Anthropic mostra como fazer o Claude programar por dias: lista de 200+ tarefas em JSON

A Anthropic publicou uma análise de engenharia sobre como manter agentes do Claude Agent SDK funcionando ao longo de muitas janelas de contexto. O ponto de partida: mesmo o Opus 4.5, rodando em loop com um único prompt de alto nível como «monte um clone do claude.ai», não leva o aplicativo web a um nível de qualidade de produção. A compactação de contexto ajuda, mas não resolve o problema. O autor do texto, Justin Young, propõe um esquema com dois papéis, histórico no git e um arquivo de progresso. Ele foi montado a partir do modo como engenheiros trabalham quando passam o turno uns para os outros sem memória pessoal do turno anterior.

Onde os agentes de longa duração quebram

A Anthropic observou três falhas recorrentes. Na primeira, o agente tenta fazer tudo de uma só vez, esbarra no limite de contexto no meio da implementação e deixa para a sessão seguinte uma funcionalidade pela metade e sem documentação. O sucessor precisa adivinhar o que aconteceu e gasta tempo para restabelecer o funcionamento básico. A compactação não resolve isso, porque nem sempre repassa instruções claras adiante.

A segunda falha aparece mais perto da metade do projeto. Uma nova instância do agente olha ao redor, vê que muita coisa já foi construída e declara o trabalho concluído. A terceira envolve a verificação: o Claude marca uma funcionalidade como pronta depois de testes unitários ou de requisições curl ao servidor de desenvolvimento, embora o fluxo de ponta a ponta no navegador não funcione.

Como o harness é organizado

A primeira sessão recebe um prompt próprio e atua como inicializadora. O prompt de sistema, o conjunto de ferramentas e toda a estrutura de suporte são idênticos nos dois «agentes»; só muda a mensagem inicial do usuário. O inicializador cria o script init.sh para subir o servidor de desenvolvimento, o arquivo claude-progress.txt com o registro das ações e o primeiro commit no git. O mais importante é a lista de requisitos que ele escreve. No caso do clone do claude.ai, saíram mais de 200 itens, por exemplo «o usuário abre um novo chat, digita uma pergunta, aperta Enter e vê a resposta da IA». Todos os itens começam marcados como reprovados.

Principais parâmetros do esquema:

• Formato da lista de funcionalidades: JSON com os campos category, description, steps e passes. O modelo reescrevia Markdown com bem mais frequência.
• Permissões do agente de código: ele só pode alterar o campo passes. O prompt é taxativo: é inadmissível remover ou editar os testes.
• Volume de trabalho: uma funcionalidade por iteração.
• Encerramento da sessão: commit no git com mensagem descritiva e registro no arquivo de progresso, o que permite reverter alterações malsucedidas.
• Início da sessão: pwd, leitura do git log e do arquivo de progresso, escolha da funcionalidade inacabada de maior prioridade, execução do init.sh e um teste básico de ponta a ponta.

Testes e limites da abordagem

A verificação inicial é simples: o agente sobe o servidor, abre um novo chat via Puppeteer MCP, envia uma mensagem e espera a resposta. Se o aplicativo estiver quebrado, o bug é corrigido antes de qualquer trabalho novo, porque, do contrário, a funcionalidade seguinte só pioraria a situação. Quando se pede explicitamente ao modelo que teste por meio de automação de navegador, como faria uma pessoa, ele encontra erros que não aparecem no código, e a qualidade do resultado, segundo a Anthropic, melhora de forma notável. Isso também economiza tokens: o agente não precisa descobrir a cada vez como executar e verificar o aplicativo.

As limitações permanecem. Pelo Puppeteer MCP, o Claude não enxerga janelas modais nativas do navegador, como o alert, e por isso as funcionalidades que dependiam delas saíam com mais bugs. Além disso, a visão do modelo e os recursos das ferramentas não permitem pegar todas as classes de erro.

O que levar para o seu projeto

Dá para transferir o mínimo prático para qualquer pipeline de agentes já agora. Crie um prompt inicial separado para preparar o ambiente. Guarde os requisitos em um arquivo legível por máquina, com status booleano, e proíba o agente de editar as descrições. Exija um commit e um registro no log ao fim de cada sessão. Comece toda sessão com git log e uma execução rápida do aplicativo. Adicione ferramentas de automação de navegador se for testar aplicações web.

Duas questões continuam em aberto. Ainda não está claro se um único agente de código universal é melhor do que um conjunto de agentes especializados: testador, QA, agente de limpeza de código. Além disso, os resultados vieram de desenvolvimento web full stack, e a Anthropic apenas supõe que parte das lições possa ser transferida para pesquisa científica ou modelagem financeira. Isso é uma hipótese, não um resultado medido.