o modelo de pensar em medium e acima.
• O esforço quase não altera o tamanho das respostas do modelo. Para alterar o tamanho e o tom de uma resposta, use seu prompt.

Você também pode combinar níveis em um mesmo fluxo de trabalho. Por exemplo, você pode planejar e iterar com o modelo em medium e depois aumentar o esforço para a parte longa e sem supervisão. Para mudar de nível dentro de uma conversa e manter o cache do prompt, use uma alteração de esforço por mensagem (beta, cabeçalho mid-conversation-output-config-2026-07-01); essa seção lista as plataformas em que ela está disponível. Uma alteração permanece válida até que outra a substitua. Onde o esforço por mensagem não estiver disponível, defina um novo valor de effort de nível superior na próxima solicitação, o que reinicia o cache.

Conclua a tarefa inteira

Em tarefas longas e com várias etapas, o Claude Fable 5.2 às vezes encerra um turno antes de o trabalho estar concluído. O turno termina com uma lista do que falta, uma oferta para continuar ou uma parada diante de um obstáculo comum, como um timeout. Isso ocorre com mais frequência nos esforços low e medium.

Se você observar essas paradas no seu agente, adicione um texto como este ao seu “system prompt” (prompt do sistema):

# Finishing work
Please avoid stopping while you still owe work the user asked for. Be persistent and do not stop unless needed.

While status notes are welcome, as is clarifying with the user on open decisions, carry on with work that does not depend on the user's answer without unnecessary stops.

If you notice yourself inviting the user to redirect you or offering to wait, instead proceed on the next part of the task. You may meet ordinary obstacles like errors, timeouts, locked files, empty results or failing tools. Diagnose them first, and when they are not real blockers, work through them with the access you have (wait and retry, fix the request, use another tool or source) rather than stopping unnecessarily.

If someone clearly decided something is a hard blocker, such as a file marked not to be touched, access that was intentionally withheld, or a safety guardrail, leave it alone, say plainly what you found, and look for another safe way to finish the task. Stopping before the task is complete is very rarely merited, as in when the task can't move forward without user input, or where the blocker is deliberate and should not be worked past. This does not override the need for confirmation on risky or destructive actions.

Esse texto distingue dois tipos de obstáculo. Ele diz ao modelo para diagnosticar e contornar obstáculos comuns, como erros, timeouts e ferramentas com falha. Ele diz ao modelo para não mexer em bloqueios deliberados, como um arquivo marcado para não ser alterado, e para relatá-los. Trate o texto como um ponto de partida e mantenha essa distinção ao adaptá-lo à sua aplicação.

A Anthropic reproduziu sessões gravadas de um produto de programação agêntica com esforço medium. Com uma versão deste texto, o número de sessões que terminaram com trabalho viável pendente caiu para cerca da metade do que era. O texto eliminou a maioria dos finais que pedem permissão ou se oferecem para continuar, mas não os finais que listam o que resta e depois param. Os tokens de saída aumentaram cerca de 30 por cento.

Como o modelo pergunta com menos frequência com esse texto, mantenha sua própria etapa de confirmação para ações arriscadas ou irreversíveis.

Aprovações

Quando você disser ao modelo para continuar, deixe claro o que você quer dele em vez de enviar apenas um “continue”. Por exemplo, responda “Sim, execute a migração no banco de dados de staging” onde você talvez enviasse “vai” ou um joinha.

Se o seu prompt do sistema tiver regras de aprovação, nomeie as ações exatas que elas abrangem, porque o modelo as aplica ao pé da letra. Nos testes da Anthropic em tarefas simuladas sem ninguém presente para aprovar, uma regra listava “enviar mensagens para pessoas fora desta conversa” entre as etapas que exigem aprovação. Com essa regra, o modelo deixou de fazer cerca de metade de suas solicitações rotineiras a colegas e outras equipes.

Diga a quem pertence o código

O Claude Fable 5.2 responde de perto ao que o prompt diz sobre a quem pertence o código em que trabalha. Nos testes da Anthropic em pequenas tarefas de programação, quando um prompt não dizia nada sobre propriedade ou apresentava a base de código como sendo de outra pessoa, o modelo tendia a acrescentar à estrutura existente, mesmo quando isso repetia código existente. Ele também tendia a relatar problemas próximos em vez de corrigi-los. Quando o prompt diz que a base de código é do próprio modelo, ele frequentemente unifica código repetido e faz correções relacionadas sem que ninguém peça.

Se você quiser que o modelo melhore a estrutura enquanto trabalha, diga que o código é dele:

This codebase is yours: what it's for and how it's built are your call, and you'll keep building on it.

Nos testes da Anthropic em pequenas tarefas de programação, o modelo unificou código repetido em cerca de metade das tentativas com essa frase, e em menos de um décimo das tentativas sem ela. A taxa variou conforme a tarefa. O resultado se manteve quando a frase estava dentro de um prompt do sistema longo. O recurso solicitado funcionou em quase todas as tentativas em ambos os casos.

Nos mesmos testes, o modelo também usou cerca de 1,5 vez mais tokens de saída com a frase e fez várias alterações que ninguém havia pedido, muitas delas novos testes e documentação. Além das correções de bugs, ele alterou o comportamento de um recurso existente em uma a cada seis a dez tentativas, e com mais frequência em esforços mais altos. Seu resumo final citava as alterações maiores, mas frequentemente omitia as pequenas, então revise o diff e não apenas o resumo.

Deixe de fora a frase sobre propriedade quando o usuário é o dono do código e quer que ele seja alterado o mínimo possível. Uma regra em outra parte do prompt que limita o escopo não anula a frase sobre propriedade. Nos testes da Anthropic, com “No drive-by refactors, renames or cleanups” em um ponto anterior do mesmo prompt, o modelo ainda assim unificou código repetido em cerca de um terço das tentativas.

Mantenha os usuários informados durante turnos longos

O Claude Fable 5.2 às vezes escreve pouco texto voltado ao usuário durante longas sequências de chamadas de ferramenta. O modelo também pode fazer sua primeira chamada de ferramenta sem dizer o que está prestes a fazer.

Primeiro, verifique se o seu cliente recebe as atualizações do modelo. No Claude Fable 5.2, as atualizações que o modelo escreve entre chamadas de ferramenta retornam como blocos thinking de atualização de progresso. Essas atualizações dizem o que o modelo encontrou e o que fará em seguida. Seu texto fica vazio com o valor padrão "omitted" de thinking.display. Assim, um cliente que renderiza apenas blocos text pode parecer silencioso durante um turno agêntico longo. Defina display: "updates" (beta, cabeçalho thinking-display-updates-2026-08-18) para receber um resumo curto de cada atualização, ou "summarized" para receber as atualizações junto com o raciocínio resumido. Em seguida, renderize os blocos thinking não vazios entre as chamadas de ferramenta.

Atualizações frequentes importam mais quando um usuário acompanha o trabalho em tempo real, como na programação interativa. Se seus usuários acompanham o trabalho e ainda recebem poucas atualizações, use uma ou mais destas opções.

Se você puder alterar seu “harness” (ambiente de execução do agente), uma opção eficaz é fazê-lo contar as etapas consecutivas de chamada de ferramenta que não dão ao usuário nada para ler: nenhum bloco text e nenhum bloco thinking com texto. Faça a contagem com display definido como "updates" ou "summarized", porque em "omitted" todo bloco thinking fica vazio. Essa opção funciona onde sua plataforma oferecer suporte a mensagens de sistema no meio da conversa. Após várias dessas etapas seguidas, faça o harness anexar este lembrete após os resultados de ferramenta mais recentes como uma mensagem de sistema com escopo de turno (clear_at: "next_user_message", beta, cabeçalho mid-conversation-system-clear-at-2026-08-21):

The user hasn't heard from you in a while: say in a few words what you're doing, then continue.

Nos testes da Anthropic em tarefas de programação com vários turnos, o lembrete reduziu aproximadamente pela metade o trecho silencioso mais longo, sem aumento perceptível de tokens ou tempo.

Mantenha cada lembrete em messages nas solicitações seguintes. Remover ou reescrever um deles edita um turno anterior, o que invalida os blocos de pensamento posteriores a ele. Consulte Envie lembretes por turno como mensagens de sistema com escopo de turno.

Para também obter uma linha de abertura antes da primeira chamada de ferramenta, atualizações breves e uma recapitulação final, adicione este texto ao seu prompt do sistema:

Before you start, say in a line what you're about to do; brief updates while you work help the user follow along. Close with a short recap that stands on its own (what you found, what you did, and what's next), so a reader who only sees the last message has the full picture.

Nos testes da Anthropic em tarefas de programação, o modelo se manifestou antes de sua primeira chamada de ferramenta em todas as vezes com esse texto. O texto também aumentou os tokens de saída por tarefa em cerca de 20 por cento. Use esse texto quando houver um humano diretamente no ciclo. Para obter o máximo de atualizações, combine-o com o lembrete que seu harness anexa.

Se você não puder alterar o harness, ou se sua plataforma não tiver mensagens de sistema no meio da conversa, adicione esta frase ao seu prompt do sistema:

Every few tool calls, give the user a one-line update on where things stand.

Nos testes da Anthropic em tarefas de automação de fluxos de trabalho, essa frase eliminou a maioria dos longos trechos silenciosos.

Mesmo com o lembrete e com o texto de abertura e recapitulação juntos, espere sequências de várias chamadas de ferramenta entre as atualizações. O Claude Fable 5.2 funciona bem em tarefas assíncronas de longa duração, em que o usuário volta para ver o resultado em vez de acompanhar cada etapa. Nesses casos, os intervalos entre atualizações importam menos.

Defina expectativas para subagentes

O quanto o Claude Fable 5.2 delega a “subagents” (subagentes) depende do seu harness e das suas tarefas. Nos testes da Anthropic em tarefas curtas com uma ferramenta mínima para iniciar subagentes, ele raramente iniciou um. Em um produto de programação agêntica cujos prompts incentivam a delegação, ele delega prontamente.

Se o seu prompt do sistema, skills ou arquivos de agente disserem ao modelo para delegar, revise essas linhas primeiro. Altere a descrição da ferramenta que inicia subagentes somente se o Claude Fable 5.2 ainda iniciar mais subagentes do que suas tarefas precisam. Se a ferramenta tiver uma descrição simples e nada mais nos seus prompts pedir delegação, você provavelmente não precisa de uma nova descrição.

Na nova descrição, declare o que um subagente acrescenta ao custo de uma sessão, diga quando a delegação vale a pena e quando não vale, e diga ao modelo como instruir um subagente que ele iniciar. A descrição que a Anthropic testou faz essas três coisas e coloca o custo em primeiro lugar. Uma descrição desse tipo é mais útil quando seu harness já incentiva a delegação e os subagentes representam uma grande parte do seu uso de tokens.

Nos testes da Anthropic em tarefas curtas, o modelo delegou cerca de um terço menos vezes com a descrição testada do que com uma que listava principalmente motivos para delegar. O sucesso das tarefas foi o mesmo.

Na descrição testada, as frases iniciais sobre custo contêm a delegação. Fale menos sobre custo se o modelo delegar pouco. Se ele ainda delegar demais, fale mais sobre o que um subagente custa no seu harness e teste a alteração.

A Anthropic também observou o Claude Fable 5.2 usando subagentes para revisar o próprio trabalho em um produto de programação agêntica em níveis de esforço mais altos, como xhigh e max. O Claude Fable 5.1 não fez isso nas mesmas tarefas. Os primeiros testadores obtiveram bons resultados com o Claude Fable 5.2 como planejador e orquestrador de outros modelos. A delegação pode acelerar trabalhos que funcionam bem em paralelo. No entanto, os subagentes podem responder por uma grande parte do custo de uma sessão, então verifique em qual modelo seu harness executa subagentes por padrão.

Evite que a cautela se acumule

Instruções cautelosas se acumulam onde quer que o contexto seja transportado: memória, notas, arquivos de instruções e mensagens entre agentes. O Claude Fable 5.2 segue essas instruções de perto, então pode pedir aprovações de que não precisa ou deixar de fazer trabalho rotineiro. Alguns dos primeiros testadores observaram esse comportamento, principalmente onde vários agentes trabalham juntos. Modelos anteriores também seguem essas instruções, mas em uma das configurações descritas aqui apenas o Claude Fable 5.2 se conteve.

Se você observar esse comportamento, faça uma limpeza no que seus agentes carregam:

• Remova notas de que você não precisa mais. Nos testes da Anthropic em tarefas simuladas, uma entre uma dúzia de notas de sessões anteriores dizia para nunca tentar novamente. Com essas notas no contexto, e sem nada no prompt que permitisse novas tentativas, o modelo tentou novamente após uma ferramenta estar ocupada em cerca de quatro a cada dez tentativas, contra quase todas sem essas notas.
• Nomeie as etapas que não precisam de aprovação. Nos testes da Anthropic em tarefas simuladas, o contexto continha regras de “nunca”, notas e as condições de um revisor. Uma linha no final das regras que listava novas tentativas entre as etapas que não precisam de aprovação aumentou as novas tentativas de quase nenhuma para cerca de metade das tentativas. Na mesma configuração, uma instrução genérica para agir com mais liberdade não mudou nada. Nomeie novas tentativas apenas para chamadas que são seguras de repetir.
• Verifique o que os agentes revisores anexam. Nos testes da Anthropic em tarefas simuladas, uma configuração tinha no prompt uma linha que listava novas tentativas entre as etapas que não precisam de aprovação, e um “pare no primeiro erro” de um revisor no contexto. O Claude Fable 5.2 não tentou novamente em cerca de um terço das tentativas. O Claude Fable 5.1 e o Claude Opus 5.5 tentaram novamente.
• Escreva a exceção dentro da regra. Nos testes da Anthropic em tarefas simuladas, a pessoa responsável havia aprovado uma etapa. Sob uma regra de “nunca”, o modelo executou essa etapa em cerca de uma a cada dez tentativas. Uma linha separada que dizia que uma etapa aprovada tem sua autorização não mudou muito essa taxa. Quando a própria regra dizia para obter uma autorização primeiro, o modelo executou a etapa em cerca de nove a cada dez tentativas. Consulte Aprovações.

Mantenha também sua própria etapa de confirmação para ações arriscadas ou irreversíveis.

Revise instruções escritas para modelos anteriores

Ao migrar para o Claude Fable 5.2, revise seus prompts. Nos testes da Anthropic, algumas instruções escritas para modelos anteriores aumentaram o custo, causaram efeitos colaterais ou deixaram de ter efeito. Reconsidere estas instruções:

• Instruções permanentes para delegar: Linhas que empurram trabalho para subagentes podem estar em prompts do sistema, skills e arquivos de agente. Leia esses arquivos antes de migrar. Se, nos seus testes, o modelo iniciar mais subagentes do que suas tarefas precisam, remova as linhas de que você não precisa mais. Consulte Defina expectativas para subagentes.
• Um orçamento de tokens que seu harness escreve no prompt: Alguns harnesses informam ao modelo, no prompt, quantos tokens a tarefa pode usar e quantos restam. O tamanho desse orçamento altera o quanto o Claude Fable 5.2 gasta. Nos testes da Anthropic em tarefas de programação nos esforços high e xhigh, remover um orçamento grande reduziu o custo, com desempenho equivalente. Teste suas tarefas sem o orçamento. Essa constatação se refere a texto no prompt, não aos orçamentos de tarefa da API, um recurso beta que os testes não abordaram.
• Código do harness que edita turnos anteriores: O Claude Fable 5.2 usa pensamento preservado. Se o seu harness alterar o prompt do sistema, as ferramentas ou uma mensagem anterior entre solicitações, os blocos de pensamento que vêm depois do ponto alterado no histórico se tornam inválidos. Por padrão, a Messages API então rejeita a solicitação, e a Message Batches API descarta esses blocos. Para encurtar o histórico sem esse erro, use edição de contexto ou uma compactação que não mantenha turnos anteriores após o resumo. Para que a Messages API também descarte os blocos, defina thinking.block_binding.prefix_mismatch_behavior como "drop_block" (beta, cabeçalho thinking-binding-controls-2026-08-01). Nos testes da Anthropic, quando o pensamento anterior era descartado em todos os turnos, o modelo pensava novamente e usava mais tokens de saída. Esse é o pior caso, e o aumento depende da frequência com que seu harness edita turnos anteriores. Exceto pela compactação e pela edição de contexto, mantenha o histórico somente com acréscimos. Isso mantém alta a taxa de acertos do cache, e nenhum pensamento é descartado. Meça os tokens de saída nas suas próprias tarefas antes de depender de "drop_block". Consulte O que a API faz com um bloco inválido e Faça alterações sem editar o prefixo.
• As linhas de “trate essa resposta como concluída”: Prompting para o Claude Opus 5.5 oferece duas frases para prompts do sistema de chat. Elas dizem ao modelo para tratar uma resposta anterior como concluída e para concentrar seu pensamento na nova mensagem. Nos testes da Anthropic no esforço high, essas frases reduziram o pensamento do Claude Fable 5.2 em perguntas de acompanhamento, mas o modelo também ficou muito menos propenso a apontar erros em suas respostas anteriores. Omita essas linhas quando quiser que o modelo continue reexaminando suas respostas anteriores. Nos demais casos, teste se o modelo ainda aponta os próprios erros antes de adotar as linhas.
• Instruções para pensar menos: O Claude Fable 5.1 geralmente segue uma linha como “responda diretamente sem deliberar”. Nos testes da Anthropic, uma linha assim não impediu o Claude Fable 5.2 de pensar em medium e acima. Remova essas linhas e reduza o nível de esforço, conforme descrito em Calibre o esforço.
• Regras de estilo de escrita: O Claude Fable 5.2 segue regras de estilo de perto, então um limite rígido como “uma instrução por frase, em 20 palavras ou menos” pode deixar sua prosa truncada. Remova as regras de que você não precisa mais antes de adicionar o texto em Torne os relatórios fáceis de acompanhar.
• Regras, notas e memórias que se acumularam: Arquivos de memória, notas e arquivos de instruções acumulam cautelas ao longo do tempo, e o próprio modelo pode ter escrito algumas delas. Antes de migrar, exclua as cautelas cujo motivo não se aplica mais e reescreva regras absolutas para que declarem seu escopo e seu motivo. Se um sistema já estiver travado, considere reiniciá-lo com a memória e as notas enxugadas, e guarde uma cópia dos originais. Consulte Evite que a cautela se acumule.

Torne os relatórios fáceis de acompanhar

Após um trabalho agêntico longo, as pessoas que leem o relatório final do Claude Fable 5.2 geralmente não viram as chamadas de ferramenta nem os arquivos por trás dele. O relatório precisa fazer sentido por si só.

Se você pedir ao Claude Fable 5.2 para escrever relatórios finais ou passagens de trabalho, adicione este texto ao seu prompt do sistema e ajuste-o aos seus leitores e ao seu produto:

# Communicating clearly
Write for an intelligent but low-context reader. The person reading has not seen your tool calls, your reasoning or the files you opened, and may be switching in from other work. Messages should generally be self-contained: the reader should understand what you mean without having to dig for other context. Put the key points in the first few sentences. Practice progressive disclosure in your sentence order, and do not use undefined references and ideas in line 1 that won't make sense until the reader reaches line 12.

Use plain words, and write in clear, understandable full sentences. Do not use a term or abbreviation that you made up during the work. Say what the thing is in a way any reader would understand. Write mostly in the style of ASD-STE100 Simplified Technical English: short sentences, one idea per sentence, active voice, and consistently using the same word for the same thing. Use a paragraph of flowing prose where ideas connect, and keep bullets for lists of separate items. Leave out unnecessary details unless the reader asks and practice concision, but do ensure that your messages have the key context. Aim to make your user-facing text as human-readable and clear as possible.

Nos testes da Anthropic em tarefas agênticas, esse texto tornou os relatórios finais menos densos, com menos ponto e vírgula. Em tarefas de automação de fluxos de trabalho, ele também tornou as frases mais curtas. Você também pode adicionar instruções sobre o tamanho ou pedir ao modelo que inclua detalhes específicos.

Recusas de salvaguarda

O Claude Fable 5.2 executa classificadores de segurança que podem recusar uma solicitação. Uma solicitação recusada retorna stop_reason: "refusal", e stop_details.category indica a categoria da recusa:

• cyber: a solicitação pode possibilitar danos cibernéticos, como desenvolvimento de malware ou exploits.
• bio: a solicitação pode possibilitar danos biológicos, como métodos de laboratório perigosos.
• frontier_llm: a solicitação pode ajudar no desenvolvimento de modelos de IA concorrentes.
• reasoning_extraction: a solicitação pede ao modelo que reproduza seu raciocínio interno no texto da resposta.
• general_harms: a solicitação se enquadra em outra área da política de uso.

Trabalhos benignos de cibersegurança e ciências da vida também podem acionar os classificadores cyber e bio. Se eles bloquearem o trabalho legítimo da sua organização, consulte o Cyber Verification Program e o Life Sciences Verification Program da Anthropic. O Claude Mythos 5.2 oferece as mesmas capacidades do Claude Fable 5.2 apenas para organizações verificadas por meio desses programas.

Se seus prompts, skills ou descrições de ferramentas pedirem ao modelo que escreva seu raciocínio na resposta, remova essas instruções. Para ver como o modelo raciocinou, defina display: "summarized" e leia os blocos de pensamento. Consulte Mantenha o raciocínio nos blocos de pensamento.

Para tentar novamente uma solicitação recusada em outro modelo, consulte Recusas, fallback e cobrança.

Por onde começar

Ao migrar, siga estas etapas em ordem:

1. Defina effort como high explicitamente e, em seguida, execute suas avaliações também em medium e xhigh.
2. Leia os prompts do sistema, skills, arquivos de agente, arquivos de memória, notas e textos de harness que você reaproveita. Remova ou teste as instruções listadas em Revise instruções escritas para modelos anteriores.
3. Execute suas tarefas agênticas mais longas. Observe onde o modelo para cedo, pede aprovações de que não precisa, fica em silêncio, delega mais do que a tarefa precisa ou acrescenta ao código existente quando você queria que ele fosse reestruturado.
4. Aplique as orientações para cada comportamento que você observou, uma de cada vez, e meça o efeito e o custo em tokens nas suas próprias tarefas.