⚙️ Recursos Centrais

Cinco blocos: papel ("você é..."), objetivo ("ajude com..."), tom ("seja direto"), formato ("responda em bullets") e restrições ("não sugira X").

Sem estrutura, instructions vira parágrafo solto e o Claude ignora metade. Com estrutura, ele sabe exatamente onde encaixar cada regra.

Papel, objetivo, tom, formato, restrições.

200-800 palavras costuma ser sweet spot. Acima disso, modelo dilui prioridade entre regras.

Instructions de 5 páginas vira "tudo importante = nada importante". Concisão força priorização.

Sweet spot 200-800, priorização, sinal vs ruído.

Incluir 1-2 exemplos de input → output desejado. O modelo aprende padrão rapidíssimo.

Descrição abstrata ("seja conciso") perde pra exemplo concreto ("input: X; output: Y").

Few-shot, exemplo concreto, padrão por imitação.

Listar comportamentos a evitar. "Nunca sugira refator fora do escopo", "Não use 'talvez' ou 'considere'".

Restrição negativa é tão importante quanto regra positiva. Tira ruído sistemático.

Restrição negativa, lista do que evitar.

Cowork não versiona instructions nativamente. Você precisa manter histórico fora (Google Doc, GitHub gist).

Quando o time muda regra, ninguém lembra qual era a anterior. Backup externo evita confusão.

Versionamento manual, changelog externo, rollback possível.

Colar PDF de 30 páginas, instructions contraditórias, jargão vago ("seja bom"), regra implícita assumida.

Os antipadrões são os erros mais comuns. Reconhecer evita gastar 1 mês ajustando errado.

Bloat, contradição, vagueza, regra implícita.

Arquivo é parseado, extraído texto, dividido em pedaços, indexado para consulta. Tudo automático.

Entender o pipeline ajuda a escolher formato (Markdown > PDF) e estrutura (com headers > parágrafo solto).

Parsing, extração, chunking, indexação.

Markdown preserva estrutura (headers, listas, tabelas), economiza tokens vs PDF, é texto puro.

PDF de relatório complexo vira sopa de texto bagunçada. Markdown da mesma info entrega 3x mais qualidade.

Estrutura preservada, tokens economizados, citação melhor.

Modelo cita automaticamente quando pergunta tem encaixe claro. Você pode forçar citação pedindo "cite o arquivo e trecho".

Sem citação, você não consegue auditar a resposta. Pedir citação vira parte do prompt padrão.

Citação ativa, citação forçada, auditabilidade.

Cada arquivo até ~30MB, total combinado limitado pela capacity bar. Mais arquivos ≠ mais qualidade.

Quem entope o knowledge satura contexto. Quem cura entrega respostas melhores com menos.

Limite por arquivo, capacity bar, curadoria.

Substituir arquivo = deletar + subir novo. Não tem diff nativo nem versão automática.

Knowledge desatualizado = respostas erradas com confiança. Estabelece processo de revisão regular.

Replace pattern, sem versionamento nativo, calendar review.

PII bruta, credenciais, segredos de produção, dados de saúde sem contrato. Mesmo com Enterprise.

Acidente de subir CSV com CPFs estraga adoção inteira. Política e treinamento previnem.

PII, credenciais, mascaramento, sintético.

Chat A e Chat B do mesmo projeto compartilham knowledge e instructions, mas não veem as mensagens um do outro.

Quem espera "o Claude lembra do chat de ontem" desperdiça tempo perguntando o que ele não vê.

Isolamento entre chats, knowledge/instructions compartilhados, mensagens não.

Editar uma pergunta anterior cria nova "branch" — a partir dali, a conversa segue caminho diferente. A versão anterior fica preservada.

Reescrever pergunta é mais barato que começar do zero. Branching também serve pra explorar respostas alternativas.

Edit, branch, versão anterior, exploração paralela.

Botão "Regenerate" pede ao modelo refazer a última resposta. Pode também tentar com outro modelo.

Resposta ruim nem sempre é problema do prompt — pode ser variabilidade. Regenerar é grátis e rápido.

Regenerate, troca de modelo no flight, variabilidade natural.

Busca textual entre títulos e conteúdo das conversas do projeto. Combinada com renomear ajuda a achar o que fez 2 meses atrás.

Projeto antigo vira KB se você consegue achar coisa nele. Sem busca, vira arquivo morto.

Search dentro do projeto, KB conversacional, archive.

Gera URL pública da conversa. Quem abre vê o histórico, mas não pode continuar (e não vê knowledge/instructions).

Útil pra mostrar exemplo a colega sem dar acesso ao projeto. Cuidado com conteúdo sensível, é PÚBLICO.

Share link, read-only, exposição pública.

Conversa muito longa pode atingir limite. Instructions + knowledge + mensagens precisam caber no contexto.

Sinal de saturação: respostas perdem qualidade, modelo ignora primeiros pedidos. Hora de novo chat.

Limite combinado, saturação, novo chat como reset.

Conteúdo separado do chat, renderizado em painel paralelo: documento longo, código, HTML/React, SVG, Mermaid.

Mantém o chat limpo e dá visualização rica do que o modelo produz. Você consegue iterar diretamente.

Canvas paralelo, rendering, persistência por chat.

Documento Markdown, código (Python, JS, Go...), HTML + React renderizado interativo, SVG, Mermaid (fluxos).

Saber o que cabe te ajuda a pedir certo: "gera como artifact React" produz UI funcional.

MD, código, HTML/React interativo, SVG, Mermaid.

Próximas mensagens podem pedir mudanças localizadas ("muda o título", "adiciona seção sobre X"). O artifact é atualizado.

Iteração in-place é muito mais rápida que regenerar tudo. Use updates incrementais.

Update parcial, edição incremental, versão atualizada.

Copy do conteúdo, download como arquivo, fork pra novo artifact, ou (em casos) publish pra link público.

Output só vira valor quando sai do Claude e entra no seu fluxo (repo, drive, email).

Copy, download, fork, publish.

Artifact React/HTML roda em sandbox real. Você clica botão e vê acontecer. Ótimo pra prototipar UI.

Protótipo conversacional é caminho mais rápido entre ideia e tela funcional.

Sandbox, render real, prototipagem rápida.

Não faz network external (CORS), não persiste estado entre sessões, não conecta a APIs reais por padrão.

Artifact é protótipo, não produção. Pra rodar de verdade, leva o código pra fora.

Sandbox isolado, sem persistência real, transição pra produção.

Opus = raciocínio profundo. Sonnet = equilíbrio capaz + rápido. Haiku = pequeno, rápido, barato.

Cada caso tem modelo ideal. Opus pra tudo é desperdício de tempo e cota.

Tier de capacidade, trade-off velocidade/qualidade.

Modelo mais capaz da família. Melhor em raciocínio multi-passo, análise complexa, código sofisticado.

Vale para investigação difícil, escrita complexa, decisões com muito contexto.

Raciocínio profundo, code complexo, mais lento.

Equilíbrio entre capacidade e velocidade. Default sensato para a maioria das tarefas.

Sonnet resolve 80% bem e rápido. Só sobe pra Opus se Sonnet falhou.

Default, custo-benefício, primeira escolha.

Modelo menor, muito rápido, ótimo para tarefas simples em volume: classificação, extração, resumo curto.

Em workflows de alta repetição, Haiku reduz custo e tempo significativamente.

Baixa latência, custo baixo, tarefas simples em volume.

Seletor de modelo no topo do chat permite trocar a qualquer momento. Mensagens anteriores ficam preservadas.

Começa com Sonnet, sobe pra Opus quando o problema fica difícil. Híbrido economiza cota.

Hot swap, escalada por dificuldade, hibrido.

Pro tem cotas separadas para Opus (mais limitadas) e Sonnet (mais generosas). Max amplia ambas.

Usuário que bate limit no Opus achando que é "Cowork inteiro travado" não sabia que é só Opus.

Cota por modelo, rolling window, sinal do limit.

Modo onde o modelo "pensa" explicitamente antes da resposta final. Útil em raciocínio complexo.

Ganho de qualidade real em problemas difíceis. Custa mais tempo, vale quando vale.

Reasoning explícito, mais tempo, mais qualidade.

Modelo faz buscas na web e usa resultados na resposta. Cita as fontes.

Resolve a limitação do knowledge cutoff. Para questões de "o que aconteceu esta semana".

Search ativa, citação de fontes, frescor.

Modelo planeja queries, executa múltiplas buscas, sintetiza relatório completo com fontes.

Para investigação profunda (concorrentes, tema técnico, decisão estratégica), Research entrega o que 20 buscas manuais entregariam.

Multi-step research, planejamento, síntese.

Sandbox onde o modelo executa Python/JS para fazer cálculo, ler CSV, gerar gráfico. Vê o resultado e refina.

Análise de planilha pesada, parsing de log, cálculo numérico — passa a ser nativo do chat.

Sandbox, execução real, dados estruturados.

Integrações que dão ao Claude acesso a Google Drive, GitHub, etc, com sua autorização — vê arquivos sem precisar fazer upload manual.

Knowledge que vive em Drive não precisa ser baixado e re-subido toda vez. Conector mantém atualizado.

Conector, OAuth, atualização automática.

Cada ferramenta avançada custa tempo e/ou cota. Use quando o ganho compensa.

Ativar Research pra "que horas são em Tokyo" é overkill. Saber escolher = trabalho eficiente.

Trade-off, escolha contextual, parcimônia.