Ablação do prompt de sistema: como reduzi a configuração do Claude Code de 19.736 para 3.585 linhas sem perda de qualidade

• Volume original de habilidades: 19.736 linhas em 29 módulos
• Volume após a revisão: 3.585 linhas em 2 módulos básicos
• Configuração em produção: 361 habilidades, 84 comandos, 39 agentes e 35 plugins
• Controle de vazamentos: 179 detectores com canário obrigatório

Em um ano e meio de trabalho diário, minha configuração do Claude Code cresceu até o tamanho de um monólito. Habilidade por habilidade, regra por regra — até que, numa noite, abri o diretório raiz e percebi que metade dessa montanha já estava amarrando as mãos dos modelos.

Recentemente assisti a uma palestra de trinta e seis minutos de Boris Cherny, criador do Claude Code, sobre como os engenheiros trabalham dentro da Anthropic. Quatro de seus princípios coincidiram exatamente com as conclusões a que eu havia chegado por tentativa e erro.

Por que apagar o prompt de sistema e as habilidades a cada seis meses?

Nas equipes da Anthropic, a cada lançamento de um novo modelo base, aplica-se o método de ablação: o prompt de sistema é apagado por completo e as linhas são devolvidas uma a uma, medindo a contribuição real de cada regra. Instruções que, um ano atrás, salvavam o modelo de erros bobos, já estão embutidas nos pesos do Opus 5.5 e do Fable 5.1. Ao mantê-las no `CLAUDE.md`, pagamos duas vezes: gastamos a janela de atenção com banalidades óbvias e prendemos o modelo em um corredor estreito de heurísticas antigas.

Mesmo antes do vídeo, eu já havia feito essa limpeza em toda a minha stack. Passei por cada arquivo com uma única pergunta: o modelo atual resolveria a tarefa sem essa dica? Se a resposta fosse sim, a regra ia para o lixo. Os corpos das habilidades encolheram de 19.736 para 3.585 linhas, e dos vinte e nove módulos pesados, sobraram apenas dois. A qualidade das respostas melhorou imediatamente. A disciplina é simples: só devolva a linha ao prompt quando o modelo tropeçar no mesmo ponto três vezes consecutivas.

Por que instruções passo a passo funcionam pior do que descrever os

limites da tarefa?

Um erro típico ao trabalhar com um agente é escrever um algoritmo passo a passo: abra este arquivo, altere esta função, execute este script. Para modelos com capacidade de raciocínio, esse microgerenciamento é prejudicial. É muito melhor subir um nível: definir o objetivo, os limites e um critério de conclusão verificável.

Dentro da Anthropic, a equipe do Bun reescreveu o runtime de Zig para outra linguagem com um único prompt, por meio de um pipeline dinâmico de subagentes — onze dias de trabalho e cem mil linhas de código que hoje estão rodando em produção no Claude Code. O próprio Boris migrou um aplicativo desktop de Electron para Swift com uma única tarefa: o agente executava o original em uma máquina virtual, capturava uma captura de tela, comparava pixel a pixel com a versão em Swift e enviava relatórios para um canal do Slack.

Seguindo essa mesma lógica, montei uma integração entre plataforma educacional, CRM, gerenciador de tarefas e uma frota de agentes. Em vez de passar um mês desenhando especificações, eu definia o contrato final e corrigia apenas os pontos em que o agente realmente travava.

Como estruturar a verificação para que o script de controle não minta

sobre uma execução bem-sucedida?

Dar uma tarefa complexa ao modelo só é seguro junto com uma segunda regra: em cada etapa, o agente precisa de um oráculo externo de autoverificação. E é preciso testar também as próprias ferramentas de aceitação.

Em um único dia, encontrei seis defeitos silenciosos nos meus próprios scripts de segurança, que externamente exibiam um status verde sem problemas. O scanner de vazamentos, com a flag de análise semântica ativada, imprimia um cabeçalho e saía com código zero sem executar nenhum detector. Em outro ponto, um parâmetro vazio desligava o scanner por completo, e a palavra "Anthropic" em uma linha escondia uma chave de produção real logo ao lado.

A solução é um único artifício: a verificação precisa ser capaz de falhar. Agora meu scanner, antes de cada execução, injeta um "canário" de controle com um segredo sintético e exige que todas as 179 regras capturem seu alvo. Se mesmo uma delas ficar em silêncio, todo o relatório é rejeitado.

Como aproveitar uma arquitetura pronta de 361 habilidades sem precisar

montá-la do zero?

Os modelos atuais já sabem fazer muito mais do que as interfaces de chat padrão permitem. Quando removemos a camada extra de produto e damos ao modelo acesso direto a terminal, navegador com login de trabalho, montador de slides, edição de vídeo e um catálogo local com 2.061 cenários do n8n, a velocidade de trabalho muda em uma ordem de grandeza.

Toda a configuração reconstruída, com 361 habilidades e 39 agentes, está disponível publicamente no canal [@jemal_hamidun](https://t.me/jemal_hamidun). Para quem quiser implantar essa stack localmente com controle total sobre privacidade, mantemos o ambiente [Nomad AI](https://nomadnet.ai). Uma prática passo a passo de orquestração com teste de 72 horas pode ser feita na [Hamidun Academy](https://academy.hamidun.com), e masterminds regulares, além da biblioteca completa com mais de 370 habilidades, estão disponíveis no [Vibe Club](https://hamidun.com/club).