Por que isso importa agora
Ferramentas como o Claude automatizam boa parte do trabalho repetitivo de ciência de dados: código de rotina, pesquisa e depuração ficam mais rápidos, e a produtividade das equipes de software sobe. Mas há um custo embutido — você precisa acompanhar como esses agentes evoluem. Há menos de um mês, a Anthropic publicou as novas regras de engenharia de contexto para os modelos da geração Claude 5, e elas mudam a forma como configuramos esses sistemas. A mensagem central: a engenharia de prompt deixou de ser a protagonista; o papel principal agora é da engenharia de contexto.
O que é engenharia de contexto
Existem duas formas principais de usar modelos como os da Anthropic. A primeira é a chamada de API: uma entrada única é processada e gera uma saída — você paga por tokens de entrada e saída, e pronto. A segunda é o uso agêntico, como no Claude Code ou no Codex, em que o modelo executa múltiplas chamadas de API internamente, cada uma responsável por algo diferente (raciocinar, codificar, gerar a saída).
Na chamada de API, a engenharia de prompt — a arte de montar a entrada perfeita — continua essencial. No uso agêntico, ela perde relevância: o agente precisa que toda a informação necessária esteja organizada em documentos, arquivos de instrução e configurações que chamamos de contexto. E esse contexto precisa ser “engenheirado” para ser usado de forma ótima.
As quatro diretrizes, traduzidas para o dia a dia
1. “Confia em mim” — não sobrecarregue o CLAUDE.md
O arquivo CLAUDE.md é criado pelo Claude Code ao inicializar uma pasta. A recomendação da Anthropic é parar de dar instruções demais ao modelo — o excesso de informação só aumenta a chance de instruções conflitantes. Basta indicar se a pasta é de EDA, de pesquisa ou de código a ser entregue em produção. O modelo entende que precisa de mais cuidado ao implementar algo em produção (arquivos .py) e menos em exploração (notebooks).
2. “Sem spoilers” — modularize as skills
O Claude usa skills para economizar tempo em tarefas repetitivas. A orientação é não colocar tudo em uma única skill longa, senão o modelo não sabe o que é relevante para o seu pedido. Cada microtarefa — carregar dados, explorar, subir cluster no Databricks, treinar modelo — deve virar uma skill específica, agrupada em uma skill macro. No fim, você constrói uma taxonomia, uma árvore de skills: uma skill data.md curta aponta para loading.md quando você pede para carregar dados.
3. “Obrigado pelas memórias” — use a memória a seu favor
Os modelos novos são bons em lembrar seus hábitos: o CLAUDE.md é atualizado regularmente com preferências significativas. A dica do autor é corretiva: quando uma skill não funciona exatamente como você quer, peça ao Claude para atualizá-la ao final da sessão. Se um pré-processamento filtra os NaN de forma agressiva demais, ajuste a skill para que ela funcione melhor da próxima vez.
4. “Você subestima meu poder” — aproveite arquivos e artefatos
O Claude trabalha com diversos formatos: arquivos .py e .json relevantes (como um hyperparameter.json com os parâmetros do treino) podem ser referenciados pela skill de treino. E há os artefatos, arquivos HTML ricos ótimos para apresentar resultados, revisar saídas, testar partes do pipeline e explorar dados.
O que isso significa na prática
Quando o modelo falha, normalmente é porque está olhando para a informação errada e não tem contexto suficiente. A saída é dar direção geral sem ser excessivamente específico; modularizar skills em rotinas pequenas e específicas; usar a memória auto-atualizável e corrigir as skills ao final das sessões; e adotar artefatos para enriquecer visualização e exploração.
Embora o guia seja específico do Claude, a tendência aponta na mesma direção para os demais provedores: os modelos continuam ficando mais inteligentes, e a engenharia de contexto é o caminho para destravar todo o potencial deles. Ferramentas como o Codex vão precisar de uma “tradução” do guia, mas o espírito é o mesmo.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
