Context Engineering Claude 5: As novas regras da Anthropic

Eu carrego comigo 3 anos de trabalho com LLMs — desde GPT-3 até Claude 5. E a coisa mais contra-intuitiva que li nos últimos meses foi esta: a Anthropic removeu mais de 80% do system prompt do Claude Code sem nenhuma perda de desempenho mensurável. Nenhuma. Seus prompts estão mais simples, mas o modelo trabalha melhor. Essa não é só uma observação técnica — é uma mudança fundamental em como construir com IA.

O que mudou: Da rigidez ao julgamento

Histórico: desde o início, a gente tratava modelos de IA como crianças pequenas. Mais regras = mais controle = resultados previsíveis. Então vinha uma árvore de decisões colossal, repetições de instruções em três camadas diferentes (system prompt, CLAUDE.md, skills), exemplos de tudo quanto é lado, e um medo constante de que o modelo "saísse do trilho" sem essas amarras.

A Anthropic descobriu que Claude 5 não precisa disso. O modelo é capaz de julgamento contextual sem regras explícitas para cada cenário. Mais confiança no sistema = menos instruções contraditórias = resultados melhores.

O caso concreto: 80% do prompt foi pro lixo

Aqui está a métrica que importa: removeram mais de 80% do system prompt do Claude Code para modelos como Opus 5 e Fable 5. Tudo — guardrails desnecessários, exemplos redundantes, repetições de "não faça X", instruções sobre instruções. E na avaliação de code tasks? Sem queda de desempenho. Nenhuma regressão.

Isso significa que você estava pagando token por instruções que o modelo ignorava ou que até atrapalhavam. É como trazer um engenheiro sênior e forçá-lo a ler um manual de calouros toda vez antes de começar — ele tem capacidade de julgamento, mas você tá roubando tokens e confiabilidade dele.

As 5 regras novas do context engineering

(1) Simplicidade sobre rigidez. System prompt agora é operacional, não filosófico. Sem "você é um assistant" repetido cinco vezes — foco no contexto específico do produto.

(2) Interfaces bem desenhadas vencem exemplos. Uma enumeração clara (um enum no código, campos estruturados) guia o modelo melhor que 10 exemplos de "quando usar A vs B". O Python já sabia isso; a IA precisa aprender.

(3) Progressive disclosure sobre front-loading. Não jogue toda a especificação do projeto no system prompt. Carregue o contexto relevante quando é preciso — skills progressivos, referências dinâmicas, não tudo de uma vez.

(4) Código e testes vencem markdown. Especificações executáveis (suites de testes, código funcional, queries de verdade) são mais claras que descrições markdown. O modelo lê código com mais precisão.

(5) Auto-memória sobre atualizações manuais. Pare de manter CLAUDE.md sincronizado à mão. Deixe o sistema aprender e persistir conhecimento automaticamente — ai-memory do Claude Code é o padrão novo.

Por que isso importa se você usa Claude

Se você está construindo qualquer coisa com Claude Code, CLI, ou API, essa mudança toca você de três formas:

(1) Seus prompts podem ficar muito mais curtos. Você provavelmente está sobre-constrainindo seu modelo. Experimente remover metade das instruções, deixar o modelo usar julgamento, e veja se piora — na maioria dos casos, não piora.

(2) O design de tools vale mais que exemplos. Se você tá integrando Claude com sua API, invista em nomes claros de funções, parâmetros bem estruturados, enumerações em vez de strings mágicas. Isso vai guiar o modelo melhor que 50 exemplos de "assim sim, assim não".

(3) Ferramentas como `/doctor` do Claude Code viram essenciais. Se o seu context está overstuffed, existe um comando (/doctor) que te mostra o que tá redundante e pode ir embora. Rode. Limpe. Releve melhor.

Conclusão

Menos é mais — essa frase virou clichê em design, mas em prompt engineering ela tá virando verdade mensurável. A Anthropic provou que você pode cortar instruções drasticamente e ganhar em desempenho. Significa que a era das "guardrails complexas e repetidas" está fechando, e a era da "confiança no julgamento do modelo com contexto bem desenhado" está abrindo.

Se você tá trabalhando com Claude, a mensagem é clara: simplifique seu prompt, confie no modelo, e prepare-se para resultados melhores com menos overhead. A fonte dessa mudança você encontra no artigo official da Anthropic sobre as novas regras de context engineering.