---
title: Prompts para o Claude Sonnet 5
url: https://platform.claude.com/docs/pt-BR/build-with-claude/prompt-engineering/prompting-claude-sonnet-5
description: Diferenças de comportamento e padrões de prompt para o Claude Sonnet 5, abrangendo esforço, padrões de pensamento adaptativo e uso de ferramentas.
---
Este guia aborda os padrões de prompt específicos do Claude Sonnet 5. Para as especificações do modelo, consulte [Claude Sonnet 5](https://platform.claude.com/docs/pt-BR/models/sonnet-5/overview). Para técnicas que se aplicam a todos os modelos Claude atuais, consulte [Melhores práticas de prompt](https://platform.claude.com/docs/pt-BR/build-with-claude/prompt-engineering/claude-prompting-best-practices).
O Claude Sonnet 5 tem pontos fortes particulares em tarefas de programação e agênticas. Ele tem bom desempenho imediato com prompts existentes do Claude Sonnet 4.6. Os padrões deste guia abordam os comportamentos que mais frequentemente exigem ajustes.
## Comprimento e verbosidade das respostas
O Claude Sonnet 5 calibra o comprimento da resposta de acordo com a complexidade da tarefa, em vez de adotar uma verbosidade fixa por padrão. Isso geralmente significa respostas mais curtas em consultas simples e mais longas em análises abertas.
Se o seu produto depende de um certo estilo ou verbosidade de saída, talvez você precise ajustar seus prompts. Por exemplo, para diminuir a verbosidade, você pode adicionar:
```text wrap
Provide concise, focused responses. Skip non-essential context, and keep examples minimal.
```
Se você observar tipos específicos de verbosidade (como explicações excessivas), pode adicionar instruções adicionais no seu prompt para evitá-los. Exemplos positivos que mostram como o Claude pode se comunicar com o nível adequado de concisão tendem a ser mais eficazes do que exemplos negativos ou instruções que dizem ao modelo o que não fazer.
## Calibrando o esforço e a profundidade do pensamento
O [parâmetro effort](https://platform.claude.com/docs/pt-BR/build-with-claude/effort) permite ajustar a inteligência do Claude em relação ao gasto de tokens, trocando capacidade por maior velocidade e menores custos. No Claude Sonnet 5, o esforço tem como padrão `high`, o mesmo que no Claude Sonnet 4.6. Para as tarefas de programação e agênticas mais difíceis, aumente o esforço para `xhigh`. Experimente outros níveis de esforço para ajustar ainda mais o uso de tokens e a inteligência:
* **`max`:** Capacidade máxima absoluta, sem restrições de gasto de tokens.
* **`xhigh`:** O esforço extra alto é a configuração recomendada para os casos de uso de programação e agênticos mais difíceis.
* **`high`:** O padrão. Esta configuração equilibra o uso de tokens e a inteligência para a maioria dos casos de uso.
* **`medium`:** Bom para casos de uso sensíveis a custos que precisam reduzir o uso de tokens, abrindo mão de parte da inteligência.
* **`low`:** Reserve para tarefas curtas e delimitadas e cargas de trabalho sensíveis à latência que não sejam sensíveis à inteligência.
Como um mapeamento aproximado entre modelos ao migrar: o Claude Sonnet 5 em medium é comparável em inteligência ao Claude Sonnet 4.6 em high, e o Claude Sonnet 5 em high é comparável ao Claude Sonnet 4.6 em max. Ao fazer benchmarks, compare pelo comprimento de pensamento observado, e não pelo nome do nível de esforço.
O Claude Sonnet 5 respeita os níveis de esforço estritamente, especialmente na faixa inferior. Em `low` e `medium`, o modelo limita seu trabalho ao que foi pedido, em vez de ir além da solicitação. Isso é bom para latência e custo, mas em tarefas moderadamente complexas executadas com esforço `low` há algum risco de pensamento insuficiente.
Se você observar raciocínio superficial em problemas complexos, aumente o esforço para `high` ou `xhigh` em vez de tentar contornar isso com prompts. Se precisar manter o esforço em `low` por causa da latência, adicione orientações direcionadas:
```text wrap
This task involves multistep reasoning. Think carefully through the problem before responding.
```
No Claude Sonnet 5, o [“adaptive thinking” (pensamento adaptativo)](https://platform.claude.com/docs/pt-BR/build-with-claude/thinking) está ativado por padrão. Requisições sem um campo `thinking` são executadas com pensamento adaptativo. Isso é uma mudança em relação ao Claude Sonnet 4.6, em que as mesmas requisições eram executadas sem pensamento. Para desativar o pensamento completamente, passe `thinking: {type: "disabled"}`. Como `max_tokens` é um limite rígido para a saída total (pensamento mais texto da resposta), revise-o para cargas de trabalho que eram executadas sem pensamento no Claude Sonnet 4.6. Se você usava o pensamento desativado com o Claude Sonnet 4.6, experimente o pensamento ativado com níveis de esforço mais baixos no Claude Sonnet 5.
O comportamento de acionamento do pensamento adaptativo pode ser direcionado. Se você perceber que o modelo emite blocos de pensamento com mais frequência do que gostaria, o que pode ocorrer com prompts do sistema grandes ou complexos, adicione orientações para direcioná-lo. Como sempre, meça o efeito de qualquer alteração de prompt no desempenho. Exemplo:
```text wrap
Thinking adds latency and should only be used when it will meaningfully improve answer quality, typically for problems that require multistep reasoning. When in doubt, respond directly.
```
Por outro lado, se você estiver executando cargas de trabalho difíceis em `medium` e observando pensamento insuficiente, a primeira alavanca é aumentar o esforço. Se precisar de um controle mais refinado, solicite isso diretamente no prompt.
O “extended thinking” (pensamento estendido) manual (`thinking: {type: "enabled", budget_tokens: N}`) não é suportado no Claude Sonnet 5 e retorna um erro 400. Ele foi descontinuado no Claude Sonnet 4.6 e agora foi removido. Use o pensamento adaptativo com o parâmetro effort em vez disso.
Se você estiver executando o Claude Sonnet 5 com esforço `high`, `xhigh` ou `max`, deixe margem em `max_tokens` para que o modelo tenha espaço para pensamento e chamadas de ferramentas. Em tarefas longas, o pensamento adaptativo pode usar uma grande parte do orçamento; se o orçamento for apertado, você pode ver uma resposta que é quase inteiramente pensamento seguida de uma resposta truncada e `stop_reason: "max_tokens"`. Aumentar `max_tokens` ou reduzir para o esforço `medium` resolve isso. Como o Claude Sonnet 5 usa um novo tokenizador que produz aproximadamente 30 por cento mais tokens para o mesmo texto, limites de `max_tokens` ajustados para o Claude Sonnet 4.6 podem truncar uma saída equivalente. O aumento exato depende do conteúdo e do formato da carga de trabalho.
## Acionamento do uso de ferramentas
O Claude Sonnet 5 é mais agêntico que o Claude Sonnet 4.6 por padrão e recorre a ferramentas e executa ciclos de autoverificação com mais facilidade. Com o pensamento desativado, o modelo tem menos probabilidade de recorrer a ferramentas ou considerar fazer buscas; se você depende de chamadas de ferramentas com o pensamento desativado, adicione um incentivo explícito no prompt do sistema. O esforço também é uma alavanca para o uso de ferramentas: configurações de esforço `high` ou `xhigh` mostram substancialmente mais uso de ferramentas em busca agêntica e programação. Para cenários em que você deseja mais uso de ferramentas, também pode ajustar seu prompt para instruir explicitamente o modelo sobre quando e como usar adequadamente suas ferramentas. Por exemplo, se você perceber que o modelo não está usando suas ferramentas de busca na web, descreva claramente por que e como ele deve usá-las.
## Atualizações de progresso voltadas ao usuário
O Claude Sonnet 5 fornece atualizações regulares e de maior qualidade ao usuário ao longo de traces agênticos longos. Se você adicionou estruturas para forçar mensagens de status intermediárias (“Após cada 3 chamadas de ferramentas, resuma o progresso”), experimente removê-las. Se você perceber que o comprimento ou o conteúdo das atualizações voltadas ao usuário do Claude Sonnet 5 não estão bem calibrados para o seu caso de uso, descreva explicitamente no prompt como essas atualizações devem ser e forneça exemplos.
## Seguimento de instruções mais literal
O Claude Sonnet 5 interpreta prompts de forma literal e explícita, particularmente em níveis de esforço mais baixos. Ele não generaliza silenciosamente uma instrução de um item para outro e não infere solicitações que você não fez. A vantagem desse literalismo é a precisão, e ele geralmente tem melhor desempenho em casos de uso de API com prompts cuidadosamente ajustados, extração estruturada e pipelines em que você deseja um comportamento previsível. Se você precisa que o Claude aplique uma instrução de forma ampla, declare o escopo explicitamente (por exemplo, “Aplique esta formatação a todas as seções, não apenas à primeira”).
## Tom e estilo de escrita
Como acontece com qualquer modelo novo, o estilo da prosa em textos longos pode mudar. Se o seu produto depende de uma voz específica, reavalie os prompts de estilo em relação à nova linha de base.
Por exemplo, se a voz do seu produto for mais calorosa ou mais conversacional, adicione:
```text wrap
Use a warm, collaborative tone. Acknowledge the user's framing before answering.
```
Se você dependia anteriormente de `temperature` para variedade estilística, observe que definir `temperature`, `top_p` ou `top_k` retorna um erro 400 no Claude Sonnet 5. Essa restrição é nova para modelos da classe Sonnet. Remova esses parâmetros ao migrar e use instruções no prompt do sistema para orientar o tom e a variedade.
## Padrões de design e frontend
O Claude Sonnet 5 pode se fixar em um estilo visual padrão consistente em briefings abertos de frontend e design. Um estilo próprio padrão pode funcionar bem para alguns briefings, mas ser inadequado para dashboards, ferramentas de desenvolvimento, fintech, saúde ou aplicativos corporativos.
Instruções genéricas (“não use essa cor”, “deixe limpo e minimalista”) tendem a levar o modelo a uma paleta fixa diferente, em vez de produzir variedade. Duas abordagens funcionam de forma confiável:
**1. Especifique uma alternativa concreta.** O modelo segue especificações explícitas com precisão:
```text wrap
Design a desktop landing page for a supplement brand called AEFRM.
The visual direction should come from a cold monochrome atmosphere using pale silver-gray tones that gradually deepen into blue-gray and near-black, similar to a misted metallic surface.
The page should feel sharp and controlled, with a strong sense of structure and restraint.
Use this tonal system across the full page instead of introducing bright accent colors.
Use the uploaded image on the hero design in black and white.
The layout should be built with clear horizontal sections and a centered max-width container. Use 4px corner radius consistently across cards, buttons, inputs, and media frames. Margins should feel generous, with enough empty space around each section so the page breathes.
Typography should use a square, angular sans-serif with wider letter spacing than usual, especially in headings and navigation, so the text feels more engineered and less compressed. Headline text can be large and uppercase, while supporting copy remains short and sparse. The sub texts should be written with Alumni Sans SC in 4-6px like tiny little texts on corners bottom centre like that.
For the structure, start with a hero section containing a strong product statement, one short supporting paragraph, and a clean product placeholder or packshot frame. Below that, add a benefit grid with three or four blocks, then a formulation or ingredients section, and finally a cta.
Buttons should be flat and precise, with subtle hover changes using transition: all 160ms ease out where brightness and border contrast shift slightly rather than using dramatic motion.
Color palette should stay within this range:
#E9ECEC, #C9D2D4, #8C9A9E, #44545B, #11171B.
```
**2. Peça ao modelo que proponha opções antes de construir.** Isso quebra o padrão e dá controle aos usuários. Como `temperature` não é aceito no Claude Sonnet 5, essa abordagem é a forma recomendada de produzir direções de design significativamente diferentes entre execuções. Exemplo de prompt:
```text wrap
Before building, propose 4 distinct visual directions tailored to this brief (each as: bg hex / accent hex / typeface, plus a one-line rationale). Ask the user to pick one, then implement only that direction.
```
Para se afastar de padrões genéricos que os usuários chamam de estética “AI slop”, você pode incluir uma diretiva curta no seu prompt do sistema. A [skill frontend-design](https://github.com/anthropics/claude-code/blob/main/plugins/frontend-design/skills/frontend-design/SKILL.md) oferece um tratamento mais completo, mas este trecho funciona bem junto com as abordagens de variedade anteriores:
```text wrap
NEVER use generic AI-generated aesthetics like overused font families (Inter, Roboto, Arial, system fonts), cliched color schemes (particularly purple gradients on white or dark backgrounds), predictable layouts and component patterns, and cookie-cutter design that lacks context-specific character. Use unique fonts, cohesive colors and themes, and animations for effects and micro-interactions.
```
## Produtos de programação interativos
O uso de tokens e o comportamento podem diferir entre agentes de programação autônomos e assíncronos com um único turno de usuário e agentes de programação interativos e síncronos com vários turnos de usuário. Para maximizar tanto o desempenho quanto a eficiência de tokens em produtos de programação, use o esforço `xhigh` ou `high`, adicione recursos autônomos, como um modo automático, e reduza o número de interações humanas exigidas dos seus usuários.
Ao limitar o número de interações exigidas do usuário, é importante especificar a tarefa, a intenção e as restrições relevantes logo no primeiro turno humano. Fornecer descrições de tarefas bem especificadas, claras e precisas desde o início pode ajudar a maximizar a autonomia e a inteligência, minimizando o uso extra de tokens após os turnos do usuário. Em contraste, prompts ambíguos ou subespecificados transmitidos progressivamente ao longo de vários turnos do usuário tendem a reduzir relativamente a eficiência de tokens e, às vezes, o desempenho.
## Harnesses de revisão de código
Se o seu harness de revisão de código foi ajustado para um modelo anterior, você pode inicialmente observar um recall menor no Claude Sonnet 5. Isso provavelmente é um efeito do harness, e não uma regressão de capacidade. Quando um prompt de revisão diz coisas como “relate apenas problemas de alta gravidade”, “seja conservador” ou “não seja minucioso demais”, o Claude Sonnet 5 pode seguir essa instrução com mais fidelidade do que os modelos anteriores: ele pode investigar o código com a mesma profundidade, identificar os bugs e, então, não relatar as descobertas que julgar abaixo do critério que você estabeleceu. Isso pode aparecer como o modelo fazendo a mesma profundidade de investigação, mas convertendo menos investigações em descobertas relatadas, especialmente em bugs de menor gravidade. A precisão normalmente aumenta, mas o recall medido pode cair, mesmo que a capacidade subjacente do modelo de encontrar bugs tenha melhorado.
Algumas sugestões de linguagem para o prompt:
```text wrap
Report every issue you find, including ones you are uncertain about or consider low-severity. Do not filter for importance or confidence at this stage - a separate verification step will do that. Your goal here is coverage: it is better to surface a finding that later gets filtered out than to silently drop a real bug. For each finding, include your confidence level and an estimated severity so a downstream filter can rank them.
```
Este prompt pode ser usado sem haver de fato uma segunda etapa, mas retirar a filtragem por confiança da etapa de descoberta geralmente ajuda. Se o seu harness tiver uma etapa separada de verificação, deduplicação ou classificação, diga explicitamente ao modelo que sua função na etapa de descoberta é a cobertura, e não a filtragem.
Se você quiser que o modelo filtre a si mesmo em uma única passagem, seja concreto sobre qual é o limite para relatar, em vez de usar termos qualitativos como “importante”: por exemplo, “relate quaisquer bugs que possam causar comportamento incorreto, falha de teste ou resultado enganoso; omita apenas detalhes como preferências puramente de estilo ou nomenclatura.”
Itere nos prompts com um subconjunto das suas avaliações ou casos de teste para validar ganhos de recall ou de pontuação F1.
## Uso do computador
O Claude Sonnet 5 oferece suporte a “computer use” (uso do computador) por meio do toolset `computer_toolset_20260801` e da versão da ferramenta `computer_20251124`. Ele também oferece suporte à [ferramenta de “browser use” (uso do navegador)](https://platform.claude.com/docs/pt-BR/agents-and-tools/tool-use/browser-use-tool) (`browser_toolset_20260801`) para tarefas dentro de páginas da web. A capacidade de [uso do computador](https://platform.claude.com/docs/pt-BR/agents-and-tools/tool-use/computer-use-tool) funciona em diferentes resoluções, até uma resolução máxima de 2576px / 3,75MP. Testes internos de uso do computador mostram que enviar imagens em 1080p oferece um bom equilíbrio entre desempenho e custo.
Para cargas de trabalho particularmente sensíveis a custos, 720p ou 1366×768 são opções de menor custo com bom desempenho. Realize seus próprios testes para encontrar as configurações ideais para o seu caso de uso; experimentar com as configurações de esforço também pode ajudar a ajustar o comportamento do modelo.