Aprendendo a Construir Agentes com a Anthropic

Ultimamente todo mundo está falando sobre agentes de IA, mas quando chega a hora da verdade, a maioria dos exemplos acaba sendo simples chatbots que só conseguem resumir textos. Se você está cansado de ver projetos demo no nível de "Hello World", encontrei algo mais interessante. O repositório cwc-workshops contém materiais de workshops internos da própria equipe Code with Claude da Anthropic.

Não há documentação seca ou promessas de marketing aqui. É uma coleção de cenários práticos onde engenheiros da Anthropic mostram como realmente usam o Claude para trabalhar com código e construir sistemas complexos.

O Que Tem Dentro Desse Repositório

O projeto é uma coleção de nove workshops. Cada um é um mini-projeto separado resolvendo um problema específico de engenharia. Um detalhe importante: o repositório é marcado como "não mantido", o que significa que os autores não planejam atualizar o código ou aceitar pull requests. Essencialmente, é um snapshot de conhecimento em um ponto específico no tempo, mas para fins de aprendizado isso é até melhor—você vê uma configuração funcionando "como está".

Lá dentro você encontra cenários para uma ampla gama de tarefas: desde selecionar o modelo ideal pela relação custo-desempenho até construir sistemas com memória de longo prazo. A maioria dos exemplos são construídos em torno de Claude Managed Agents e do MCP (Model Context Protocol), que os desenvolvedores do Claude estão ativamente promovendo agora.

O Que Você Pode Aprender Aqui

Destquei várias das direções mais interessantes que vão ajudá-lo a parar de "adivinhar prompts" e começar a projetar sistemas.

Da Golfada ao Colega em Evolução

Na pasta agents-that-remember há um excelente exemplo de como lidar com a "amnésia" do agente. Em vez de simplesmente passar o histórico do chat, os autores propõem usar primitivas de memória. Primeiro, você lança um agente que não lembra nada entre sessões, e então adiciona incrementavelmente armazenamento e um chamado Dreaming Service para consolidar diálogos passados. Esta é uma ótima maneira de entender como transformar um assistente de uso único em um sistema que conhece o contexto de suas decisões passadas.

Pare de Confiar cegamente

O workshop eval-driven-agent-development é provavelmente o que 90% dos projetos baseados em LLM estão perdendo. Em vez de mudar o prompt e esperar que tenha ficado melhor (eu chamo isso de "desenvolvimento baseado em feeling"), eles propõem construir um pipeline de avaliação. Você executa o agente através de seis iterações (de uma implementação ingênua a um sistema complexo com um ciclo de QA) e mede o resultado programaticamente usando métricas XML e através de um "juiz" baseado em outro LLM.

Divisão do Trabalho

Em agent-decomposition eles mostram como dividir um prompt massivo de 400 linhas (que geralmente quebra mais cedo ou mais tarde) em um sistema de múltiplos agentes com papéis e habilidades claras. Esta é uma abordagem clássica de decomposição adaptada para redes neurais.

Stack Técnica

A linguagem principal nos exemplos é TypeScript. Para interfaces, eles frequentemente usam Streamlit (para montagem rápida de dashboards) ou Next.js.

As principais tecnologias que alimentam a mágica:

• Claude Managed Agents API: gerenciando o ciclo de vida do agente.
• MCP (Model Context Protocol): um padrão para conectar IA às suas ferramentas e bancos de dados locais.
• Vite + React: para partes de frontend onde o agente precisa interagir com o DOM.

Quem Vai Encontrar Isso Útil no Trabalho

Se você está trabalhando em automação de processos internos ou construindo um produto onde a IA precisa fazer mais do que apenas responder perguntas—ela precisa executar ações (escrever código, vasculhar logs, atualizar tickets no Linear)—esses workshops vão economizar semanas de experimentação.

Eu recomendo especialmente conferir ship-your-first-managed-agent. Ele cobre um cenário de agente SRE que precisa analisar 70.000 linhas de logs em um sandbox, encontrar um commit ruim e corrigir um dashboard. Isso é o mais próximo de tarefas reais de operações que existe, o tipo que enfrentamos todos os dias.

Resumo Rápido

O projeto cwc-workshops não está tentando vender o Claude para você. Ele mostra padrões arquiteturais: como decompor tarefas, como testar mudanças e como dar aos agentes acesso a ferramentas para que não quebrem nada.

Se você está planejando colocar agentes em produção, reserve uma noite e trabalhe através de pelo menos alguns cenários. Isso é muito mais útil do que ler mais um artigo de "top 50 prompts de produtividade". Os exemplos de código vão lhe dar uma compreensão de como a interação do modelo com o mundo exterior funciona através do MCP e habilidades.