No dia 23 de Julho de 2026, o engenheiro de software Anatoli Kopadze compartilhou um tweet que viralizou com 1.6 milhões de visualizações. O motivo? Uma frase de uma engenheira da Anthropic que muda completamente a forma como pensamos sobre agentes de IA:
"You're not supposed to prompt Claude. You're supposed to build a system that prompts itself."
Daisy Hollman, Engenheira do Claude Code na Anthropic
Se você ainda está escrevendo prompts manuais para o Claude esperando resultados mágicos, prepare-se: você está fazendo errado. Pelo menos é o que diz Daisy Hollman, engenheira do time do Claude Code e ex-chair do comitê C++.
Neste artigo, vou traduzir e destrinchar os conceitos que ela apresentou em uma palestra de 46 minutos no AI Engineer Summit. Spoiler: o futuro não é sobre prompts melhores — é sobre loops melhores.
Quem é Daisy Hollman?
Daisy é engenheira no time do Claude Code na Anthropic. Ela tem um background pesado em linguagens de programação — foi chair do comitê C++ — e aplica esse raciocínio de design de compiladores e sistemas para projetar o que ela chama de "agentic harness" (arnês agentivo).
Ela não está interessada em "programação agentiva" (dar comandos para um agente). Ela está interessada em engenharia de software agentiva — construir sistemas onde agentes de IA trabalham junto com humanos em escala industrial.
"Se o Claude não consegue fazer tudo o que você faz, ele não consegue fazer seu trabalho com você."
— Daisy Hollman
Essa é a tese central da palestra. E é também a chave para entender por que prompts manuais não escalam.
O Problema: Você está subestimando o que um agente precisa
A maioria das pessoas usa Claude Code como uma calculadora sofisticada: abre o terminal, digita um prompt, recebe código de volta. Funciona bem para projetos "zero-to-one" — aqueles sem convenções, sem dívida técnica, sem stakeholders.
Mas engenharia de software de verdade é muito mais que escrever código. Daisy lista três categorias de coisas que um agente precisa para ser realmente útil em escala:
1. Acesso
O Claude precisa enxergar o que você enxerga. Isso inclui:
- Chat da equipe (Slack, Discord) — onde as decisões são realmente tomadas
- CI/CD — você não deveria mais estar corrigindo falhas de CI manualmente
- Dashboards — quando algo cai em produção, o agente precisa puxar dados em segundos
- Documentos internos — docs de design, runbooks, atas de reunião
O truque que Daisy recomenda: grave e transcreva suas reuniões. Depois de cada reunião, ela joga as notas no Claude e pergunta: "Tem alguma fruta baixa dessa reunião que você pode resolver?" E recebe dois ou três PRs por reunião.
2. Conhecimento
Você não pode treinar as convenções do seu código no modelo. E fine-tuning? Daisy é categórica: fine-tuning não funciona bem para isso.
"Fine-tuning em informação especializada pode levar a mais alucinações. E não é custo-efetivo — os modelos de fronteira evoluem tão rápido que quando sua empresa terminar o fine-tuning, o modelo já mudou."
A solução? Tudo via in-context learning (ICL) — que, nas palavras dela, "é um termo chique para quando você quer parecer inteligente, mas na verdade está só falando de arquivos de texto".
3. Tooling
O Claude Code hoje edita código como se estivesse usando o ED — o editor de texto dos anos 70. Não tem syntax highlighting, não tem LSP, não tem code completion.
Daisy pergunta: "Qual é a versão agentiva do VS Code? Qual é a versão agentiva dos red squigglies?"
Os red squigglies — aquelas linhas vermelhas onduladas que aparecem quando você digita uma variável errada — são o exemplo perfeito. Eles não bloqueiam você, mas lembram você de pensar duas vezes. Daisy quer exatamente isso para agentes: lembretes contextuais, não bloqueios duros.
O Coração da Palestra: A Arquitetura de Loop
A grande virada de chave vem aqui. Daisy explica que a Anthropic construiu um sistema onde o agente gerencia seus próprios prompts através de loops:
/loop (cron tool)
O Claude Code tem um comando /loop (o nome interno é "cron tool"). Ele executa um prompt a cada intervalo fixo de tempo — tipo a cada 10 minutos. E o próprio Claude decide quando desligar o loop quando o prompt não é mais relevante.
Isso é um sistema que se prompts sozinho — exatamente o que o título promete.
Auto Mode
Para que isso funcione sem você ficar aprovando cada ação, a Anthropic criou o Auto Mode: um classificador + um agente adversarial que verificam cada chamada de ferramenta. Custa ~30-40% mais tokens, mas elimina completamente os popups de permissão.
Nas palavras de Daisy: "Isso é o que torna o loop utilizável. O que torna agentes overnight utilizáveis. O que torna agent teams utilizáveis."
Agentes que conversam entre si
Com o send message tool, agentes podem se comunicar. Daisy é clara: se você tem um agente trabalhando em algo e outro precisa daquela informação, eles devem poder conversar.
"Um dos lugares onde você trabalha agora é outro Claude."
A Lição Mais Importante: Abstrações que Escalam
Daisy dedica boa parte da palestra a um problema que pouca gente está discutindo: o custo de contexto explode quando você escala.
Cada skill, cada MCP server, cada ferramenta adiciona descrições no system prompt. Com 100 mil skills num monorepo, você paga tokens por descrições que nunca usa.
A solução dela? Hooks.
Hooks são scripts que rodam fora do contexto window e só inserem algo quando necessário. Se você tem 100 mil hooks e 99.995 deles não retornam nada, seu custo é zero — só o processamento local.
"Hooks são uma abstração de custo zero real. Skills não são — você sempre paga pela descrição. É como tentar rodar npm num Arduino: você tem pouca memória e precisa ser muito intencional."
3 Take-Homes de Daisy Hollman
No final da palestra, ela resume tudo em três pontos:
1. Give it access (Dê acesso)
Se o Claude não consegue alcançar o que você alcança, ele não consegue fazer seu trabalho. Conecte Slack, email, dashboards, CI/CD. Tudo que você alt-tab pra fazer manualmente é algo que o Claude está perdendo.
2. Mind the box (Cuide da caixa)
A janela de contexto não está crescendo — 1M de tokens é o padrão há mais de um ano. Você tem um espaço limitado. Trate cada token como um recurso caro.
3. Pick abstractions that scale (Escolha abstrações que escalam)
Pense no que acontece quando você tem 100 mil skills, 100 milhões de linhas de código. MCP é ótimo para integrações públicas. Skills são ótimas para documentação local. Hooks são a única abstração verdadeiramente zero-overhead.
Por que isso importa para você
Se você é desenvolvedor, engenheiro de software, ou está começando no mundo de agentes de IA, a mensagem de Daisy Hollman é clara:
Pare de pensar em prompts. Comece a pensar em loops.
Um prompt é um comando. Um loop é um sistema. E sistemas escalam — comandos, não.
A diferença entre um desenvolvedor mediano e um avançado no uso de agentes não é saber escrever o prompt perfeito. É saber projetar o sistema que usa o agente de forma autônoma, com feedback loops, memória contextual e ferramentas que escalam.
🚀 Quer montar seu próprio sistema de agentes?
Para rodar agentes como os que Daisy descreve, você precisa de infraestrutura. Um bom ponto de partida é ter um servidor ou VPS para hospedar seus experimentos e ferramentas de automação.
A Hostinger oferece planos a partir de R$ 9,99/mês com performance excelente para rodar agents, hooks, scripts de automação e até mesmo seu próprio blog técnico.
Gostou do artigo? Daisy disponibilizou a palestra completa no YouTube. Vale cada minuto dos 46 — especialmente se você está construindo agentes para ambientes de engenharia de software reais.
Este artigo foi inspirado pela palestra de Daisy Hollman no AI Engineer Summit e pelo tweet de Anatoli Kopadze (@AnatoliKopadze) que levou o conceito a 1.6M de pessoas.
Precisa de ajuda para criar conteúdo que realmente converte? A WebMedula é especialista em marketing de afiliados, produção de conteúdo SEO e estratégias de tráfego orgânico. Transformamos conhecimento técnico em artigos que vendem.
📌 Este artigo contém links de afiliado. Se você comprar através deles, eu posso ganhar uma comissão sem custo adicional para você.