TLDR;

Eles multiplicaram a velocidade ao remover mais de 80% do prompt de sistema e carregar instruções/ferramentas apenas quando necessário, reduzindo tokens e overhead. Segundo a Anthropic, não houve perda mensurável nas avaliações e algumas métricas até melhoraram ao usar menos contexto pré-carregado. Você deve cortar regras e contexto redundantes, manter apenas os detalhes essenciais, carregar habilidades/ferramentas sob demanda e usar comandos como /doctor para auditar e reorganizar seu setup.

Resumo

Engenheiros da Anthropic reduziram mais de 80% do prompt de sistema do Claude code, o que multiplicou por dez a velocidade em algumas tarefas e forçou uma nova abordagem de prompting: menos contexto — mas o mínimo necessário — produz respostas mais rápidas e muitas vezes melhores. Historicamente acumulamos regras e habilidades para corrigir erros do modelo, mas com modelos mais avançados essas instruções se tornam redundantes e até prejudiciais; a Anthropic recomenda carregar definições de ferramentas somente quando necessário, poupando tokens e melhorando métricas (por exemplo, ganhos expressivos em avaliações MCP). Pesquisas também mostram queda de desempenho quando a entrada cresce excessivamente. Práticas úteis incluem auditar fluxos com comandos como /doctor, reorganizar e eliminar regras antigas a cada poucos meses e dar ao modelo objetivos, restrições e autonomia para executar. Em testes práticos, a nova configuração gerou resultados mais estruturados e detalhados, embora menos estilizados, e a solução proposta é combinar a clareza estrutural com habilidades específicas para restaurar elementos de formatação e marca. Em suma, a recomendação é simplificar prompts, manter apenas o contexto essencial e modularizar habilidades para obter melhor eficiência e qualidade. Adote ciclos regulares de revisão para atualizar instruções conforme a evolução contínua do modelo.