Todo CLAUDE.md começa pequeno. Aí alguém adiciona uma regra depois de uma execução que falhou. Um mês depois, outra regra. Seis meses depois, o arquivo triplicou, e ninguém ousa apagar uma única linha — porque apagar significa provar que a regra não importa mais, e essa prova é cara. Isso não é um problema de disciplina. Agora é um fenômeno medido com nome: memória catastrófica (catastrophic remembering).
O artigo da pesquisadora independente Kushal Chakrabarti, Why Does CLAUDE.md Keep Growing? Catastrophic Remembering in Agentic Coding (arXiv:2608.11095), rastreou 247.694 tempos de vida de instruções em 1.867 repositórios do GitHub — e quantificou o que todo desenvolvedor já sentiu: arquivos de instruções para agentes, como CLAUDE.md, AGENTS.md e copilot-instructions.md, crescem 226% em média ao longo da vida útil, adicionando 4,9 instruções líquidas por commit. E quanto mais antiga uma instrução, menor a chance de ela ser deletada algum dia.
O Custo Assimétrico por Trás do Inchaço
Por que um CLAUDE.md só cresce? A resposta do artigo é brutalmente simples: adicionar é barato, deletar é caro.
Acrescentar uma nova instrução custa quase nada — uma nota de uma linha depois de uma falha, instantaneamente verificável. Mas meses depois, deletar aquela regra exige responder uma cadeia de perguntas: A falha original foi um acaso ou um padrão? Regras mais novas já a cobrem? Existem interações invisíveis com outras instruções? O artigo formaliza isso: auditar uma instrução exige reconstruir seu “raciocínio latente” — o contexto de por que ela existe — e, sem esse contexto, os custos de verificação são exponenciais (O(2^|D|) testes de subconjuntos em um prompt de |D| instruções). Com a justificativa registrada, o custo cai para O(1).
Os dados confirmam o mecanismo: quanto mais tempo uma instrução sobrevive, maior a probabilidade de que seu autor já saiu e seu contexto tenha se perdido. O risco de deleção na verdade diminui com a idade (log-hazard de −0,032 por commit) — o oposto do que o envelhecimento natural preveria. As regras antigas não são removidas porque sua justificativa evaporou. A regra fica; o motivo desaparece.
Memória Catastrófica, o Espelho do Esquecimento
O aprendizado de máquina estuda há muito tempo o esquecimento catastrófico (catastrophic forgetting) — um modelo sobrescreve o que deveria ter mantido. Chakrabarti nomeia o espelho no coding agêntico: um mantenedor mantém o que deveria ter sobrescrito. Ambos falham da mesma forma: a informação que autorizaria uma atualização está ausente.
Isso também explica por que a válvula de escape mais comum — deletar o arquivo inteiro e reescrever do zero — não funciona. Mantenedores que não conseguem podar uma única regra apagam o arquivo todo sem cerimônia. O estudo descobriu que reescrever tudo não interrompe o ciclo: o mesmo padrão de crescimento volta, porque a estrutura de incentivos subjacente nunca mudou. E o problema se agrava dentro de fluxos de trabalho de agentes: agentes que reescrevem as próprias instruções, como explorado na pesquisa da DeepSeek sobre agentes autoevolutivos, herdam qualquer fragilidade que o arquivo já contenha.
A Solução: Um Comentário que Explica o Porquê
A solução do artigo é quase anticlimática: anotar cada instrução de longa duração com um comentário que registre por que ela existe. Não “é útil”. Não “quero adicionar”. Um comentário de verdade: qual falha motivou a regra, qual hipótese o autor tinha e se a regra realmente resolveu o problema.
Os resultados são dramáticos. Em experimentos controlados, comentários estruturados que codificam esse raciocínio latente comprimiram o excesso do prompt de 211,3% para 1,4% — eliminando cerca de 99,3% das instruções redundantes. E arquivos menores não prejudicaram o desempenho: com instruções realistas e ruidosas, adicionar comentários eficazes melhorou a precisão no seguimento de instruções em até 23,1%. Regras não são um jogo de “quanto mais, melhor”; instruções irrelevantes, duplicadas ou conflitantes distraem o modelo ativamente. Os comentários dão aos mantenedores a evidência necessária para cortar o ruído.
O experimento também descobriu o que não funciona: comentários de preenchimento (“acho que sim.” / “funciona.”) têm desempenho idêntico à ausência total de comentário, e tentativas registradas pela metade podem ativamente enganar — uma nota que diz “suspeito de truncamento de tokens, tentei max_tokens 2048→4096” sem registrar o resultado transforma um palpite não verificado em uma convenção falsa para o próximo mantenedor.
O Problema Mais Profundo é a Ferramenta, Não a Disciplina do Usuário
Leia o artigo com atenção e o ponto mais afiado não é sobre higiene de comentários. É que todo o stack de ferramentas para agentes carece de primitivas de manutenibilidade. Código tem comentários, histórico de versões, testes e registros de decisões de arquitetura. Uma instrução agêntica de longa duração não tem nada disso — sem autor, sem evento disparador, sem resultado de validação, sem condição de expiração.
Os fornecedores de IA vivem dizendo aos usuários para manterem os prompts curtos, sem dar a eles nenhuma base para decidir o que deletar. “Mantenha curto” é uma exigência sem evidência. A cadeia de ferramentas deveria sinalizar proativamente regras obsoletas: “Esta regra não é acionada há seis meses, sua dependência foi substituída e os testes passam sem ela — revisar para exclusão?” Até lá, todo mantenedor racionalmente escolhe “mantém, melhor não arriscar”, e o resultado agregado é um arquivo que só cresce. É a mesma classe de lacuna dos experimentos multiagente da Anthropic — estamos descobrindo comportamentos de agentes e regras de manutenção empiricamente, depois que os sistemas já foram para produção.
O Que Você Pode Fazer Hoje
- Comente toda regra de longa duração. Três campos: por que foi adicionada, qual problema resolveu e se ainda está validada. Essa é toda a solução.
- Audite por idade. As instruções mais antigas são as menos confiáveis — suas justificativas tiveram mais tempo para apodrecer. Faça uma rodada de “por que isso existe?” em tudo que tiver mais de um trimestre.
- Trate arquivos de instruções como código. Revise mudanças, mantenha um changelog e adicione um teste ou verificação que exercite a regra. Uma regra que você consegue verificar é uma regra que você consegue deletar.
A memória catastrófica é a primeira doença da memória de agentes com nome e medição. A cura é sem graça: anote o porquê. A lição mais profunda é que as ferramentas para agentes não atingirão maturidade de produção até que lembrar — e esquecer — sejam recursos de primeira classe.
