Estudando para a certificação de developer da Anthropic: descobri que o que eu já fazia tinha nome

Comecei a estudar para a certificação de developer da Anthropic. A empresa onde eu trabalho vai pagar, o que ajuda bastante, e o plano é simples: no mínimo 1h de estudo por dia.

Hoje foi um desses dias em que o estudo mexeu comigo de um jeito inesperado. Descobri que várias coisas que eu já fazia no meu fluxo com agentes tinham nome. E um nome de verdade, descrito num artigo da própria Anthropic.

Bora lá.

Engenharia de contexto: o nome do que eu já fazia

O termo é context engineering. O artigo da equipe de engenharia da Anthropic [1] define como o conjunto de estratégias para curar e manter o melhor conjunto de tokens durante a inferência de um LLM. Isso inclui o prompt, mas também ferramentas, MCP, dados externos e o histórico de mensagens.

A diferença para prompt engineering é que escrever um prompt é tarefa pontual. Context engineering é iterativo, porque agentes rodam em loop e geram dado novo a cada passo.

Por que importa? O artigo fala em context rot: conforme a janela cresce, a capacidade do modelo de recuperar informação com precisão cai. A Anthropic trata o contexto como um recurso finito, com retorno marginal decrescente. A degradação é gradual, não um corte abrupto.

Pensando bem, eu já sentia isso na prática. Só não sabia que a sensação tinha um nome.

As três técnicas que eu já usava

Para tarefas de longo horizonte, o artigo [1] descreve três técnicas. Eu usava as três, cada uma do meu jeito.

1. Compactação

Quando a conversa chega perto do limite, ela é resumida e reiniciada numa janela nova com esse resumo. No Claude Code, o resumo preserva decisões de arquitetura e bugs em aberto, e descarta saída redundante de ferramenta.

Um detalhe que gostei: o artigo recomenda primeiro maximizar o recall (não perder nada importante) e só depois melhorar a precisão. E avisa que compactar agressivo demais pode apagar um detalhe que só mostra sua importância depois.

No meu caso, eu uso uma skill chamada strategic-compact, que sugere compactar nos pontos lógicos da tarefa em vez de esperar o limite estourar.

2. Anotações estruturadas

O agente escreve notas fora da janela de contexto e as relê depois. É o que eu faço com marcos e checkpoints: registro onde estou, o que já foi decidido e o que falta.

Isso me salvou várias vezes quando eu tocava vários projetos ao mesmo tempo. Voltar a um projeto parado e ler “estado atual + próximo passo” vale mais do que qualquer resumo de memória.

O exemplo do artigo é curioso: o Claude jogando Pokémon. Mesmo sem instrução de memória, ele criou mapas das regiões exploradas e anotou estratégias de combate. Depois de um reset de contexto, leu as próprias notas e continuou treinos de várias horas.

3. Arquitetura de subagents

Essa foi uma das primeiras coisas que implementei no meu fluxo, porque fazia total sentido. Um agente principal coordena. Subagents com janela limpa fazem o trabalho pesado de pesquisa ou desenvolvimento.

Segundo o artigo [1], um subagent pode gastar dezenas de milhares de tokens explorando, mas devolve só um resumo condensado, geralmente de 1.000 a 2.000 tokens. É exatamente o que eu queria: terceirizar o trabalho grande e receber de volta um resumo executivo, sem estourar o contexto.

O artigo ainda sugere quando usar cada técnica:

• Compactação: trabalho conversacional extenso.
• Anotações: desenvolvimento iterativo com marcos claros.
• Subagents: pesquisa e análise que se beneficiam de exploração paralela.

Memória entre sessões: o que ainda estou estudando

Outra fonte que estou lendo é o cookbook de memory tool da Anthropic [2]. Aqui preciso ser honesto: minha experiência com a memory tool é só de estudo, ainda não a usei em produção.

Pelo que entendi, a ferramenta dá ao Claude um “caderno” persistente em /memories, com comandos como view, create e str_replace. O detalhe importante é que ela é client-side: o Claude faz as chamadas, mas a minha aplicação executa e controla o armazenamento.

O cookbook também mostra context editing, que limpa resultados antigos de ferramentas e blocos de thinking. Repare que ele não trata de compactação. Esse assunto está no artigo [1].

Um aviso do cookbook que anotei: arquivos de memória voltam para o contexto, então podem carregar prompt injection. Sanitizar e isolar por usuário ou projeto deixa de ser detalhe.

O inglês não está sendo um problema

O material todo é em inglês. Para mim, isso não está sendo difícil, porque eu já tinha um bom nível de leitura em inglês. O estudo flui.

Se você está adiando algo assim por causa do idioma, vale testar com um artigo curto antes de desistir. Pode ser que o seu nível de leitura seja maior do que você imagina.

Meu balanço até aqui

O estudo está sendo menos “decorar para a prova” e mais um curso para aprimorar o que eu já faço e pretendo fazer. E, de quebra, vou sair com uma certificação.

Tenho um limite claro: ainda não fiz a prova, então não sei dizer como ela cobra esse conteúdo. O que posso contar é o que o estudo me deu até agora, que é vocabulário e um mapa. Ter nome para o que eu fazia no improviso me ajuda a decidir melhor quando usar cada técnica.

Por fim, fica uma pergunta que eu mesmo estou me fazendo: qual prática do seu dia a dia você já usa, mas nunca parou para nomear?

Referências

1. Anthropic Engineering. Effective context engineering for AI agents. 29 set. 2025. anthropic.com/research/effective-context-engineering-for-ai-agents
2. Anthropic. Memory tool and context management (Claude Cookbook). platform.claude.com/cookbook/tool-use-memory-cookbook