Engenheiros da Anthropic aumentam a produtividade em 8x. Conheça o sistema de engenharia de contexto por trás disso.

Os engenheiros da Anthropic mesclam 8 vezes mais código por dia do que faziam há um ano. O modelo não mudou. O hardware não mudou. O tamanho da equipe não mudou. O que mudou é o que o Claude vê antes de começar a trabalhar.

A maioria dos desenvolvedores gasta seu tempo escrevendo prompts melhores. Os engenheiros da Anthropic gastam seu tempo construindo contextos melhores. Essa única mudança é responsável por toda a diferença de 8x.

A própria pesquisa da Anthropic coloca isso de forma direta: a qualidade de um agente de IA é determinada menos pelo modelo e mais pelo contexto que você fornece a ele. O Claude só vê o que está dentro da janela de contexto. Tudo o que está fora dessa janela não existe. O que significa que todo o trabalho de um engenheiro de IA sério não é escrever prompts inteligentes — é garantir que o Claude tenha exatamente as informações certas antes de realizar qualquer ação.

Essa disciplina agora tem um nome. Engenharia de contexto. E ela está substituindo a engenharia de prompt da mesma forma que a engenharia de prompt substituiu a escrita de scripts manual há dois anos.

Salve este post e siga

Eu sou Noisy, um desenvolvedor com 4 anos de experiência. Eu crio sistemas de IA, pipelines de automação e encontro maneiras de transformar tecnologia em renda real.

Por que seu agente de IA dá respostas ruins

A maioria das pessoas culpa o modelo quando um agente de IA falha. Arquivo editado incorretamente. Suposição errada feita. Erro óbvio que qualquer desenvolvedor teria notado.

O modelo quase nunca é o problema. O problema é a falta de contexto.

1O que a maioria das pessoas dá ao Claude   |  um prompt
2O que o Claude realmente precisa           |  conhecimento, memória, arquivos,
3                                          |  regras, exemplos, ferramentas,
4                                          |  estado, ações anteriores

Um prompt é uma frase. Contexto é todo o ambiente de informação em que o Claude opera. A diferença entre um agente que funciona e um que não funciona é quase sempre o que está nesse ambiente — e não qual modelo está sendo executado.

A Anthropic descreve da seguinte forma: o LLM vê apenas o que está na janela de contexto. O contexto é o sistema operacional da IA. Se você construí-lo errado, nada funcionará, independentemente da capacidade do modelo.

O que é o contexto, na verdade

A maioria das pessoas pensa que contexto significa o texto que colam antes da pergunta. Isso é apenas uma camada. Um contexto devidamente projetado possui sete componentes trabalhando juntos.

1Memória             |  o que o agente sabe de sessões passadas
2Instruções          |  regras, restrições, estilo de codificação
3Exemplos            |  como um bom resultado realmente se parece
4Arquivos            |  código relevante, docs, arquitetura
5Ações anteriores    |  o que o agente já tentou
6Resultados de tools |  o que pesquisas e funções retornaram
7Estado              |  onde a tarefa se encontra atualmente

Toda vez que o Claude realiza uma ação, o contexto cresce. Os resultados das ferramentas retornam. Novos arquivos são lidos. O estado é atualizado. O Claude vê o novo contexto e decide a próxima ação. Esse ciclo é o mecanismo real de um agente — não o prompt, não o modelo, mas o contexto que evolui a cada passo.

1Solicitação do usuário
2↓
3Contexto construído a partir de todos os sete componentes
4↓
5Claude decide a ação
6↓
7Ferramenta executa
8↓
9Resultado adicionado ao contexto
10↓
11Claude vê o novo contexto
12↓
13Próxima ação
14↓
15Repetir até concluir

Um agente ruim quebra esse ciclo no segundo passo. O contexto está incompleto, então o Claude faz suposições. As suposições estão erradas, então o resultado está errado. A maioria dos desenvolvedores corrige isso reescrevendo o prompt. A correção real é construir o contexto corretamente.

A pilha de contexto de três camadas

A Anthropic recomenda pensar no contexto em três camadas. Cada camada serve a um propósito diferente e é carregada em um ponto diferente do trabalho do agente.

1Contexto Global   |  sempre presente, em todas as sessões
2Contexto Projeto  |  carregado no início do projeto
3Contexto Tarefa   |  carregado para a tarefa específica

Contexto Global é a camada permanente. Identidade, regras principais, estilo de codificação, o que o agente nunca deve fazer. Isso nunca muda entre as sessões e nunca precisa ser reexplicado.

1O contexto global contém:
2- Identidade e função do agente
3- Padrões de codificação e regras de estilo
4- Restrições de segurança
5- O que nunca tocar ou modificar
6- Como lidar com incertezas

Contexto do Projeto é a camada de conhecimento. Tudo o que o Claude precisa para entender esta base de código específica — a arquitetura, os padrões usados, as decisões tomadas e o porquê, as coisas que deram errado antes.

1O contexto do projeto contém:
2- README e visão geral da arquitetura
3- AGENTS.md com regras específicas do projeto
4- Estrutura de pastas e convenções de nomenclatura
5- Requisitos e padrões de teste
6- Dependências principais e por que foram escolhidas

Contexto da Tarefa é a camada de execução. O arquivo específico em que se está trabalhando, o ticket atual, o objetivo imediato, as restrições que se aplicam a essa tarefa exata.

1O contexto da tarefa contém:
2- Arquivo atual e arquivos relacionados
3- O objetivo específico para esta sessão
4- Alterações recentes e seus resultados
5- Resultados de testes atuais
6- Restrições específicas para esta tarefa

A maioria dos desenvolvedores apenas fornece ao Claude o contexto da tarefa. O agente inicia cada sessão sem contexto global ou de projeto e tem que adivinhar tudo o que não sabe. É dessas suposições que vêm os erros.

AGENTS.md - o arquivo que muda tudo

https://docs.claude.com/en/docs/claude-code/memory

O arquivo único mais importante em qualquer configuração séria do Claude Code. Pesquisadores identificaram o AGENTS.md como o novo padrão para o contexto de agentes de codificação de IA — ele agora está presente em milhares de repositórios de produção especificamente porque funciona.

AGENTS.md é onde o contexto do projeto vive permanentemente. O Claude lê isso automaticamente no início de cada sessão. Depois disso, ele nunca mais precisa ser informado sobre nada disso.

1# AGENTS.md
2
3## Arquitetura
4Monorepo com frontend em Next.js e backend em Express.
5Todas as rotas da API ficam em /api. Nunca modifique /legacy diretamente.
6
7## Regras de Codificação
8Nunca use axios. Sempre use fetch.
9Todo componente: TypeScript, Tailwind, Server Actions.
10Sem exportações padrão, exceto para páginas.
11
12## Testes
13Vitest para testes unitários. Playwright para E2E.
14Execute npm test antes de cada commit.
15Nunca desative um teste com falha - corrija-o ou escale.
16
17## Git
18Nunca faça commit diretamente na main.
19Sempre abra um PR com uma descrição clara.
20Vincule cada PR a um ticket do Linear.
21
22## Nunca Tocar
23src/payments/ - qualquer alteração requer aprovação humana
24src/auth/tokens/ - revisão de segurança necessária
25arquivos .env - nunca ler ou modificar

Cada regra neste arquivo é um erro que o Claude nunca mais cometerá. Quanto mais tempo o projeto roda, mais específico e valioso o AGENTS.md se torna — é o conhecimento acumulado de cada erro que o agente cometeu e de cada convenção que a equipe estabeleceu.

A pilha de contexto que impulsiona agentes sérios

Os melhores engenheiros de IA não começam uma tarefa escrevendo um prompt. Eles constroem uma pilha de contexto — uma sequência estruturada de informações que é carregada antes que o Claude realize uma única ação.

1Passo 1  |  carregar contexto global - identidade, regras, estilo
2Passo 2  |  carregar contexto do projeto - AGENTS.md, arquitetura, docs
3Passo 3  |  pesquisar na memória por experiências passadas relevantes
4Passo 4  |  carregar arquivos relevantes para esta tarefa específica
5Passo 5  |  carregar estado atual - resultados de testes, alterações recentes
6Passo 6  |  definir objetivo da tarefa com critérios de sucesso claros
7Passo 7  |  Claude age com informações completas

Compare como um agente com contexto bem projetado se parece em relação ao padrão:

1Agente ruim:
2Pergunta → Claude → Resposta
3Claude adivinha tudo o que não sabe
4
5Agente bom:
6Pergunta
7↓ pesquisar docs
8↓ pesquisar memória
9↓ ler AGENTS.md
10↓ ler arquivos relevantes
11↓ verificar estado atual
12↓ Claude
13↓ Resposta construída com informações completas

O segundo agente não é mais inteligente. Ele é mais bem informado. O modelo é idêntico. O contexto, não.

Memória - o contexto que sobrevive entre sessões

A Anthropic faz uma distinção clara entre os tipos de memória que alimentam o contexto. A maioria dos agentes só tem uma — a conversa atual. É por isso que eles começam cada sessão do zero.

1Memória de longo prazo  |  tudo o que foi aprendido em todas as sessões passadas
2Memória de curto prazo  |  o que aconteceu anteriormente nesta conversa
3Memória de trabalho     |  o que está na janela de contexto agora

A memória de longo prazo é o que faz um agente aumentar de valor com o tempo. Cada sessão adiciona algo a ela. Cada erro é registrado. Cada padrão bem-sucedido é armazenado. O agente que está rodando em uma base de código há seis meses sabe coisas sobre esse projeto que nenhum prompt pode replicar.

A implementação prática é um arquivo de memória — um documento markdown fora da conversa que o agente lê no início de cada sessão e atualiza no final.

1# Memória do Projeto
2
3## Decisões de arquitetura
4- Escolhemos Supabase em vez de Firebase: tempo real menos crítico, consultas SQL necessárias
5- Migramos de REST para tRPC: segurança de tipo em toda a stack, junho de 2026
6
7## O que funcionou
8- Maior cobertura de testes antes da refatoração evita regressão
9- Quebrar PRs grandes em lançamentos com feature flags reduz o tempo de revisão
10
11## O que não funcionou
12- Auto-geração de migrações: desvio de esquema causou incidente em produção
13- Escritas paralelas do agente no mesmo arquivo: sempre use worktrees
14
15## Padrões recorrentes
16- Problemas de autenticação quase sempre remontam à ordem do middleware
17- Problemas de desempenho geralmente começam na camada de consulta do banco de dados

A cada sessão, este arquivo é lido. A cada sessão, ele é atualizado. O agente nunca esquece.

MCP - contexto de toda parte

O contexto não vem apenas de arquivos no repositório. Um agente de produção precisa de contexto de todos os sistemas em que a equipe trabalha — o rastreador de problemas, o monitor de erros, a documentação, o banco de dados, as ferramentas de comunicação.

O Model Context Protocol (MCP) é como o Claude extrai contexto de sistemas externos sem integrações personalizadas para cada um.

1Filesystem      |  arquivos locais, configurações, bases de código
2GitHub          |  issues, PRs, histórico de commits, resultados de CI
3Linear / Jira   |  tickets, prioridades, estado do projeto
4Slack           |  decisões tomadas, contexto de discussões
5Postgres        |  dados ao vivo, esquema, resultados de consultas
6Google Drive    |  docs, especificações, notas de reuniões
7Sentry          |  erros ao vivo, frequência, usuários afetados

Um agente com MCP configurado não vê apenas o código. Ele vê o ticket descrevendo por que essa funcionalidade é necessária, a conversa no Slack onde a arquitetura foi decidida, o erro no Sentry mostrando como os usuários estão encontrando o bug e o esquema do banco de dados que a correção precisa respeitar.

Isso é contexto completo. Tudo o que o Claude precisa para tomar a decisão certa sem adivinhar.

O fluxo de trabalho da engenharia de contexto

É assim que uma tarefa com contexto bem projetado se parece do início ao fim.

Em vez de:

1Construa o recurso de exportação.

Você dá ao Claude:

1Objetivo
2O recurso de exportação está bloqueando a conversão de gratuito para pro.
3Veja o sinal: /signals/export-too-hidden.md
4
5Arquivos relevantes
6src/features/export/ - implementação atual
7src/components/ui/Button.md - padrões de botão a seguir
8tests/features/export.test.ts - cobertura de testes existente
9
10Restrições de arquitetura
11Leia a seção do AGENTS.md: Regras de Exportação
12Nunca modifique a integração de faturamento diretamente
13
14Critérios de sucesso
15Todos os testes existentes passam
16Novos testes cobrem os três formatos de exportação
17PR aberto com o ticket do Linear EXP-47 vinculado
18Sem alterações em src/payments/

Mesma tarefa. Contexto completamente diferente. O resultado não é incrementalmente melhor — é categoricamente diferente porque o Claude está tomando decisões com informações completas em vez de suposições inteligentes.

A configuração prática para este fim de semana

Dia 1 - Construa a pilha de contexto de três camadas. Escreva um arquivo de contexto global com identidade e regras principais. Crie o AGENTS.md com a arquitetura do seu projeto, convenções de codificação e lista de "nunca tocar". Configure um arquivo de memória que carrega no início da sessão e atualiza no final.

Dia 2 - Conecte o contexto externo via MCP. Instale o conector do GitHub para que o Claude veja seu rastreador de problemas e histórico de PRs. Instale o conector de sistema de arquivos para que ele navegue pela base de código com eficiência. Adicione Slack ou Linear se sua equipe os usa para decisões.

Dia 3 - Teste a diferença. Execute a mesma tarefa com sua abordagem antiga de "apenas prompt" e com a pilha de contexto completa. A diferença no resultado é de onde vem a produtividade 8x.

A mudança que já aconteceu

A engenharia de prompt era sobre encontrar as palavras certas. A engenharia de contexto é sobre construir o ambiente de informação certo.

Os melhores engenheiros de IA da Anthropic não perdem tempo criando prompts inteligentes. Eles gastam tempo garantindo que o Claude tenha exatamente o conhecimento, a memória, os arquivos, as regras e o estado certos antes de realizar uma única ação. O prompt é o último 1% do trabalho. O contexto é os outros 99%.

Um agente com prompts perfeitos e contexto ruim comete erros inteligentes. Um agente com prompts medianos e contexto completo toma decisões corretas. O modelo é o mesmo. O ambiente de informação, não.

O contexto é o sistema operacional da IA. Construa-o corretamente e a diferença de produtividade de 8x deixa de ser algo que acontece na Anthropic e passa a ser algo que acontece na sua base de código.

A maioria dos desenvolvedores continuará reescrevendo seus prompts e se perguntando por que os resultados não melhoram. Alguns passarão um fim de semana construindo uma pilha de contexto adequada e nunca mais olharão para trás.

Você constrói sua própria vida - então escolha o caminho certo.

/ Se isso foi útil - siga /