O que colar na conversa com o Claude e o que só atrapalha a resposta

Fala aí, beleza? O reflexo é sempre o mesmo: abre a conversa, cola o arquivo inteiro, cola o log, cola a documentação, cola o print do erro, e finaliza com um "resolve aí"

Aí a resposta vem morna, genérica, ignorando metade do que você mandou

A própria Anthropic define engenharia de contexto como curar o conjunto ótimo de tokens durante a inferência, e resume o objetivo numa frase que vale colar na parede: fitting the right information, not the most, into the model’s limited attention window, ou seja, a informação CERTA, não a maior quantidade dela, dentro de uma janela de atenção que é limitada

Sinal útil pra cima, ruído pra baixo

Então bora fazer isso direito: primeiro um roteiro de montagem (o que colar e em que ordem), e no fim um roteiro de corte (o que tirar antes de apertar enviar) 🙂

Antes de colar: descubra quanto do contexto já está ocupado

A janela nunca começa vazia

No Claude Code, o system prompt é sempre carregado primeiro, é invisível pra você, e ocupa 4200 tokens

E antes de você digitar qualquer coisa já entram junto o CLAUDE.md, a memória automática, os nomes das ferramentas MCP e as descrições das skills (isso ainda pode crescer com output style ou com o texto de --append-system-prompt, que vão pro system prompt)

Traduzindo: parte do seu "espaço" já foi gasta por decisões antigas suas, não pelo pedido de agora

Pra ver isso ao vivo:

/context

O /context mostra a quebra do uso da janela por categoria, com sugestões de otimização, incluindo quais arquivos CLAUDE.md e de memória automática foram carregados

E pra saber ONDE essas coisas moram:

/memory

O /memory lista os locais dos arquivos CLAUDE.md, CLAUDE.local.md e demais arquivos de memória, nos escopos de usuário e de projeto

A memória automática de cada projeto fica em ~/.claude/projects/<projeto>/memory/, com um arquivo de entrada MEMORY.md e arquivos de tópico opcionais

O caminho é derivado do repositório git, e dá pra mudar o local pela chave autoMemoryDirectory no settings.json

Pré-inscrição Formação Claude Code

Domine o Claude Code do básico ao avançado

Você vai aprender a criar sistemas completos com Claude Code, sem precisar ser programador. Inscreva-se para ter acesso a um desconto de lançamento e bônus especiais!

Quero minha vaga

Um detalhe que muita gente ignora: cada leitura de arquivo soma contexto

Regra com escopo de caminho carrega junto com os arquivos que casam

Ou seja, "só dar uma olhadinha" em dez arquivos não é de graça, beleza?

Como montar o contexto do pedido, passo a passo

Ordem importa MUITO aqui

Não é firula de prompt bonito, é recomendação da documentação oficial

1. Documento longo vai no topo, acima de tudo. A doc de long context recomenda colocar documentos e entradas longas (cerca de 20 mil tokens ou mais) no topo do prompt, acima da pergunta, das instruções e dos exemplos, e isso vale pra todos os modelos Claude. Erro comum deste passo: escrever o pedido primeiro e jogar o calhamaço embaixo, que é justamente o formato que a doc desaconselha

2. Vários documentos? Envelope cada um em XML. Com mais de um material colado, a recomendação oficial é envolver cada documento em tags, usando <document> com as subtags <source> e <document_content>

    <documents>
      <document index="1">
        <source>contrato-api-v3.md</source>
        <document_content>
        ...conteúdo do primeiro documento...
        </document_content>
      </document>
      <document index="2">
        <source>changelog.md</source>
        <document_content>
        ...conteúdo do segundo documento...
        </document_content>
      </document>
    </documents>

Erro comum deste passo: emendar três materiais diferentes num bloco só, sem fronteira nenhuma, e depois pedir "compare os dois"

3. Arquivo de código vai por @, não por descrição. A recomendação oficial do Claude Code é referenciar arquivos com @ em vez de descrever onde o código mora, porque assim ele lê o arquivo antes de responder

    > revisa a validação em @src/auth/login.ts e @src/auth/session.ts

Digitar @ abre um menu de sugestão de caminho, e dá pra referenciar vários arquivos na mesma mensagem

Dentro do VS Code, o atalho Option+K (Mac) ou Alt+K (Windows/Linux) insere a menção @ com o caminho E o intervalo de linhas, tipo @app.ts#5-10

Tome cuidado com um efeito colateral: o @ também adiciona ao contexto o CLAUDE.md do diretório do arquivo e dos diretórios pais

Erro comum deste passo: escrever "o arquivo de login que fica lá na pasta de autenticação" e esperar que ele adivinhe qual é

4. Escreva a spec autocontida. A doc de boas práticas afirma que a taxa de sucesso melhora bastante com instruções mais específicas, principalmente na primeira tentativa, e que as melhores especificações são autocontidas: nomeiam os arquivos e interfaces envolvidos, dizem o que está FORA de escopo, e terminam com um passo de verificação ponta a ponta. Erro comum deste passo: dizer o que quer e nunca dizer o que não quer, aí ele reescreve meio projeto de brinde

5. Dado rico é URL, não paste gigante. A mesma doc recomenda passar URLs de documentação e de referência de API como forma de dar dados ricos, junto com referenciar arquivos por @, citar restrições e apontar padrões de exemplo. Erro comum deste passo: colar 12 mil tokens de documentação pública quando o link já resolveria

6. Peça a citação ANTES da tarefa. Pra tarefas com documentos longos, a doc recomenda pedir que o Claude cite primeiro os trechos relevantes do material e só depois execute o que você pediu, o famoso grounding por citação. É o jeito de fazer ele focar no que importa e ignorar o resto. Erro comum deste passo: pedir a análise final direto e receber um resumo bonito que não olhou o trecho que interessava

7. Pergunta e instruções por último. Segundo a documentação oficial, deixar a pergunta no final do prompt pode melhorar a qualidade da resposta em até 30% nos testes, especialmente com entradas complexas de múltiplos documentos. Erro comum deste passo: abrir o prompt com a pergunta, colar tudo depois, e não entender por que a resposta ficou vaga

Percebe o desenho? Material pesado em cima, fronteira clara no meio, instrução afiada embaixo

Por que despejar tudo piora a resposta (e como reverter)

O sintoma: a conversa vai engordando e a resposta vai piorando, mesmo em tarefa boba de recuperação, daquelas de "acha esse trecho aqui pra mim"

A causa tem nome: context rot

Um estudo da Chroma Research avaliou 18 modelos state-of-the-art, incluindo GPT-4.1, Claude 4, Gemini 2.5 e Qwen3, e mostrou que a qualidade da resposta cai conforme o número de tokens de entrada cresce

E aqui vem a parte contraintuitiva: a degradação acontece bem antes de estourar o limite da janela

Um modelo com janela de 200K pode apresentar degradação relevante já em 50K tokens

Rot não é overflow, se liga nisso: você não precisa ver aviso nenhum de limite pra estar recebendo resposta pior

A solução, no Claude Code, é agir cedo em vez de empilhar correção:

• Esc interrompe preservando o contexto, o que te deixa redirecionar na hora em vez de esperar ele terminar a besteira
• /clear entre tarefas não relacionadas zera a janela e evita acúmulo de informação irrelevante (a doc recomenda usar com frequência)
• /compact aceita instrução dirigida, tipo /compact Focus on the API changes, pra o resumo puxar o que interessa
• Esc + Esc ou /rewind deixa você escolher um checkpoint de mensagem e resumir só um pedaço, com as opções Summarize from here ou Summarize up to here
• subagente serve pra manter leitura grande fora do seu contexto principal

Se você quiser a versão detalhada dessas ferramentas, tem um post inteiro aqui sobre gerenciar contexto no Claude Code

E tem a prevenção, que é o conselho mais duro da doc: uma sessão limpa com um prompt melhor costuma superar uma sessão longa cheia de correções acumuladas

Dói no ego recomeçar, eu sei kkk

E quando ele compacta sozinho?

O Claude Code compacta o histórico automaticamente quando a sessão se aproxima do limite de contexto

E aqui vem a parte que quase ninguém usa: esse comportamento pode ser orientado por instruções no CLAUDE.md

A própria doc dá o exemplo: instruir a preservar a lista completa de arquivos modificados e os comandos de teste ao compactar

Ou seja, você escolhe o que sobrevive ao resumo em vez de descobrir depois que sumiu

Onde colocar o material: chat, projeto do Claude.ai ou API

Nem todo material pertence à mensagem

Tem coisa que é da tarefa de agora, tem coisa que é do projeto inteiro, e tem coisa que você paga por token toda vez que manda

E quando a base de conhecimento do projeto fica grande?

No Claude.ai vale um detalhe bem legal: quando o conhecimento do projeto se aproxima do limite de contexto, o Claude ativa o modo RAG e passa a buscar os trechos relevantes com uma ferramenta de busca no conhecimento do projeto

Em vez de tentar empurrar tudo pra dentro da janela de uma vez, ele vai lá e pega só o pedaço que interessa

Isso expande a capacidade em até 10x, e está disponível apenas em planos pagos (Pro, Max, Team ou Enterprise)

Repara que é a mesma ideia do post inteiro, só que automatizada: informação certa dentro da janela, não a maior quantidade dela

Na API o raciocínio é mais seco, porque vira dinheiro: a janela guarda o histórico da conversa mais a saída que o Claude gera, e requisições que ultrapassam 200 mil tokens são cobradas automaticamente em tarifa premium, 2x no preço de entrada e 1,5x no de saída

Ou seja: contexto inflado não piora só a resposta, engorda a fatura também

O que aprendi montando um CRM inteiro só conversando com a IA

Eu gravei um projeto do zero: um CRM com WhatsApp e IA, construído só conversando com o Verdent

Não é um teste de janela de contexto, deixo claro: é experiência com ferramenta de vibe coding no geral

Mas a lição sobre O QUE colar apareceu em cada etapa, e ela bate com tudo que está aqui em cima

Antes de escrever qualquer prompt de construção, o agente me fez perguntas de esclarecimento (qual provedor de IA usar, se o painel teria login, se eu queria colunas além das três) e eu respondi uma a uma

Todas precisam ser respondidas, porque ele usa essas respostas pra complementar o seu prompt e fechar o plano

Depois de aprovar o plano, eu pedi execução etapa por etapa em vez de mandar construir tudo de uma vez

E no primeiro prompt que constrói algo eu escrevi explicitamente o que NÃO era pra fazer ainda: nada de inteligência artificial e nada de conexão com WhatsApp, só o quadro de leads em funil

Repeti de propósito coisas que já estavam no planejamento (as colunas novos, em conversa e qualificados, título claro em cada coluna, contador de leads) e colei critérios de design logo de cara: tema escuro, cor diferente por status, tipo dos elementos e tipografia

Isso vai moldando o resto da aplicação inteira

Na parte de IA eu isolei ela pra testar sozinha antes de juntar com o WhatsApp, e pedi no prompt uma forma de digitar uma mensagem de exemplo e ver a resposta na hora

Colei o contexto do negócio (que a empresa é uma escola online de cursos, a lista de cursos, e o comportamento esperado do atendente: simpático, tira dúvidas, recomenda o curso adequado) e descrevi as quatro coisas que a IA deveria fazer ao mesmo tempo em cada mensagem: responder de forma natural, classificar o quão quente é o lead, identificar o interesse principal e escrever um resumo curto da conversa

E olha, mesmo assim era POUCO: se fosse uma empresa de verdade eu teria que dar muito mais contexto pra IA

Teve momento de guardrail também: o agente se recusou a criar o arquivo de variáveis de ambiente com a chave de API, por segurança, e eu concordei (não é um arquivo pra sair compartilhando), criei na mão

Na etapa final eu colei os requisitos operacionais que eu não queria descobrir depois: conexão sempre ligada, reconexão sozinha se cair, sessão salva pra não escanear o QR code toda vez, e um pequeno atraso natural antes de responder pra soar mais humano

E quando quebrou, eu não reclamei de forma vaga

Escrevi que enviei uma mensagem, que a IA não respondeu pelo WhatsApp, que já estava tudo conectado, e pedi pra verificar e corrigir

O ponto mais concreto de todos: antes de conectar o WhatsApp de verdade, eu pedi uma revisão do que tinha sido feito, e o agente apontou 5 bugs que ele mesmo corrigiu

Repara que isso é o oposto de despejo de material: é um pedido específico e verificável

E eu ainda confirmei o resultado da etapa anterior dentro do prompt seguinte, escrevendo que já tinha validado a classificação e que estava funcionando, antes de pedir a última parte

No fim eu testei o fluxo pelo chat simulado com mensagens de intenção crescente (primeiro perguntando quais cursos existem, depois dizendo que queria comprar) e vi o lead subir de morno pra quente e avançar de coluna no funil

muito massa ver isso funcionando =)

Pra começar do zero com essa ideia de montar contexto conversando com um agente, este vídeo do canal mostra o projeto inteiro sendo construído do primeiro prompt até o WhatsApp respondendo:

Roteiro de corte: o que tirar antes de apertar enviar

Agora a parte que quase ninguém faz: reler o rascunho e ARRANCAR coisa

1. Tire o que já está no CLAUDE.md ou na memória do projeto. Se aquilo carrega sozinho antes de você digitar, repetir é gastar duas vezes pelo mesmo. Erro comum: nunca ter aberto o /memory e não saber o que está sendo carregado

2. Troque arquivo colado inteiro por @. E quando só um pedaço importa, use o intervalo de linhas do VS Code com Option+K / Alt+K, no formato @app.ts#5-10. Erro comum: colar 400 linhas quando o bug mora em 6

3. Corte histórico de tarefa não relacionada. Se o assunto anterior morreu, /clear e segue a vida. Erro comum: achar que "o contexto antigo ajuda", quando ele está justamente alimentando o context rot

4. Reduza documentação colada a URL. A doc recomenda passar URLs de documentação e de referência de API. Erro comum: colar a página inteira de uma referência pública que ele consegue buscar

5. Confira se a pergunta ficou por último. É o ajuste mais barato do post, com até 30% de melhora segundo os testes da doc oficial. Erro comum: escrever a pergunta no meio, entre dois documentos

6. Rode /context depois do corte. Ver a quebra por categoria com as sugestões de otimização te diz o que AINDA está ocupando espaço à toa. Erro comum: cortar no achismo e nunca medir

7. Se o material grande for inevitável, jogue a leitura pro subagente. Serve exatamente pra manter leitura grande fora do seu contexto principal. Erro comum: ler tudo na sessão principal e depois passar o resto da tarefa lutando contra uma janela entupida

E se mesmo assim a sessão estiver bagunçada: /compact com instrução dirigida, ou Esc + Esc pra resumir só o trecho que você escolher

Conclusão

O critério é UM só: cada bloco que você cola precisa mudar a resposta

Se não muda, é ruído, e ruído não é neutro, ele cobra o preço em qualidade (e na API, em dinheiro)

Montar bem é ordem: documento longo em cima, documentos separados por tags, arquivo por @, spec autocontida com o que está fora de escopo, URL no lugar de paste, citação antes da tarefa, pergunta no fim

Cortar bem é higiene: /clear entre assuntos, /compact dirigido (e as instruções de compactação no CLAUDE.md pra quando ele resumir sozinho), subagente pra leitura pesada, e /context pra conferir o estrago

Próximo passo prático pro seu próximo pedido: roda /context antes do corte, faz o roteiro de corte, roda /context de novo e compara a resposta com a pergunta lá no final do prompt

faça o teste, a diferença aparece rápido 😀

até o próximo post!