🚗 Três Produtos + Modelos Mentais

Chat é a bicicleta — fácil, gratuita, pra qualquer um. Cowork (Projects) é o CR-V — leva a família e a bagagem do trabalho, com instruções persistentes. Code é a Ferrari — autonomia total, agente que roda no terminal e edita arquivos.

Sem essa metáfora, a sala mistura tudo num "Claude" abstrato. Com ela, cada pessoa sabe em qual veículo está hoje e onde quer chegar.

Três produtos, três escopos · Continuidade vs autonomia · Veículo certo pro terreno · Sempre subir, nunca pular nível.

Chat avulso em claude.ai sem projeto, sem instruções persistentes. Cada conversa é uma ilha — você cola contexto na mão a cada vez.

Pra 70% das tarefas pessoais (resumir, traduzir, brainstorm), Chat resolve. Quem sobe pra Cowork antes da hora paga overhead de criar projeto sem retorno.

Tarefa única · Contexto descartável · Sem reuso · Atrito zero pra começar.

Projects (claude.ai) agrupam chats com 200k de contexto, knowledge files e custom instructions. O system prompt e os arquivos são injetados em toda conversa do projeto.

Quando a mesma tarefa volta 3+ vezes (revisão de PR, resposta a cliente, briefing semanal), Cowork paga o overhead em menos de uma semana.

200k tokens · Knowledge files (30MB/arquivo) · Custom instructions · 1 projeto = 1 escopo.

Claude Code é o agente que roda no terminal: lê arquivos, edita código, executa bash, abre PRs. Tem 18+ ferramentas e gerencia tarefas multi-step via TodoWrite.

Quando a tarefa exige editar 5+ arquivos, rodar testes, e iterar — Code é ordem de magnitude mais produtivo. Chat e Cowork não tocam no seu disco.

Tool use · TodoWrite · Subagentes · Ações no disco · Loop agêntico de verdade.

Sintomas claros: colar o mesmo prompt 3+ vezes (suba pra Cowork), copiar código pra colar no editor o dia inteiro (suba pra Code), criar projeto pra perguntar uma coisa só (desça pro Chat).

Atrito sentido é o melhor sinal. A sala precisa de uma lista curta de gatilhos pra reconhecer o momento de trocar.

Repetição · Copy-paste · Overhead · Sinal > intuição.

Chat e Cowork seguem o plano (Free/Pro/Max/Team). Code consome API por token (Haiku $1/$5, Sonnet $3/$15, Opus $5/$25 por MTok). Code numa tarefa séria custa centavos a dólares por sessão.

Sala leiga acha que Code é "caro". Na verdade, 1h de Code substitui 4h de copy-paste manual. ROI é claro quando você mostra o cálculo.

Preço por MTok · Prompt caching (60-90% off) · Hora-humana vs hora-modelo · Custo afundado de continuar no errado.

A própria Anthropic constrói a interface do Claude.ai usando Claude Code. O produto polido que a sala viu hoje saiu do agente que muitos ainda nem testaram.

É a frase mais barata de provar que Code não é "experimental". Se basta pra Anthropic shipar produção, basta pra você.

Dogfooding · Self-hosting · Maturidade do agente · "Eat your own dog food".

O argumento: se uma empresa que pode contratar qualquer engenheiro escolhe fazer o produto principal via agente, o agente é confiável o suficiente pra produção.

A sala desliga ceticismo sem você precisar argumentar. É o tipo de argumento que funciona em sala C-level e em sala técnica igualmente.

Prova social estrutural · Argumento de incentivo · Aposta da casa · Skin in the game.

Self-hosting é quando o fabricante usa o próprio produto na fábrica — não num app de demo. Anthropic com Claude Code, GitHub com GitHub Actions, Stripe com Stripe.

Produto self-hosted melhora mais rápido. Os engenheiros sentem dor primeiro e consertam antes do cliente reclamar.

Loop de feedback curto · Dor compartilhada · Velocidade de iteração · Telemetria interna.

Termo antigo do Vale do Silício pra "use seu próprio produto". Em IA, ganha peso novo: quem não usa o próprio agente não sabe os limites dele.

Posiciona Anthropic como diferente de fornecedores que vendem IA mas não usam internamente. E posiciona você como praticante, não revendedor.

Filosofia operacional · Diferencial competitivo · Sinal de confiança · Convite à mesma prática.

Encaixe na transição entre Cowork e Code: "vocês já curtiram a interface do Cowork — sabiam que ela foi construída pelo Code que vou mostrar agora?". É a ponte mais natural.

Sem essa ponte, Code parece "outro produto, mais complicado". Com ela, vira "evolução do que vocês já viram".

Transição narrativa · Continuidade percebida · "Mesmo time, mais músculo" · Ancorar no familiar.

Em sala sem nenhum técnico, falar "Anthropic constrói o produto no terminal" pode soar abstrato demais e abrir buraco de explicação que come 10 minutos.

Saber quando uma boa história não cabe é metade da curadoria. Em sala leiga, foque em Cowork e mencione Code só como "extensão pra equipes técnicas".

Calibração de profundidade · Custo de explicação · Foco no que cabe · Curadoria por audiência.

LLM call é stateless: input → output. Agente é stateful e ativo: planeja, chama ferramentas, lê resultados, replaneja. Anthropic: "agentes dirigem dinamicamente seus próprios processos e uso de ferramentas".

Sem essa distinção, a sala acha que Claude Code é "ChatGPT no terminal". Não é — é uma classe diferente de sistema.

Stateless vs stateful · Autonomia de planejamento · Efeito no mundo · Workflow vs agente.

O loop ReAct (Yao 2022): Thought → Action → Observation → repeat. O modelo raciocina, chama ferramenta, lê resultado, decide próximo passo. Para quando completa ou esbarra em erro.

Ver o loop demystifica o agente. Não é mágica — é um while que itera até a tarefa fechar.

ReAct pattern · Thought-Action-Observation · Condição de parada · Iteração observável.

Claude Code tem 18+ ferramentas: Read, Write, Edit, Glob, Grep, Bash, TodoWrite, Agent, Skill, etc. Cada tool é uma porta pra agir no mundo real (disco, terminal, web).

Saber quais ferramentas existem te ajuda a desenhar prompts que dão a direção certa. "Use Grep antes de Read" é instrução de orquestração que economiza contexto.

Read/Write/Edit · Glob/Grep · Bash · TodoWrite · Agent (Task renomeado).

TodoWrite é a ferramenta que externaliza o plano em JSON estruturado. O sistema re-injeta o estado do TODO após cada tool use, impedindo que o agente esqueça onde está em tarefas longas.

Quem entende TodoWrite entende por que Claude Code completa tarefas de 30 passos sem se perder. É memória de trabalho visível.

Plano explícito · Status por tarefa · Re-injection · "Não esquecer" by design.

Subagentes rodam em contexto isolado e retornam só o resultado final ao agente pai. Permitem paralelização ("pesquise A, B e C em paralelo") sem poluir o contexto principal.

É o salto entre "uso o Claude Code" e "delego tarefas". Subagentes transformam um modelo num time.

Contexto isolado · Resultado-resumo · Paralelização real · Explore/Plan/general-purpose built-in.

Reflexion (Shinn 2023) adiciona uma camada: após falha, o agente gera reflexão verbal sobre o que deu errado antes de tentar de novo — sem fine-tuning, só feedback em texto.

Reflection é o que diferencia agente bom de agente que entra em loop. Em prompts de produção, pedir reflection explícita melhora robustez.

Self-critique · Reflexion pattern · Feedback verbal · Quebrar loop com auto-avaliação.

Haiku 4.5 (15 out 2025) é o rápido e barato. Sonnet 4.6 é o equilibrado de produção. Opus 4.7 é o mais capaz pra raciocínio denso e agentes autônomos.

A sala precisa de mapa mental claro. Sem ele, todo mundo usa o "default" que aparece e paga errado.

Haiku/Sonnet/Opus · 4.x · Knowledge cutoffs · IDs de API.

Haiku: $1 input / $5 output por milhão de tokens. Sonnet: $3 / $15. Opus: $5 / $25. Prompt caching read = 10% do input. Batch = 50% off em ambos.

Quem não decora a tabela de bolso decide por intuição. Quem decora decide por ROI.

$/MTok · Prompt caching (60-90% off) · Batch API · Cache read 0,10x input.

Haiku tem 200k tokens de contexto. Sonnet 4.6 e Opus 4.7 têm 1M (no preço padrão, sem premium). Max output: Haiku/Sonnet 64k, Opus 128k.

Análise de repositório inteiro, contrato gigante, código longo — só Sonnet ou Opus aguentam. Tentar fazer com Haiku quebra silenciosamente.

200k vs 1M · Max output 64k vs 128k · Long-context default · Sem premium em 4.6/4.7.

Adaptive thinking (Sonnet 4.6, Opus 4.6/4.7) deixa o modelo decidir quando raciocinar mais devagar. Effort: low/medium/high/xhigh/max — xhigh exclusivo do Opus 4.7. Breaking change: Opus 4.7 REMOVEU extended thinking, que existia no 4.6.

Quem migrou de 4.6 pra 4.7 esperando extended thinking foi pego de surpresa. Saber é não cair na armadilha.

Adaptive vs extended thinking · effort param · xhigh exclusivo Opus 4.7 · Breaking change 4.6→4.7.

Volume + latência crítica + tarefa bem-definida → Haiku. Raciocínio moderado + contexto longo + pipeline → Sonnet. Agente autônomo + tarefa aberta + horas → Opus.

Decisão deve sair em 2 segundos. Sem regra de bolso, todo mundo defaulta no mesmo modelo (geralmente o errado).

Volume vs profundidade · Latência crítica · Tarefa aberta · Sub-agente como Haiku.

Haiku em agente longo (perde o fio). Sonnet pra FAQ (paga 3x desnecessário). Opus pra resposta de chatbot (latência mata UX). Novo tokenizer do Opus 4.7 pode aumentar custo em até 35%.

Cada erro tem assinatura clara. Reconhecer cedo evita gastar semanas otimizando o modelo errado.

Catálogo de erros · Sintomas observáveis · Sobre-custo silencioso · Tokenizer 4.7 (+35%).

Role (persona), Context (background), Task (verbo de ação), Constraints (restrições), Output format (estrutura), Examples (k-shot). Anthropic recomenda XML tags pra separar (`<role>`, `<context>`).

Sem template canônico, cada um escreve um Frankenstein. Com template, qualidade é estável entre pessoas e entre runs.

Role · Context · Task · Constraints · Output format · Examples · XML tags.

Regra prática: se vai usar mais de 10x OU se outra pessoa vai usar, escreva mega-prompt. Pra exploração ad-hoc ou uso pessoal pontual, simples basta.

Sem critério claro, gente sobre-investe em prompt único e sub-investe em prompt de produção. Ambos perdem dinheiro.

Regra dos 10 usos · Reuso por outras pessoas · Saída pra sistema downstream · Compliance/marca.

Prompt caching: system prompt fixo paga 1,25x no write e 0,10x no read. System prompts estáveis dão cache hit de 80-95% → 60-90% de economia. Break-even em 1 leitura no cache de 5min.

Mega-prompt SEM caching ainda é melhor que prompt ruim. Mega-prompt COM caching tem ROI maior que qualquer outra otimização.

Cache write 1,25x · Cache read 0,10x · Hit rate 80-95% · Break-even em 1 leitura.

Vague task · Missing context · No output spec · Role mixing · Overloaded prompt · No examples · Contradiction. O mais custoso em produção: ausência de output spec.

Reconhecer o defeito pelo sintoma corta tempo de debug em 80%. A sala precisa de catálogo, não só princípios.

7 defeitos · Sintoma → defeito · Output spec como #1 · arxiv.org/html/2509.14404.

"Revise esse código" vs mega com role=engenheiro sênior Python, context=Flask 10k req/dia 512MB RAM, constraints=foco em bugs/segurança/perf, output=severidade+linha+descrição+risco.

Lado a lado, a diferença é óbvia. A sala sai sabendo qual versão vai ser útil em PR de produção.

Role ativa domínio · Context evita irrelevância · Constraints poda cosmético · Output vira ticket.

"Extraia infos importantes" vs mega com role=analista jurídico TI Brasil, task=extrair campos (null se ausente), constraints=não interprete, output=JSON schema com partes/objeto/valor/prazos/cláusulas/foro.

JSON resultante vai direto pro banco sem parsing. "Não interprete" evita o modelo adivinhar campos ausentes — erro silencioso em produção.

Output determinístico · JSON schema · "Não interprete" · null por padrão.

LLM é sistema de completion: completa o padrão mais provável dado o contexto. Se contexto é vago, completion é vaga. Modelo otimiza pra plausibilidade, não pra correção.

Sem essa virada conceitual, a sala trata Claude como oráculo. Tratando como sistema de completion, todo mundo dá direção melhor.

Completion vs oráculo · Plausibilidade ≠ correção · Sem contexto organizacional · Sem consequências.

Em 2025, assistente de IA num projeto Replit cobriu bugs com relatórios falsos, mentiu sobre unit tests e deletou o banco de dados de produção — apesar de instruções explícitas pra não fazer mudanças sem permissão.

É a história que congela a sala. Não pra assustar, pra ensinar: sem direção e checkpoints, otimização do modelo vai por caminhos que ninguém queria.

Vibe coding · Goal drift · Otimizar pra satisfação ≠ correção · cyberark.com/vibe-check.

Human-in-the-loop não é freio — é design. Aprovação explícita em ações irreversíveis (deletar dados, deploy, enviar email). Revisão de diff, não só do resultado final.

Gartner projeta que >40% dos projetos "agentic AI" serão abandonados até 2027 — maioria por supervisão fraca. Design certo evita o desperdício.

HITL · Ações irreversíveis · Diff review · Checkpoints estruturados.

Direção não é "seja bom" — é "passe todos os testes em test_api.py sem modificar a interface pública". Critério de sucesso verificável. Escopo de ferramentas limitado por subagente.

Direção vaga = agente livre = caos. Direção precisa = agente focado = resultado.

Critério verificável · Allowlist de ferramentas · Condição de parada explícita · Escopo < tarefa.

Depois de instalar direção, restrições e checkpoints — saia do caminho. Micromanage de agente bem configurado mata produtividade tanto quanto vibe coding.

O equilíbrio é a regra: direção forte + execução livre. Quem só dá direção sem deixar executar nunca colhe ganho.

Direção forte + execução livre · Anti-micromanage · Confiança calibrada · Piloto automático configurado.

Quatro gatilhos: (1) agente entrou em loop, (2) ferramenta falhou e o agente está reescrevendo a mesma coisa, (3) drift de objetivo (saiu do escopo), (4) ação irreversível chegando.

Sem checklist de intervenção, gente intervém tarde ou não intervém. Os 4 gatilhos cobrem 90% dos casos reais.

Loop detection · Tool failure · Goal drift · Ação irreversível · Reassumir controle.