Pare de escrever prompts para o Claude. Construa um grafo que roda sozinho.
Essa é a mensagem central que a engenheira da Anthropic, Lamis, entregou na AI Native DevCon, em Londres — e em menos de trinta minutos ela desempacotou um ano de engenharia interna de agentes da empresa: gestão de memória, orquestração de fluxos de trabalho e um loop de revisão multiagente que o time chama de Dreaming. O fio condutor é uma metodologia que a Anthropic chama de grafo de agentes, e ela marca a mudança da indústria da era do prompting artesanal para operações de engenharia. A era do prompt está se apagando; a era dos grafos e da memória está chegando.
Memória: De Uma Seção de Prompt para um Sistema de Arquivos
Lamis abriu com uma observação direta: inteligência sozinha não se acumula. O modelo mais poderoso do planeta ainda não faz ideia de como é um trabalho bem-feito dentro da sua organização. Alguém precisa alimentá-lo com esse conhecimento — e o sistema precisa lembrar dele. A Anthropic queimou quatro gerações de design de memória em um único ano, e a trajetória dessa evolução é instrutiva.
Geração um: CLAUDE.md. Um arquivo Markdown que humanos podem ler e agentes podem escrever, injetado no topo de cada sessão. Os resultados foram, nas palavras dela, absurdamente eficazes — ele transmite conhecimento organizacional exatamente no lugar certo (o contexto da conversa) e na forma exata certa (linguagem natural). A falha é o crescimento sem limites: o arquivo fica cada vez maior até estourar a janela de contexto.
Geração dois: ferramentas de memória. Entregar as decisões ao agente — quando ler, quando escrever, quando atualizar. A flexibilidade saltou. O ruído também: os agentes se mostraram juízes pouco confiáveis do que merece ser lembrado, e trivialidades começaram a sufocar o sinal.
Geração três: Skills, com disclosure progressivo. A metáfora de Lamis é uma estante de livros: quando alguém fala com você em francês, você pega o dicionário de francês na estante — você não carrega sete anos de aulas de francês decoradas na cabeça. O agente lê algumas linhas de resumo no topo de um arquivo e decide se carrega o resto, que pode ser arbitrariamente profundo. Carregar sob demanda finalmente quebrou o gargalo da janela de contexto.
Geração quatro — onde a Anthropic chegou: o sistema de arquivos como memória. O raciocínio é revigorantemente sem glamour: os agentes já sabem navegar por arquivos e fazer grep por palavras-chave, então indexe bem o conhecimento e saia da frente.
Então a realidade adicionou um problema novo que ninguém havia resolvido nessa escala: quando milhares de agentes mutam uma memória compartilhada, qual escrita vence? O erro de um agente se propaga para toda a frota num instante. A resposta da Anthropic são quatro salvaguardas:
- Rollback — toda escrita é reversível.
- Segurança contra colisões — se outra pessoa commitou enquanto você editava, sua versão é descartada e refeita.
- Permissões — o conhecimento global é somente leitura; os agentes fazem append nos seus próprios rascunhos.
- Portabilidade — os dados de memória podem ser migrados. Sem lock-in.
Um membro da plateia fez a pergunta óbvia: isso não é reinventar o banco de dados? Lamis riu e concedeu o ponto — é um retorno a princípios antigos e sem graça da engenharia de software, reconstruídos em um formato que os agentes podem usar.
Dreaming: Agentes Se Autoavaliando em Escala
Todas as quatro gerações resolvem um problema: capturar conhecimento enquanto o agente trabalha. Dois tetos permanecem. Distração — o agente gasta seu computo executando a tarefa e escrevendo memória ao mesmo tempo, e as duas coisas competem. Visão em túnel — ele só vê o que aconteceu na sessão atual; você pode observá-lo repetir o mesmo erro ao longo de uma dúzia de sessões e ele nunca vai notar. As sessões começam de uma página em branco, e agentes rodando em ambientes diferentes não conseguem ver as cicatrizes uns dos outros.
A resposta da Anthropic se chama Dreaming.
A mecânica: depois que os agentes encerram o expediente, suba um agente de revisão dedicado, espalhe na mesa o repositório de memória e um grande lote de conversas históricas, cace os lugares onde os erros se repetem e proponha correções uma a uma — cada uma com evidências anexadas (quais conversas, quantos incidentes). Os humanos tomam a decisão final.
A analogia de Lamis é uma escola. Os alunos entregam trabalhos, os professores corrigem diariamente — mas ninguém vê o quadro completo. Então a diretora espalha todas as provas do prédio e percebe que a turma de geografia inteira errou a mesma questão. Checando o livro didático, ela descobre que o conceito nunca foi ensinado. Ela o adiciona ao currículo, e na manhã seguinte todos os alunos já o conhecem.
Isso parece um custo adicional. Lamis diz o oposto: quando a base de memória está limpa, os agentes passam de primeira mais vezes, cometem menos erros, e a conta total diminui. É assim que o verdadeiro acúmulo se parece.
E você não precisa esperar por um produto. Rode semanalmente você mesmo: abra uma sessão nova, entregue as conversas da semana, peça ao modelo para apontar os lugares onde você vive travando, e adicione as correções ao seu CLAUDE.md.
Grafos de Fluxo de Trabalho: Seu Fluxo Já É um Grafo — Mal Desenhado
A memória cuida do tempo: a experiência acumulando entre sessões. Os grafos de fluxo de trabalho cuidam da estrutura: dentro de uma única tarefa, em que ordem os passos devem rodar? Junto com a palestra veio um guia de engenharia de grafos cuja tese cabe em uma linha: seu fluxo de trabalho já é um grafo. Você só o desenhou mal.
Pegue a cadeia clássica — pesquisar, depois resumir, depois redigir. Três passos em linha reta, cada um esperando o anterior. Mas cada passo realmente depende do anterior?
O método-chave é o teste da aresta falsa. Interrogue cada seta do fluxo de trabalho: este passo realmente consome a saída do passo anterior? Os dados de fato fluem por essa conexão? Se não, a seta é falsa — e a espera que ela impõe é puro desperdício.
Delete as setas falsas e a forma mais comum que emerge é o losango: um passo termina, o fluxo se divide em vários ramos paralelos e então converge em um ponto de mesclagem. Seu tempo de espera passa a ser o ramo mais lento, não a soma de todos. Mas o paralelismo traz seu próprio risco — um ramo produzindo lixo vai contrabandeá-lo silenciosamente para o resultado final. Então, antes da mesclagem, adicione um portão de qualidade: esta saída é utilizável? Só as saídas utilizáveis seguem adiante.
Por Que Este É um Ponto de Virada
Os prompts carregam um defeito na raiz: a melhoria não se acumula. Você polui um prompt até a perfeição, ele se sai lindamente uma vez — e a próxima tarefa começa do zero. O artesanato vive e morre dentro de uma janela de chat.
Grafos e memória atacam exatamente isso. O grafo escreve a estrutura em um arquivo, reutilizável na próxima vez. A memória escreve a experiência em arquivos, acumulando entre sessões. O Dreaming permite que a IA mesmo reabasteça esses arquivos, sem um humano cuidando disso diariamente. O papel humano muda em conformidade: de alimentar instruções linha por linha para acenar com a cabeça ou balançá-la na manhã seguinte.
- Para desenvolvedores individuais: isso começa em cinco minutos. Crie um CLAUDE.md, defina como é um trabalho bem-feito, e adicione uma linha toda vez que cair em uma armadilha.
- Para times: institua o Dreaming — uma revisão semanal dos erros compartilhados dos agentes, com as correções escritas na base de conhecimento global.
- Para construtores de produto: engenharia de grafos de fluxo de trabalho deveria ser uma capacidade padrão de plataforma, não um truque avançado enterrado na documentação.
Três Coisas Para Fazer Agora Mesmo
- Crie um CLAUDE.md. Cinco minutos. Anote o que significa “feito direito” para o seu agente. Uma linha adicionada por armadilha, para sempre.
- Desenhe seu grafo de fluxo de trabalho. Esboce sua tarefa multi-etapa mais comum, aplique o teste da aresta falsa em cada seta, converta cadeias seriais em losangos e adicione um portão de qualidade antes de cada mesclagem.
- Rode uma sessão de Dreaming. Sexta à tarde: alimente as conversas da semana dos agentes em uma sessão nova, peça os três padrões de falha mais comuns e escreva as correções no CLAUDE.md.
As três coisas juntas custam menos de meia hora. Daqui a um mês, seu agente estará consideravelmente mais inteligente do que está hoje — e, diferente de um prompt, nada desse esforço evapora quando a sessão termina.
