Otimizando Claude Code: Como Ajustar Prompts para Resultados Superiores

Lucas (CEO Toolzz)
7 de abril de 2026

Com a crescente popularidade de modelos de linguagem de grande porte (LLMs) como o Claude Code, a arte de criar prompts eficazes se torna crucial. Muitas vezes, esses modelos, por padrão, tendem a oferecer respostas minimalistas ou incompletas, o que pode comprometer a qualidade do resultado final. Um recente esforço de engenharia reverte essa tendência, demonstrando a importância de um balanceamento cuidadoso nas instruções fornecidas ao modelo.

O Problema da "Preguiça" nos Prompts

A análise revelou que o Claude Code, por padrão, é instruído a priorizar a simplicidade e a concisão em mais de 15 pontos diferentes, enquanto as instruções para ser completo e minucioso aparecem apenas em 3 ou 4 lugares – uma proporção de 5:1 a favor da "preguiça". Essa configuração incentiva o modelo a cortar caminho, oferecendo soluções rápidas, mas potencialmente incompletas ou superficiais. A abordagem de otimização visa reequilibrar essa relação, incentivando o modelo a ser mais abrangente em suas respostas.

A Solução: Um Patch para Prompts

Para corrigir esse desequilíbrio, um "patch" foi desenvolvido para modificar os system prompts do Claude Code. Este patch, implementado através de substituições de texto no arquivo cli.js do pacote npm @anthropic-ai/claude-code, ajusta as instruções do modelo para encorajar uma análise mais profunda e uma implementação mais completa. As mudanças incluem a remoção de frases como "Tente a abordagem mais simples primeiro" e a substituição por "Escolha a abordagem que resolva o problema corretamente e completamente".

Exemplos de Patches Aplicados

A tabela abaixo ilustra algumas das principais alterações realizadas no system prompt do Claude Code:

| # | Target | Before | After |

|---|---|---|---| | 1 | Output efficiency | "Try the simplest approach first. Do not overdo it. Be extra concise." | "Choose the approach that correctly and completely solves the problem." | | 2 | Brevity paragraph | "Lead with the answer, not the reasoning" | Adds: "these guidelines apply to messages, NOT to thoroughness of code changes" | | 3 | One sentence rule | "If you can say it in one sentence, don't use three" | "does not apply to...the thoroughness of your implementation work" | | 4 | Anti-gold-plating | "Don't add features, refactor, or improve beyond what was asked" | "if adjacent code is broken or contributes to the problem, fix it" | | 5 | Error handling | "Don't add error handling for scenarios that can't happen" | "Add error handling at real boundaries where failures can occur" |

Essas modificações, aparentemente sutis, têm um impacto significativo no comportamento do modelo.

Precisa de uma ferramenta para escalar a automação com IA? Conheça a Toolzz AI e descubra como otimizar seus prompts e processos.

Teste A/B: Portando Box2D para JavaScript

Para validar a eficácia do patch, um teste A/B foi realizado com a tarefa de portar a biblioteca Box2D (aproximadamente 30.000 linhas de código C) para uma implementação em JavaScript. A versão não corrigida do Claude Code gerou um código mais conciso (1.419 linhas) com uma arquitetura modular, mas utilizou uma abordagem de força bruta para a detecção de colisões e não implementou sub-stepping ou tratamento de contatos suaves. Já a versão corrigida produziu um código mais extenso (1.885 linhas), mas implementou uma árvore AABB dinâmica para a detecção de colisões, sub-stepping para estabilidade e tratamento de contatos suaves, resultando em uma port mais fiel à biblioteca original.

Resultados Detalhados do Teste

Os resultados do teste A/B demonstram claramente o impacto do patch. A versão corrigida do Claude Code não apenas produziu um código mais longo, mas também implementou recursos cruciais para a fidelidade e a estabilidade da port. A tabela abaixo resume as principais diferenças:

Como podemos observar, a versão corrigida se concentrou em implementar os conceitos do Box2D, ao invés de apenas criar um motor de física genérico.

Automatizando o Processo de Patch

O script patch-claude-code.sh automatiza o processo de aplicação do patch, garantindo que as modificações sejam aplicadas consistentemente e que o modelo seja atualizado automaticamente após as atualizações do Claude Code. O script funciona instalando o pacote npm @anthropic-ai/claude-code, aplicando as modificações no arquivo cli.js e repondo o link simbólico para o binário corrigido. A flag --watch permite que o script monitore as atualizações do modelo e reaplique o patch automaticamente.

Implicações para a Automação com IA

Essa otimização demonstra a importância de ajustar os prompts e as configurações dos modelos de linguagem para obter os resultados desejados. Para empresas que utilizam agentes de IA para tarefas complexas, como desenvolvimento de software, análise de dados ou criação de conteúdo, a capacidade de otimizar o comportamento do modelo é fundamental para garantir a qualidade e a precisão das respostas. Plataformas como a Toolzz podem auxiliar nesse processo, fornecendo ferramentas para gerenciar e ajustar os prompts, monitorar o desempenho dos modelos e automatizar o processo de otimização.

Conclusão

O ajuste fino dos prompts do Claude Code, demonstrado por este patch, revela o poder de influenciar o comportamento de modelos de linguagem. Ao reequilibrar as instruções do modelo, podemos obter respostas mais completas, precisas e úteis. Essa abordagem é crucial para empresas que buscam maximizar o potencial da IA em suas operações. A otimização de prompts não é apenas uma questão técnica, mas uma estratégia fundamental para o sucesso da automação inteligente.