Principais destaques
- Prompts gigantes e cheios de etapas não são automaticamente melhores: a própria Anthropic recomenda encontrar um ponto de equilíbrio entre orientar o agente e deixar espaço para que ele tome decisões.
- Claude Opus 5 foi projetado para tarefas longas e complexas: a documentação oficial destaca sua capacidade de executar trabalhos de ponta a ponta, especialmente quando recebe a especificação completa e pode trabalhar com autonomia.
- O segredo está mudando de prompt engineering para context engineering: mais importante do que encontrar a frase perfeita é fornecer ao modelo as informações certas, no momento certo, e retirar o que virou ruído.
Durante muito tempo, uma das principais recomendações para quem trabalhava com inteligência artificial era quase intuitiva: se a resposta não estivesse boa, escreva um prompt mais detalhado.
Explique o papel da IA. Liste as etapas. Diga o que ela deve fazer primeiro. Depois, o que deve fazer em seguida. Acrescente exemplos. Crie exceções. Inclua regras para situações inesperadas. E, se ainda assim alguma coisa der errado, coloque mais uma instrução no prompt.
Essa estratégia ainda pode funcionar. Mas a chegada de modelos mais capazes está tornando essa lógica menos universal.
O Claude Opus 5 é um dos exemplos mais interessantes dessa mudança. A documentação oficial da Anthropic afirma que o modelo é especialmente forte em tarefas agentic de longa duração, como projetos de programação com vários arquivos, grandes refatorações e trabalhos completos de ponta a ponta. Em muitos desses cenários, a recomendação é fornecer uma especificação completa e deixar o modelo executar o trabalho.
Isso não significa simplesmente “escreva prompts curtos”.
A ideia é mais sutil.
Um bom prompt para um agente moderno precisa dizer o suficiente para que ele entenda o problema, mas não tanto a ponto de transformar o agente em um executor mecânico de uma receita criada para outro modelo.
E existe uma segunda mudança importante: não basta pensar no prompt isoladamente. A própria Anthropic passou a tratar o problema como context engineering, ou engenharia de contexto. O foco deixa de ser apenas a frase enviada ao modelo e passa a incluir instruções de sistema, ferramentas, arquivos, histórico, dados externos, memória e tudo aquilo que compõe o contexto disponível durante a execução.
É aí que a discussão sobre Claude Opus 5 fica especialmente interessante para quem usa IA para pesquisa, escrita, análise, programação ou automação.
1. O problema não é ter muitas instruções. É controlar o que a IA já sabe fazer
Existe uma diferença importante entre ser específico e microgerenciar.
Ser específico significa explicar o que você precisa.
Microgerenciar significa tentar decidir antecipadamente cada movimento que o agente deverá fazer para chegar lá.
Essa distinção parece pequena, mas muda completamente a maneira de escrever prompts para agentes.
A Anthropic descreve o ponto ideal como uma espécie de “zona Cachinhos Dourados”: de um lado está o prompt rígido demais, cheio de lógica específica e frágil; do outro está o pedido genérico demais, que não oferece sinais concretos suficientes para orientar o modelo. O melhor resultado fica no meio.
Um exemplo simples
Imagine que você queira usar um agente para analisar uma empresa.
Um prompt excessivamente procedural poderia dizer:
- Abra o relatório anual.
- Leia primeiro a página 10.
- Depois leia a página 25.
- Extraia a receita.
- Extraia o lucro.
- Calcule a margem.
- Faça uma tabela.
- Compare com o ano anterior.
- Escreva cinco conclusões.
- Revise a tabela.
- Revise os cálculos.
- Faça uma segunda revisão.
- Confirme novamente os números.
Parece cuidadoso.
Mas também existe uma boa chance de você estar gastando instruções para explicar ao modelo como realizar uma tarefa que ele já consegue organizar sozinho.
Uma alternativa melhor seria:
Analise o relatório anual anexado e produza uma avaliação financeira da empresa. Identifique os principais indicadores, compare a evolução em relação ao período anterior e destaque mudanças relevantes em receita, rentabilidade e endividamento. Não invente dados. Sempre diferencie fatos encontrados no documento de interpretações suas. O resultado deve estar pronto para ser apresentado a um leitor que não acompanhou a análise.
A segunda versão ainda é específica.
Ela apenas especifica o resultado.
E isso é uma diferença enorme.
O que mudou?
| Prompt tradicional | Prompt orientado a agente |
|---|---|
| Explica cada etapa | Explica o objetivo |
| Controla a sequência | Define o resultado |
| Tenta prever erros | Define limites |
| Determina o método | Permite decisões intermediárias |
| Usa muitas regras | Usa critérios claros |
| Foca no processo | Foca no estado final |
Essa mudança não significa abandonar estrutura.
Pelo contrário.
A documentação da Anthropic recomenda que prompts tenham linguagem clara e direta, além de seções bem delimitadas para contexto, instruções, ferramentas e descrição da saída. O ponto é evitar transformar essa estrutura em uma coleção interminável de regras condicionais.
A pergunta deixa de ser:
“Como faço a IA seguir exatamente estes 17 passos?”
E passa a ser:
“Que informação ela precisa receber para conseguir tomar boas decisões durante esses 17 passos?”
Essa é uma das mudanças mais importantes na maneira de trabalhar com agentes.
Prompt para copiar e colar: transformar uma tarefa rígida em uma tarefa agentic
Quero que você execute a tarefa abaixo de ponta a ponta.
OBJETIVO[descreva o resultado final que você precisa]
CONTEXTO
[explique as informações que a IA precisa conhecer]
RESTRIÇÕES
[defina orçamento, escopo, fontes, formato, prazo ou outras limitações realmente importantes]
CRITÉRIOS DE SUCESSO Considere a tarefa concluída somente quando:
[descreva como será possível verificar que o resultado está correto]
AUTONOMIA Escolha a estratégia e a sequência de execução que considerar mais adequadas. Não siga uma sequência fixa se outra abordagem produzir um resultado melhor. Se encontrar uma ambiguidade que possa mudar materialmente o resultado, sinalize-a. Caso contrário, tome uma decisão razoável e continue. Entregue o resultado completo, sem deixar etapas importantes para depois.
Esse modelo é deliberadamente simples.
Ele não tenta ensinar a IA a pensar. Ele fornece contexto, objetivo, limites e uma definição de “pronto”.
2. A grande mudança é do prompt engineering para o context engineering
Talvez a parte mais importante dessa discussão não esteja no Claude Opus 5 em si.
Ela está na evolução do conceito de prompt engineering para context engineering.
Durante a primeira fase da IA generativa, o desafio parecia ser encontrar as palavras certas.
“Qual prompt faz o modelo responder melhor?”
“Qual estrutura gera menos alucinações?”
“Qual frase faz a IA assumir determinado papel?”
“Devo usar XML?”
“Devo dizer ‘você é um especialista’?”
Essas técnicas continuam tendo utilidade.
Mas agentes modernos trabalham de uma maneira diferente.
Eles podem consultar arquivos, executar ferramentas, pesquisar informações, analisar documentos, escrever arquivos, modificar código, chamar outros agentes e continuar trabalhando por várias etapas.
Nesse ambiente, o prompt é apenas uma parte do problema.
A Anthropic define context engineering como a prática de selecionar e manter o conjunto de informações que chega ao modelo durante a inferência. Isso inclui instruções, ferramentas, histórico da conversa, dados externos, MCP, memória e outros elementos.
Pense no contexto como uma mesa de trabalho
Imagine um pesquisador diante de uma mesa.
Coloque na mesa:
- o documento que ele precisa analisar;
- os dados mais importantes;
- as regras da empresa;
- exemplos de trabalhos anteriores;
- as ferramentas que ele pode usar;
- as perguntas que precisa responder.
Agora coloque também:
- 40 páginas de instruções que ninguém mais usa;
- regras antigas;
- exemplos contraditórios;
- procedimentos criados para uma versão anterior da ferramenta;
- exceções que nunca acontecem;
- informações irrelevantes;
- instruções repetidas.
A mesa ficou maior.
Mas o pesquisador ficou melhor?
Não necessariamente.
É essa a lógica por trás da engenharia de contexto.
Mais contexto não significa automaticamente mais inteligência.
O objetivo é aumentar a quantidade de informação útil e reduzir o ruído.
A própria Anthropic recomenda buscar o menor conjunto de informações que consiga definir adequadamente o comportamento esperado. A empresa também ressalta que “mínimo” não significa necessariamente curto: um contexto pode ser longo quando o trabalho realmente exige isso.
O que deve continuar no seu contexto?
Nem tudo que é detalhado é ruim.
Algumas informações são justamente o que torna um agente útil.
Mantenha:
- identidade e contexto da empresa;
- regras de negócio;
- localização dos arquivos;
- padrões de marca;
- critérios jurídicos ou regulatórios relevantes;
- formatos obrigatórios;
- exemplos de saída;
- informações específicas do projeto;
- fontes que precisam ser consideradas;
- restrições que realmente importam.
Questione:
- sequências rígidas de execução;
- regras criadas para um modelo antigo;
- instruções que repetem comportamentos já naturais;
- verificações duplicadas;
- listas enormes de exceções;
- procedimentos que não têm mais função;
- comandos que entram em conflito com a capacidade atual do modelo.
É justamente aqui que aparece uma das lições mais úteis para quem atualiza modelos com frequência.
Não atualize apenas o modelo. Atualize também o ambiente que foi construído ao redor dele.
E existe uma pegadinha importante com a verificação
O texto original que inspirou este artigo coloca bastante ênfase em ensinar o agente a verificar o próprio trabalho.
A ideia continua sendo importante.
Mas a documentação atual do Claude Opus 5 traz uma nuance relevante: o modelo já tende a verificar seu próprio trabalho. Por isso, instruções explícitas como “sempre faça uma etapa final de verificação” ou “use um subagente para verificar tudo” podem gerar over-verification, ou seja, verificações excessivas que consomem tempo e tokens sem melhorar proporcionalmente o resultado.
Isso é um ótimo exemplo de como as instruções precisam acompanhar o modelo.
Uma regra que fazia sentido em uma geração pode se tornar desnecessária em outra.
Portanto, em vez de escrever:
Depois de terminar, faça uma segunda revisão completa.
Depois faça uma terceira revisão.
Depois peça a outro agente para revisar.
Depois revise novamente.
prefira algo como:
Entregue um resultado correto e completo. Antes de concluir, confirme internamente que os critérios de sucesso foram atendidos e corrija eventuais problemas encontrados.
E, para o Opus 5 especificamente, muitas vezes até isso pode ser dispensável quando a tarefa já estiver suficientemente bem definida.
A própria documentação recomenda remover instruções legadas de verificação quando elas estiverem provocando verificações excessivas.
3. Como criar prompts melhores para agentes em 2026
A evolução do prompting não significa que a IA virou “mágica”.
Pelo contrário.
Quanto mais autonomia o sistema recebe, mais importante fica definir corretamente o que pode acontecer e o que não pode acontecer.
A Anthropic observa que agentes podem interpretar uma instrução de maneira mais ampla do que o usuário pretendia. Um pedido como “organize meus arquivos”, por exemplo, pode ser interpretado como autorização para excluir duplicatas ou alterar estruturas de pastas. A empresa usa esse tipo de situação para destacar a importância de equilibrar autonomia e supervisão humana.
É por isso que um bom prompt agentic precisa deixar claras as fronteiras.
Não é necessário dizer como o agente deve fazer tudo.
Mas é necessário dizer onde ele não deve ir.
A estrutura que vale testar
Para tarefas complexas, pense em cinco blocos:
1. Objetivo
O que precisa existir quando o trabalho terminar?
2. Contexto
O que a IA precisa saber para tomar boas decisões?
3. Restrições
O que ela não pode fazer ou modificar?
4. Critérios de sucesso
Como saberemos que o resultado está correto?
5. Autonomia
Quais decisões podem ser tomadas sem pedir autorização?
Essa última parte é especialmente importante.
Se você quer que o agente pesquise, compare, organize e refine sozinho, diga isso.
Se você quer que ele pare antes de enviar um e-mail, apagar um arquivo ou alterar dados de produção, diga isso também.
Prompt para copiar e colar: agente de pesquisa
Atue como um pesquisador responsável por produzir uma análise pronta para tomada de decisão.
OBJETIVO
Investigue [TEMA] e produza uma análise clara, aprofundada e baseada em evidências.
CONTEXTO
O leitor é [DESCREVA O PÚBLICO].
A análise será usada para [DESCREVA O USO].
O QUE PRECISA SER RESPONDIDO
1. [PERGUNTA 1]
2. [PERGUNTA 2]
3. [PERGUNTA 3]
CRITÉRIOS DE QUALIDADE
Priorize fontes primárias e informações recentes quando o assunto exigir atualização.
Diferencie fatos, interpretações e incertezas.
Não preencha lacunas com suposições apresentadas como fatos.
Quando houver informações conflitantes, explique a divergência.
AUTONOMIA
Escolha as fontes, a ordem da pesquisa e a estrutura da análise.
Faça as etapas intermediárias necessárias sem pedir autorização a cada momento.
RESULTADO FINAL
Entregue:
• uma conclusão executiva;
• os principais achados;
• evidências que sustentam cada conclusão;
• pontos de incerteza;
• implicações práticas;
• uma recomendação final, quando houver evidências suficientes para fazê-la.
Não encerre a tarefa apenas porque encontrou uma resposta plausível. Continue até que as perguntas principais estejam adequadamente respondidas.
Esse tipo de prompt é mais próximo de uma briefing para um profissional do que de uma receita para uma máquina.
E essa comparação é útil.
Em um time humano, você provavelmente não contrataria um pesquisador experiente e diria exatamente qual aba abrir primeiro, qual frase escrever na terceira linha e em que ordem fazer cada pesquisa.
Você explicaria o problema, daria acesso aos recursos necessários e definiria o padrão de qualidade.
Depois, acompanharia.
É uma lógica parecida com a que começa a aparecer no trabalho com agentes.
Prompt para copiar e colar: revisar um trabalho sem microgerenciar
Revise o material abaixo como um editor experiente.
OBJETIVO
Identificar problemas que realmente comprometam a qualidade do material e propor correções.
AVALIE
• precisão factual;
• clareza;
• lógica;
• estrutura;
• consistência;
• informações ausentes;
• afirmações que precisam de evidência;
• trechos redundantes;
• adequação ao público.
Não procure problemas apenas para aumentar a quantidade de comentários.
Priorize questões que tenham impacto real no resultado.
Para cada problema relevante:
1. explique o que está errado;
2. explique por que isso importa;
3. proponha uma correção.
Se o material estiver adequado em determinado aspecto, não invente problemas.
Ao final, entregue uma versão revisada pronta para uso.
Repare no que desapareceu.
Não existe:
“primeiro leia o título”.
“depois leia o primeiro parágrafo”.
“depois marque cinco problemas”.
“depois procure dez redundâncias”.
O agente recebe uma régua.
Ele decide como chegar até ela.
O que fazer com seus prompts antigos?
Essa talvez seja a aplicação mais prática de toda essa discussão.
Se você usa Claude, ChatGPT ou outro sistema de IA há algum tempo, provavelmente acumulou uma quantidade considerável de instruções.
Algumas podem ter sido escritas meses ou anos atrás.
Elas podem ter funcionado muito bem.
E justamente por isso ninguém mexeu nelas.
Esse é o problema.
Uma atualização de modelo pode mudar o comportamento esperado.
A documentação do Claude Opus 5 recomenda revisar configurações herdadas de modelos anteriores. A própria Anthropic afirma que soluções específicas criadas para modelos antigos podem deixar de ser necessárias, especialmente em áreas como visão, esforço de raciocínio e verificação.
A empresa também mostrou, em abril de 2026, como uma única mudança em um system prompt do Claude Code conseguiu reduzir o desempenho em uma avaliação em cerca de 3%. A instrução havia sido criada para limitar a quantidade de texto produzido pelo modelo, mas acabou prejudicando a inteligência em determinadas tarefas. A Anthropic reverteu a mudança e passou a defender avaliações mais amplas para alterações no prompt do sistema.
Essa história é importante porque mostra que prompt não é uma camada neutra.
Uma frase aparentemente inofensiva pode alterar o comportamento de um modelo.
Por isso, prompts importantes deveriam ser tratados quase como código.
Teste.
Compare.
Meça.
Faça mudanças pequenas.
E, principalmente, não presuma que uma instrução é boa simplesmente porque funcionou no passado.
Faça este teste com seu próprio agente
Pegue uma tarefa real que você executa regularmente.
Rode três versões.
VERSÃO A
Seu prompt atual, completo, com todas as regras.
VERSÃO B
O mesmo prompt, mas removendo instruções claramente operacionais e repetitivas.
VERSÃO C
Apenas contexto, objetivo, restrições e critérios de sucesso.
Depois compare.
Não avalie apenas “qual resposta parece mais bonita”.
Observe:
- qualidade;
- completude;
- quantidade de correções necessárias;
- autonomia;
- tempo;
- consumo de tokens;
- erros;
- decisões inesperadas;
- quantidade de intervenções humanas.
Essa abordagem é particularmente importante porque a experiência real com agentes mostra que a autonomia está aumentando. Uma análise da Anthropic baseada em milhões de interações encontrou que, nas sessões mais longas, o tempo de trabalho autônomo do Claude Code praticamente dobrou em três meses, passando de menos de 25 minutos para mais de 45 minutos.
Ou seja: cada vez mais, não estamos apenas pedindo para a IA responder.
Estamos pedindo para ela trabalhar.
E quanto mais tempo ela trabalha, mais importante fica a qualidade do contexto que recebeu.
Um último prompt para guardar: “limpe meu sistema”
Se você já possui um conjunto enorme de instruções personalizadas, pode usar a própria IA para fazer uma auditoria.
Quero auditar minhas instruções personalizadas para uso com um modelo de IA mais recente.
Analise todas as instruções abaixo e classifique cada uma em quatro categorias:
1. CONTEXTO ESSENCIAL
Informações que a IA precisa conhecer porque não consegue inferi-las sozinha.
2. RESTRIÇÃO IMPORTANTE
Regras que continuam necessárias para limitar comportamento, escopo, segurança, formato ou negócio.
3. INSTRUÇÃO OPERACIONAL
Instruções que dizem ao modelo exatamente como executar uma tarefa.
4. POSSÍVEL LEGADO
Instruções que parecem existir para compensar uma limitação de um modelo anterior, controlar comportamentos que o modelo atual provavelmente já consegue controlar ou repetir regras já cobertas por outras instruções.
Para cada item, explique sua classificação.
Depois produza uma versão revisada das minhas instruções.
Objetivo da nova versão:
• preservar todo contexto importante;
• preservar restrições realmente necessárias;
• remover redundâncias;
• reduzir microgerenciamento;
• evitar regras conflitantes;
• deixar espaço para o modelo tomar decisões;
• manter exemplos que realmente esclareçam o comportamento esperado.
Não remova uma instrução apenas porque ela é longa.
Remova-a quando ela for desnecessária, redundante, conflitante ou excessivamente prescritiva.
Ao final, mostre:
A. o que foi mantido;
B. o que foi removido;
C. o que foi reescrito;
D. quais mudanças eu deveria testar antes de adotar.
A nova habilidade não é escrever o prompt perfeito
Existe uma ironia interessante nessa evolução.
Quanto mais capazes ficam os modelos, menos o usuário precisa ser um “roteirista” de cada movimento da IA.
Mas isso não torna o usuário menos importante.
Na verdade, aumenta a responsabilidade sobre as decisões que realmente importam.
Qual é o problema?
Qual é o resultado que vale a pena alcançar?
Quais informações são confiáveis?
Quais limites não podem ser ultrapassados?
O que significa fazer um bom trabalho?
Quando a IA deve decidir sozinha e quando precisa chamar um humano?
Essas perguntas são mais importantes do que descobrir se determinada frase deve começar com “Você é um especialista”.
A própria pesquisa da Anthropic sobre o uso do Claude Code reforça essa divisão de trabalho: em sessões reais, humanos tendem a tomar as principais decisões de planejamento, enquanto Claude assume grande parte das decisões de execução. Quanto maior a experiência do usuário no domínio, maior tende a ser a quantidade de trabalho que o agente consegue realizar por instrução.
Esse talvez seja o melhor modelo mental para a era dos agentes.
Você decide o que precisa ser feito.
A IA decide cada vez mais como fazer.
Mas existe uma condição para isso funcionar: o agente precisa receber contexto suficiente para tomar boas decisões.
Não é o fim dos prompts.
É o fim da ideia de que um prompt é apenas uma sequência de comandos.
O futuro do trabalho com IA parece muito mais próximo de construir um ambiente de execução inteligente. O prompt é uma peça desse ambiente. As ferramentas são outra. Os arquivos, a memória, os exemplos, os critérios de sucesso e os limites também fazem parte.
E, quando um novo modelo chegar, talvez a primeira pergunta não devesse ser:
“Qual é o novo prompt mágico?”
Talvez seja:
“O que eu estava obrigando o modelo antigo a fazer que o novo modelo já consegue fazer sozinho?”
Essa pergunta pode economizar muito mais tempo do que escrever mais 500 palavras de instruções.
Para levar deste Learning
1. Dê o destino, não necessariamente o caminho.
Defina claramente o resultado, o contexto, as restrições e o que significa terminar.
2. Faça uma limpeza quando trocar de modelo.
Uma instrução útil ontem pode ser redundante ou até prejudicial hoje. A documentação do Opus 5 recomenda explicitamente revisar comportamentos e scaffolding herdados de modelos anteriores.
3. Pense em contexto, não apenas em prompt.
Arquivos, ferramentas, exemplos, histórico e informações externas podem ser tão importantes quanto as palavras da instrução.
4. Não confunda autonomia com ausência de limites.
Quanto mais liberdade o agente recebe, mais importante é deixar claro o que está fora do escopo.
5. Teste antes de acreditar.
A melhor configuração não é a mais elegante no papel. É a que produz resultados melhores nas tarefas que você realmente executa.
Fontes consultadas: Anthropic, documentação oficial do Claude Opus 5 e materiais de engenharia sobre context engineering e agentes.
