Claude Opus 4.7 no Claude Code: melhores práticas que testei (e recomendo)

Eu testei o Claude Opus 4.7 assim que a Anthropic liberou, e posso dizer sem exagero: não é só mais um modelo. É o primeiro que me fez repensar completamente como estruturo minhas sessões no Claude Opus 4.7 no Claude Code. A Anthropic publicou um artigo completo com as melhores práticas, e depois de semanas usando o modelo no dia a dia — de refatorações complexas a debugging em codebase alheia — quero compartilhar o que realmente funciona e o que eu faria diferente.

O que mudou: Opus 4.7 não é o 4.6 com um número a mais

A primeira coisa que notei foi o tokenizer novo. O Opus 4.7 consome tokens de forma diferente, especialmente em sessões longas com múltiplas interações. A Anthropic explica que o modelo “raciocina mais após turns do usuário”, o que melhora a coerência em sessões longas mas aumenta o gasto de tokens. Na prática, isso significa que a forma como você organiza o prompt inicial — e quantas interações você faz — impacta diretamente o custo.

Outra mudança arquitetural crítica: não existe mais “Extended Thinking com budget fixo”. O Opus 4.7 usa adaptive thinking, onde o modelo decide por si só quando precisa raciocinar profundamente. Respostas simples vêm rápido; problemas complexos recebem mais pensamento. É mais eficiente, mas exige que você entenda como guiar esse comportamento.

Effort settings: xhigh é o novo padrão (e funciona)

Se você migrou do 4.6, a primeira configuração que precisa rever é o effort level. O Opus 4.7 introduziu o nível xhigh, posicionado entre o high e o max, e ele é o padrão por um motivo: oferece autonomia forte sem o consumo excessivo de tokens que o max pode gerar em execuções longas.

Na minha experiência, a hierarquia funciona assim:

(1) low/medium: ideais para tarefas pontuais e baratas. O artigo da Anthropic afirma que mesmo nesses níveis o Opus 4.7 supera o 4.6 — e eu confirmo; (2) high: bom equilíbrio quando você roda múltiplas sessões concorrentes; (3) xhigh (padrão): o ponto ideal para a maioria do trabalho agentic. Uso em 90% dos meus fluxos; (4) max: útil para benchmarks e problemas muito difíceis, mas sofre de retornos decrescentes porque o modelo tende a pensar demais.

O conselho da Anthropic que mais fez diferença no meu uso: experimente o effort no meio da sessão. Dá para alternar sem perder contexto, e às vezes um problema que parece difícil no xhigh resolve mais rápido no high porque o modelo para de overthink.

Estruturando sessões: trate o Claude como engenheiro, não como pair programmer

Essa foi a mudança de mentalidade que mais impactou minha produtividade. A Anthropic recomenda tratar o Claude Code “mais como um engenheiro capaz para quem você delega tarefas do que como um par de programação que você guia linha por linha”. Se você ainda não instalou ou configurou direito, recomendo dar uma olhada no meu guia completo de instalação do Claude Code.

Traduzindo essa recomendação para o prático: o primeiro turno é o mais importante. Front-carregue especificação, constraints, critérios de aceitação e localização dos arquivos. Um prompt bem estruturado no turno 1 produz resultados muito superiores a prompts ambíguos espalhados por vários turns.

Outra dica prática: minimize interações. Cada turno adiciona “reasoning overhead” — o modelo reavalia o contexto, repensa decisões. Se você tem várias perguntas ou ajustes, agrupe tudo em um único turno. Para tarefas longas e bem contextualizadas, o auto mode (Shift+Tab, disponível para usuários Max em research preview) é um game-changer — o modelo executa autonomamente sem precisar de aprovação a cada passo.

Adaptive thinking: como controlar o nível de raciocínio

O adaptive thinking é a funcionalidade que mais gera dúvidas. Como não existe mais um budget fixo de thinking, você precisa aprender a guiar o modelo com hints no prompt.

Na prática, funciona assim: para mais raciocínio, inclua algo como “pense cuidadosamente passo a passo antes de responder; este problema é mais difícil do que parece”. Para menos raciocínio: “priorize responder rapidamente em vez de pensar profundamente. Quando em dúvida, responda diretamente”.

O que notei nos meus testes: para 80% das tarefas de código, o adaptive thinking padrão já acerta. Eu só uso hints de “mais raciocínio” em problemas de debugging complexos onde o modelo tende a pular para soluções óbvias sem considerar alternativas.

Três comportamentos que mudaram (e você precisa saber)

A Anthropic documentou três mudanças deliberadas do 4.6 para o 4.7 que impactam o uso prático:

(1) Respostas proporcionais à complexidade: o 4.7 não é mais “verboso por padrão”. Respostas curtas em perguntas simples, longas em análises abertas. Se você quer um estilo específico, use exemplos positivos (“responda em até 3 linhas”) em vez de instruções negativas (“não escreva muito”). É uma mudança sutil que afeta quem usa skills de compressão como o Caveman Mode — o 4.7 já é menos verboso, então a skill pode precisar de ajustes.

(2) Menos chamadas de ferramenta, mais raciocínio: o modelo pensa mais antes de agir. Isso geralmente produz resultados melhores, mas se você precisa de busca agressiva de arquivos ou leitura de diretórios, forneça orientação explícita sobre quando e por que usar ferramentas.

(3) Menos subagentes por padrão: o modelo é mais criterioso ao delegar. Para trabalho paralelo (como refatorar vários arquivos), seja explícito: “não crie subagente para trabalho que você pode completar diretamente; crie múltiplos subagentes no mesmo turno quando estiver varrendo itens ou lendo múltiplos arquivos”.

Por que isso importa para o seu fluxo

O Opus 4.7 brilha em tarefas que antes travavam por supervisão: mudanças multi-arquivo complexas, debugging ambíguo em serviços que você não conhece, code review cross-service e trabalho agentic de várias etapas. É exatamente o cenário que eu descrevi no post sobre codebases gigantes, onde o harness (CLAUDE.md, hooks, skills, MCP) sustenta o trabalho do modelo. Com o 4.7, o harness fica ainda mais relevante porque o modelo é bom o suficiente para executar tarefas complexas — desde que o contexto esteja bem definido.

Conclusão

O Opus 4.7 é objetivamente superior ao 4.6 para coding agentic. Mas a migração não é plug-and-play — exige que você repense effort settings, estrutura de prompts e como organiza sessões. Minha recomendação: mantenha o effort em xhigh, veja até onde seu primeiro turno leva, e só aumente a interação quando o modelo pedir. O artigo completo da Anthropic está aqui e vale cada minuto de leitura.