# Engenharia de contexto em 2026: diferenças face aos prompts e aplicação no Claude Code > O que é engenharia de contexto e em que difere da engenharia de prompts. O cânone Anthropic, 7 erros e uma configuração mínima para Claude Code. Source: https://ailoot.ai/blog/pt-pt/context-engineering/ Canonical: https://ailoot.ai/blog/pt-pt/context-engineering/ Language: pt-PT Publisher: Ailoot (https://ailoot.ai/) Translation: guide-037 Revision: sha256-93f21d93c93436a9065a73e678a801383926ad64895944b85b72f62aceac175c
Pontos principais A engenharia de contexto é a disciplina de configurar tudo o que entra na janela de contexto do Claude antes da sua mensagem: o prompt de sistema, as ferramentas, o histórico, os ficheiros de memória e os dados das ferramentas. Em 2026, substituiu a engenharia de prompts como competência essencial — é o que diz a Anthropic. Este guia aborda o cânone das fontes primárias, 7 erros comuns que desperdiçam tokens e uma configuração prática em 7 passos para o Claude Code.
As informações sobre como trabalhar com Ailoot estão disponíveis na [documentação](https://ailoot.ai/docs/). ## O que é engenharia de contexto — numa frase?
Pontos principais A engenharia de contexto é a disciplina de selecionar tudo o que entra na janela de contexto de um agente de IA em cada passo: o prompt de sistema, as ferramentas, o histórico, os ficheiros de memória e os dados de fontes externas. A engenharia de prompts respondia à pergunta «Como se escreve um prompt?». A engenharia de contexto responde à pergunta «O que sabe a IA quando se escreve um prompt?»
A Anthropic estabeleceu o termo numa publicação do blogue de engenharia a 29 de setembro de 2025:
A engenharia de contexto é o conjunto de estratégias para selecionar e manter o conjunto ideal de tokens (informação) durante a inferência de LLM, incluindo tudo o que é introduzido para além dos próprios prompts.
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
O mesmo artigo oferece a frase mais importante para mudar de perspetiva:
Trabalhar com modelos de linguagem está cada vez menos relacionado com encontrar as palavras e expressões certas nos prompts e cada vez mais com responder a uma pergunta mais abrangente: «Que configuração de contexto tem maior probabilidade de produzir o comportamento desejado do modelo?»
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
A ideia principal: o contexto não é a mensagem que escreve. O contexto é o conjunto completo de informações que a IA vê **antes** da sua mensagem — o prompt de sistema, as descrições das ferramentas, o histórico da conversa, os ficheiros de memória e os dados carregados através de MCP. O prompt é o passo final. A engenharia de contexto é a arquitetura de tudo o que é introduzido na janela. ## Porque é que a engenharia de prompts ficou desatualizada em 2026?
Pontos principais A engenharia de prompts surgiu quando os modelos trabalhavam com um único prompt — uma interação, uma tarefa. Em 2026, os agentes de IA executam sessões longas com ferramentas, memória, subagentes e dados obtidos em tempo real através de ferramentas. Nesta arquitetura, formular um único prompt já não é a competência principal; o essencial é selecionar toda a informação que o agente vê.
A mudança ocorreu durante o verão de 2025. **29 de setembro de 2025:** a Anthropic estabelece a disciplina numa publicação do blogue de engenharia e apresenta um cânone de 4 princípios. A engenharia de prompts não «morreu». Tornou-se uma competência básica, como saber escrever num teclado. Sobre ela surgiu uma disciplina sem a qual os agentes de IA falham em tarefas longas: a engenharia de contexto. ## Em que difere a engenharia de contexto da engenharia de prompts? 5 diferenças
Pontos principais A engenharia de prompts otimiza um único prompt: escolhe a formulação, o modelo e o tom. A engenharia de contexto concebe todo o ambiente de informação antes desse prompt: o prompt de sistema, as ferramentas, o histórico da sessão, os ficheiros de memória e a recuperação de informação. A diferença manifesta-se em cinco níveis: o que é otimizado, o horizonte temporal, o risco principal, a competência essencial e a fonte no projeto.
| Aspeto | Engenharia de prompts | Engenharia de contexto | |----|----|----| | **O que é otimizado** | A formulação de um único prompt | O conjunto completo de tokens: prompt de sistema + ferramentas + histórico + dados recuperados | | **Horizonte temporal** | Uma interação | Muitas interações e transições entre sessões | | **Risco principal** | O modelo não compreende o prompt | O modelo afoga-se no ruído (context rot) | | **Competência essencial** | Redação e compreensão do modelo | Arquitetura da informação e recuperação direcionada | | **Fonte no projeto** | O modelo do seu prompt | CLAUDE.md, ficheiros de memória, recuperação, subagentes, compactação | | **Metáfora** | «Como escrever um prompt» | «O que sabe a IA quando lhe dá um prompt» | A engenharia de contexto não significa «despejar lá mais coisas». Trata-se de **dosagem precisa**. Se houver pouco contexto, a IA não dispõe de informação suficiente e alucina. Se houver demasiado, afoga-se no ruído, perde-se a meio e fica mais cara. A engenharia de prompts tratava do passo final. A engenharia de contexto trata de tudo o que o antecede. ## Porque é que 1M de tokens não significa «despejar tudo»?
Pontos principais As janelas de contexto dos modelos cresceram em 2026: Claude Opus 4.7 e Sonnet 4.6 suportam 1 milhão de tokens. Isto cria a ilusão de que se pode despejar todo o repositório na janela. Na prática, uma janela grande não significa uma grande memória útil — os modelos começam a degradar-se muito antes do limite.
Limites de contexto atuais dos modelos Claude: | Modelo | Janela de contexto | Disponível em | |-------------------|--------------------|--------------------------| | Claude Haiku 4.5 | 200 000 tokens | todos os planos | | Claude Sonnet 4.6 | 1 000 000 tokens | Pro+ com créditos de utilização | | Claude Opus 4.7 | 1 000 000 tokens | Pro, Max, Team, Enterprise | 1M de tokens corresponde a cerca de 2 500 páginas de texto. Parece que seria possível carregar toda a documentação do projeto, toda a correspondência e todas as especificações — e deixar a IA descobrir o que fazer. Mas a Anthropic afirma claramente no seu blogue de engenharia:
Deve tratar o contexto como um recurso finito com rendimentos decrescentes.
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
Por outras palavras, o contexto é um recurso finito com rendimentos decrescentes. Cada token adicional não traz benefícios de forma linear. Quanto mais longa for a janela, pior será o desempenho do modelo ao trabalhar com a informação nela contida. A principal competência em 2026 não é manter tudo aberto. É mudar rapidamente entre contextos restritos, um por tarefa. ## O maior erro: mais contexto significa um resultado pior?
Pontos principais Quanto mais longo for o contexto, pior o modelo trabalha com a informação nele contida. Este fenómeno chama-se context rot. Também se verifica o efeito «lost in the middle»: os modelos lembram-se do início e do fim do contexto, mas ignoram o meio. A conclusão prática é que ficheiros de memória longos jogam contra si.
O segundo efeito, «lost in the middle», atua em paralelo. Na prática, uma regra importante escondida num CLAUDE.md longo pode receber menos atenção. É um risco a testar em tarefas reais, não uma garantia de que o modelo ignorará uma determinada linha. A Anthropic recomenda um limite de comprimento na documentação do CLAUDE.md:
Procure manter o CLAUDE.md abaixo das 200 linhas — ficheiros mais longos consomem mais contexto e reduzem o cumprimento das instruções.
— Anthropic, https://code.claude.com/docs/en/memory
Ficar abaixo de 200 linhas é um objetivo de extensão nas orientações citadas, não um limite rígido a partir do qual o cumprimento cessa. O intervalo de 80-120 linhas é a preferência de trabalho do autor nos projetos descritos, não uma exigência adicional da Anthropic. Mantenha as instruções pertinentes e teste o cumprimento das regras importantes; cada linha acrescentada compete por atenção e contexto. Para saber mais sobre como configurar o CLAUDE.md dentro deste limite, consulte o guia [«Como configurar o CLAUDE.md em 2026»](https://ailoot.ai/blog/pt-pt/claude-md-template/). ## 5 princípios de engenharia de contexto segundo a Anthropic
Pontos principais Na sua publicação do blogue de engenharia de 29 de setembro de 2025, a Anthropic registou 5 estratégias básicas de contexto: recurso finito, recuperação just-in-time, tomada de notas estruturada, compactação e arquiteturas com subagentes. Este é o cânone citado atualmente por todos os outros autores sobre o tema.
### Princípio 1. O contexto é um recurso finito Esta é a premissa básica, sem a qual os outros quatro princípios não funcionam. A Anthropic escreve:
A recomendação geral para todos os componentes do contexto (prompts de sistema, ferramentas, exemplos, histórico de mensagens, etc.) é usá-los com ponderação e manter o contexto informativo, mas denso.
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
«Denso» significa «concentrado, sem enchimento». Cada token na janela deve alterar de forma significativa a decisão do modelo. Se uma linha do CLAUDE.md disser «tentamos escrever código limpo», pode apagá-la; não transmite qualquer informação relevante. ### Princípio 2. Recuperação just-in-time O agente de IA obtém dados em tempo real através de ferramentas, em vez de pré-carregar tudo na janela. Esta é a arquitetura do Claude Code: em vez de uma base de dados vetorial ou de um índice, o agente utiliza `glob` e `grep`, tal como um programador procura código manualmente. Quando utilizar: **não sabe antecipadamente** que passagens serão necessárias para a tarefa. ### Princípio 3. Tomada de notas estruturada O agente escreve notas num armazenamento externo e carrega-as conforme necessário. No Claude Code, isto é implementado através da ferramenta de memória. A Anthropic descreve-a no seu livro de receitas da seguinte forma:
A memória consiste em notas estruturadas: o agente escreve num armazenamento externo persistente para acompanhar o progresso entre tarefas e sessões sem manter tudo no contexto ativo.
— Anthropic Cookbook, https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools
Quando utilizar: sessões longas, transições entre sessões e acumulação de conhecimento sobre o projeto. ### Princípio 4. Compactação Comprimir o histórico de mensagens num resumo à medida que o limite se aproxima. No Claude Code, isto corresponde ao comando `/compact`, além da compactação automática quando a janela chega a cerca de 80%. A Anthropic escreve:
A compactação comprime a janela inteira quando esta se torna demasiado grande.
— Anthropic Cookbook, https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools
Quando utilizar: conversas analíticas longas em que o histórico do chat se tornou um peso morto e ocupa a janela em vez de ajudar. ### Princípio 5. Arquiteturas com subagentes Subagentes especializados trabalham em paralelo nas suas próprias janelas de contexto e devolvem resumos comprimidos ao agente principal. A Anthropic escreve:
Os subagentes ajudam a comprimir: trabalham em paralelo nas suas próprias janelas de contexto enquanto investigam diferentes aspetos de uma pergunta em simultâneo.
— Anthropic Engineering, https://www.anthropic.com/engineering/multi-agent-research-system
Números do seu próprio teste interno: um agente principal Claude Opus 4 com subagentes Claude Sonnet 4 alcança **+90.2% de qualidade** em tarefas de investigação, em comparação com um único Claude Opus 4. O custo: cerca de 15× mais tokens. A conclusão: justifica-se quando o resultado é valioso. Para saber mais sobre como configurar subagentes no Claude Code, consulte o guia [«Subagentes para Claude Code»](https://ailoot.ai/blog/pt-pt/claude-code-subagents/). ## 7 erros que desperdiçam tokens e prejudicam o Claude Code
Pontos principais Sete anti-padrões comuns descritos com exemplos de projetos. Cada um desperdiça tokens sem benefício ou provoca alucinações devido ao context rot. Abaixo de cada um encontra-se a forma como a engenharia de contexto o resolve.
| \# | Anti-padrão | O que acontece | Como corrigir | |----|----|----|----| | 1 | **Colei o README completo e 5 ficheiros de código num único prompt** | A janela fica 50% ocupada numa interação e atinge rapidamente o limite | Utilize a ferramenta de memória para factos a longo prazo e a recuperação just-in-time — deixe o Claude ler os ficheiros através de `read_file`/`glob` | | 2 | **CLAUDE.md com 500 linhas** | Instruções longas podem reduzir o cumprimento, sobretudo com regras importantes escondidas no meio | 80-120 linhas, imperativos, secções para comandos e estilo. Coloque o mais importante no início e no fim | | 3 | **Não executo `/compact` em sessões longas** | A sessão chega aos 180k tokens, o Claude esquece as primeiras mensagens e repete o contexto manualmente | Execute `/compact` manualmente ou utilize a compactação automática por acionador. Um sinal de sobrecarga é o indicador de utilização do contexto no Claude para computador | | 4 | **Um Claude para tudo** | Um agente planeia, pesquisa, programa, revê e testa — a janela cresce exponencialmente | Subagentes: cada um tem o seu próprio contexto e o agente principal reúne os resumos. A Anthropic relata +90.2% de qualidade em tarefas de investigação | | 5 | **Os ficheiros de memória crescem com os resultados das ferramentas** | O agente volta a ler o mesmo ficheiro 5 vezes, enchendo 96% do contexto com resultados de chamadas a ferramentas | Limpe os resultados das ferramentas: mantenha os 4-6 resultados mais recentes e apague os restantes. Fica preservado o facto de a chamada ter ocorrido | | 6 | **Colei o repositório inteiro na pasta `examples/`** | A IA procura um padrão entre 200 exemplos e perde-se | 3-7 padrões canónicos em `examples/`, cada um para um tipo específico de tarefa | | 7 | **Uma lista de Markdown com 200 linhas como «plano de funcionalidade»** | Uma lista longa e sem estrutura pode dificultar o acompanhamento; não existe um ponto universal de falha na linha 50 | Artefacto HTML ou plano numerado num ficheiro separado | O Cookbook da Anthropic descreve uma medição específica para o erro n.º 5: na sessão de referência, o primeiro documento no contexto (sobre C. elegans) estava tecnicamente na janela, mas soterrado sob 335k tokens. Tecnicamente disponível. Na prática, o modelo não se lembrava dele. Com a ferramenta de memória, o problema resolve-se assim: o ficheiro de notas `aging_model_organisms_comparison.md` ocupa cerca de 3000 tokens, em vez de voltar a carregar o corpus original. Uma analogia doméstica: a janela de contexto é uma secretária. Se houver 200 documentos em cima dela, não encontrará aquele de que precisa, mesmo que lá esteja. A engenharia de contexto é a disciplina de «manter na secretária apenas aquilo de que precisa agora, guardar o resto no arquivo e carregá-lo quando for pedido». ## Como montar uma configuração funcional numa noite?
Pontos principais Uma configuração mínima e funcional de engenharia de contexto no Claude Code tem 7 elementos: CLAUDE.md, exemplos, documentos PRP, ferramenta de memória, /compact, subagentes e recuperação just-in-time através de ferramentas. A estrutura básica demora 30-40 minutos a configurar; uma configuração completa com exemplos e prompts verificados demora uma noite. Pode aperfeiçoá-la à medida que avança.
Os sete passos, por ordem: 1. **CLAUDE.md com 80-120 linhas.** Na raiz do projeto. Utilize imperativos, não descrições. Na sua [documentação oficial](https://code.claude.com/docs/en/memory), a Anthropic recomenda o princípio `Specificity`: as regras devem ser concretas e inequívocas, não princípios gerais. Na prática, «nunca utilize mocks inline nos testes» funciona melhor do que «tentamos escrever código limpo». Para um modelo detalhado, consulte o guia [«Como configurar o CLAUDE.md»](https://ailoot.ai/blog/pt-pt/claude-md-template/). 2. **Uma pasta `examples/` com 3-7 padrões verificados.** Um exemplo para cada padrão comum: uma chamada de API, a escrita de um teste, uma migração, o tratamento de erros. Quando o Claude vê um padrão em `examples/`, reprodu-lo exatamente. Sem exemplos, vai adivinhando à medida que avança. 3. **Documentos PRP para funcionalidades importantes.** PRP = Product Requirements Prompt. Um ficheiro por funcionalidade: contexto + plano + validação + exemplos. 4. **Uma ferramenta de memória para factos de longo prazo entre sessões.** No Cookbook da Anthropic, a ferramenta de memória do Claude é implementada como um arquivo de notas estruturadas. Quando o agente retoma uma tarefa numa nova sessão, começa por ler as notas em vez de voltar a ler todo o corpus. 5. **`/compact` e compactação automática a 80% do limite.** Não espere que a janela chegue ao limite. Ative a compactação automática nas definições ou execute `/compact` quando sentir que a sessão está a andar em círculos. 6. **Subagentes para investigação / revisão / planeamento.** Cada subagente tem o seu próprio contexto e um prompt específico. O Claude principal recebe apenas o resumo, não o material em bruto. Consulte [«Subagentes para Claude Code»](https://ailoot.ai/blog/pt-pt/claude-code-subagents/) e [«Skills para Claude Code»](https://ailoot.ai/blog/pt-pt/claude-code-skills-library/) para mais informações (Skills são uma forma de agrupar conhecimentos especializados e específicos numa skill que o Claude aplica automaticamente). 7. **Recuperação just-in-time em vez de pré-carregamento.** Não despeje o repositório inteiro na janela. Deixe o Claude pesquisá-lo através de `glob` e `grep`. Esta é a própria arquitetura do Claude Code. Outras regras práticas retiradas da experiência com os projetos descritos: - **Uma tarefa, uma janela.** Quando terminar, feche-a e abra uma nova. Não acumule o histórico de várias tarefas consecutivas. - **Modelo para o primeiro comando numa janela nova.** Utilize sempre o mesmo texto: «Lê, por esta ordem, `CLAUDE.md` e a área da tarefa. Confirma numa linha. Não comeces a tarefa; espera pela mensagem seguinte.» No fluxo de trabalho descrito, este modelo está guardado num editor de snippets sob uma única tecla de atalho. - **Quando a janela de contexto estiver >60% cheia, mude para uma nova.** Técnica provisória: peça ao Claude «escreve um prompt para que o chat ao lado possa continuar a tua tarefa sem perder o sentido», copie-o e abra uma janela nova. - **Cada erro da IA é motivo para acrescentar uma regra.** Não escreva regras manualmente nos ficheiros de memória. Diga ao Claude «isso está errado porque...» no momento do erro e ele formatará a regra num ficheiro segundo a convenção «Regra → Porquê → Como». ## E agora: como irá evoluir a disciplina da engenharia de contexto?
Pontos principais Em 2026, a engenharia de contexto está a passar de ficheiros Markdown baseados em texto para formatos mais estruturados. Surgiu a funcionalidade Dreaming, na qual um agente reexamina sessões anteriores durante a noite. Os próximos passos são artefactos HTML, memória persistente e orquestração multiagente em toda a equipa de produto.
Uma direção em que a disciplina está a evoluir neste momento: **Dreaming — reavaliação noturna das sessões.** No Code w/ Claude SF, a 6 de maio de 2026, a Anthropic apresentou uma funcionalidade em que um agente reexamina sessões anteriores durante a noite e atualiza as próprias notas. Os ficheiros de memória estruturada crescem agora não só quando os escreve, mas também quando o agente tira conclusões da experiência acumulada. Uma tendência é clara: a engenharia de contexto está a tornar-se uma disciplina completa para conceber informação para agentes de IA, e não apenas «como escrever CLAUDE.md». A engenharia de prompts foi um dos primeiros níveis desta disciplina. A engenharia de contexto é o seguinte. O mínimo que vale a pena montar na primeira noite: configurar o CLAUDE.md para 80-120 linhas (guia [aqui](https://ailoot.ai/blog/pt-pt/claude-md-template/)), criar uma pasta com uma estrutura para conhecimento empresarial, aprender a utilizar `/compact` e [deixar de desperdiçar os limites](https://ailoot.ai/blog/pt-pt/claude-code-token-limits-saving/). Depois, acrescente subagentes ([guia](https://ailoot.ai/blog/pt-pt/claude-code-subagents/)) e [Skills](https://ailoot.ai/blog/pt-pt/claude-code-skills-library/) para transferir conhecimentos especializados do contexto partilhado para skills dedicadas.
### Fontes - [Engenharia de contexto eficaz para agentes de IA](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) - Anthropic Applied AI team, 29.09.2025. O texto canónico com 4 princípios de engenharia de contexto. - [Como criámos o nosso sistema de investigação multiagente](https://www.anthropic.com/engineering/multi-agent-research-system) - Anthropic Engineering, 13.06.2025. Fonte dos valores de +90.2% de qualidade e 15× mais tokens. - [Anthropic Cookbook - Engenharia de contexto com utilização de ferramentas](https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools) - Elementos práticos: compactação, limpeza de resultados de ferramentas e ferramenta de memória. - [Documentação de memória do Claude Code](https://code.claude.com/docs/en/memory) - Orientações sobre instruções de projeto concisas e específicas; o objetivo citado é ficar abaixo de 200 linhas. O intervalo de 80-120 linhas é a preferência do autor.
Conheça a [Ailoot](https://ailoot.ai/). ## Perguntas frequentes ### 200 linhas é um limite rígido para o CLAUDE.md? Não. As orientações citadas recomendam ficar abaixo de 200 linhas para poupar contexto e melhorar o cumprimento. O intervalo de 80-120 linhas é uma preferência prática do autor; verifique as regras importantes em tarefas reais em vez de tratar a contagem como garantia. ### O que devo retirar do contexto inicial? Transfira exemplos detalhados, resultados longos de ferramentas e referências específicas de tarefas para ficheiros separados. Mantenha regras concisas e referências no CLAUDE.md e recupere as passagens pertinentes quando a tarefa precisar delas. ## Ailoot · A empresa e a sua carteira de projetos A Ailoot assenta numa experiência operacional consolidada, numa ampla base de clientes, num serviço estável e no acompanhamento contínuo dos KPI. A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. A Ailoot aplica essa experiência operacional ao acesso por API a funcionalidades de IA nos produtos dos clientes, agentes, aplicações e automatizações.