12 segredos do Opus 5.5 revelados pela Anthropic: mais rápido e barato

Autoria: Felipe Borges - Fala IA! · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: 12 Segredos do Opus 5.5 Revelados Pela Anthropic (Mais Rápido e Barato) · Canal: Felipe Borges - Fala IA! · 17:01 · Assistir no YouTube

Tópicos: Claude Code, Engenharia de prompts e contexto, Engenharia de software com IA, Geração de conteúdo com IA, Modelos de IA

Resumo

O vídeo apresenta 12 recomendações baseadas na documentação da Anthropic para aproveitar melhor o Opus 5.5 no Claude Code, com foco em velocidade, custo e qualidade. O apresentador explica como escolher o nível de esforço, comparar resultados no próprio workflow e usar AGENTS.md para instruções do projeto. Também aborda mudanças de esforço sem perder o cache, limites de uso, listas de tarefas, prioridades de tempo e orientações para design e análise visual. Por fim, reúne as dicas e incentiva os espectadores a experimentá-las em suas próprias tarefas.

Pontos-chave

O apresentador recomenda começar pelo nível de esforço médio, que, segundo os benchmarks citados, oferece uma boa relação entre custo e resultado.
É importante testar níveis de esforço diferentes em tarefas reais do próprio workflow, pois mais esforço não garante sempre um resultado melhor.
O vídeo afirma que o Claude Code também lê AGENTS.md, o que pode reduzir a necessidade de manter arquivos de instruções duplicados.
No Opus 5.5, é possível mudar o nível de esforço sem perder o cache; trocar de modelo durante a tarefa pode exigir a releitura do contexto.
Um limite de uso gratuito pode ser resgatado durante o período indicado no vídeo, até 22 de outubro.
Para evitar que o modelo retome respostas anteriores sem necessidade, o apresentador sugere instruí-lo a tratar cada resposta como encerrada, salvo se o usuário voltar a ela.
Em tarefas longas, uma lista de tarefas mantida em arquivo pode ajudar o modelo a acompanhar o que ainda falta concluir.
Definir um orçamento de tempo ou dizer que o tempo é importante pode ajudar a priorizar a rapidez na execução.
Para obter designs menos genéricos, é necessário fornecer referências, um design system e padrões de design específicos.
Ferramentas como Python e OpenCV podem ajudar o modelo a examinar regiões específicas de gráficos, imagens e diagramas.

Capítulos

Início	Capítulo	Resumo
00:01	Custo, desempenho e nível de esforço recomendado	O apresentador compara níveis de esforço e recomenda começar pelo médio, avaliando também o custo-benefício em benchmarks.
04:05	Testes personalizados e arquivos de instruções	A seção sugere testar tarefas reais em diferentes níveis de esforço e explica a adoção de AGENTS.md junto a CLAUDE.md.
06:10	Mudança de esforço, cache e limite de uso	O vídeo explica como mudar o esforço sem perder o cache e menciona a opção temporária de resgatar um limite de uso.
08:45	Respostas encerradas e listas de tarefas	O apresentador sugere evitar revisitas desnecessárias a respostas anteriores e acompanhar tarefas longas com uma lista.
11:20	Orçamento de tempo e qualidade do design	A seção aborda instruções para priorizar tempo e recomenda fornecer referências e padrões para orientar o design.
14:25	Análise de imagens e resumo das 12 dicas	O vídeo mostra como ferramentas podem direcionar a análise de gráficos e diagramas e recapitula as principais recomendações.
16:31	Encerramento e convite à comunidade	O apresentador pede comentários e inscrições e convida o público a participar da comunidade mencionada.

Citações

Teste para identificar o melhor custo-benefício no seu caso. — 03:04

Trate essa resposta como encerrada. — 09:17

Diga que o tempo é importante. — 11:50

Se você quer um design bonito, precisa fornecer boas referências. — 13:24

Conceitos e entidades

Opus 5.5 (modelo): Modelo da Anthropic apresentado no vídeo, com recomendações de uso voltadas a custo, velocidade e qualidade.
Claude Code (ferramenta): Ferramenta de programação da Anthropic usada no vídeo para demonstrar a seleção do modelo e do nível de esforço.
Anthropic (empresa): Empresa cuja documentação oficial serve de base para as recomendações discutidas.
AGENTS.md (conceito): Arquivo de instruções de projeto que, segundo o vídeo, o Claude Code pode ler automaticamente.
CLAUDE.md (conceito): Arquivo de instruções associado ao Claude Code, mencionado como alternativa a AGENTS.md.
níveis de esforço (conceito): Configuração que determina quanto o modelo raciocina para executar uma tarefa e que afeta custo e desempenho.
cache (conceito): Contexto armazenado durante a interação, cuja releitura pode consumir tempo e tokens ao trocar de modelo.
Python (ferramenta): Linguagem que o vídeo cita como ferramenta que pode ajudar o modelo a analisar partes específicas de imagens e gráficos.
OpenCV (ferramenta): Biblioteca citada como opção para permitir análise mais direcionada de imagens e diagramas.

Tradução completa (pt-BR)

00:01 Se você está usando o novo Claude Code com Opus 5.5, tome cuidado, porque muitas coisas que funcionavam nos modelos anteriores agora são mais caras ou significativamente mais lentas no seu workflow. Não fui eu que disse isso; a própria Anthropic publicou um guia oficial completo sobre como aproveitar ao máximo esse modelo. E, claro, analisei a documentação a fundo e selecionei 12 dicas práticas que vão tornar seu desenvolvimento muito mais rápido e, o mais importante, muito mais barato. Então, se isso interessa a você, pegue seu café e vamos ao vídeo. Todo mundo já sabe que o Opus 5.5 é um modelo muito poderoso.

00:31 Ele é até 40% mais barato que o Opus 5. Também é mais rápido na geração de saída, ou seja, nas respostas que dá. Ele tem até 60% menos custo de leitura do cache, e vou falar mais sobre isso depois, mas o que realmente importa é como podemos aproveitar ao máximo esse modelo de acordo com a documentação. E vou começar aqui mesmo com a regra número um, que é a principal para você começar a usar o Opus 5.5 com esforço médio. E, para quem não sabe exatamente o que é o esforço de um modelo, se olharmos aqui embaixo, dentro do Claude Code, veremos que podemos

01:01 selecionar o modelo. Aqui, o Opus 5.5 está selecionado, assim como o esforço, que determina o quanto esse modelo vai raciocinar para realizar a tarefa que você pediu. E repare que temos vários níveis de esforço. Podemos ir de baixo a ultr alto. Quanto mais à direita, mais inteligente, mas também mais caro. Quanto mais à esquerda, menos inteligente, mas mais rápido e barato. No passado, o Opus 5 tinha o melhor dos dois mundos, a melhor relação custo-benefício, justamente no esforço alto. Então, esse era o nível de esforço em que o Opus 5 entregava o melhor resultado pelo

01:32 menor preço. Agora isso mudou, e estamos falando de esforço médio. Para deixar isso bem claro, veja este gráfico, que mostra justamente essa relação custo-benefício. Aqui, no nível de esforço baixo, ele entrega um resultado de 87,4% e custa 11 centavos. Mas, quando passamos para o nível médio, veja o salto que ele dá: chega a 92,8 e o custo aumenta em 0,21 centavo. Se continuarmos subindo, ele melhora ainda mais. É claro que o modelo melhora quando você aumenta o esforço, mas aí o custo sobe para 29 centavos e chega a 74 centavos para uma melhora que não é tão grande. Se olharmos este outro benchmark, ele também mostra a mesma coisa. Nesse caso, o custo para realizar as tarefas relacionadas a esse benchmark foi de 84, e ele alcançou uma pontuação de 86. Para alcançar uma pontuação um pouco maior, de 88,4,

02:02 ele já gastou 1,38. Agora, sabemos que benchmarks não são a palavra final. Sempre temos que olhar para eles com certa cautela, porque não necessariamente representam nosso trabalho do dia a dia. Mas, quando se trata do esforço e do custo dele, é um forte indicador de que usar esforço médio é a melhor opção. E não se preocupe, vou deixar toda essa documentação referenciada na descrição. Se quiser ler mais e entender melhor, estará tudo na descrição do vídeo ou no primeiro comentário fixado. Mas, passando para nossa segunda regra para usar bem o modelo, o que recomendo é: sempre testar os níveis de esforço de acordo com seu trabalho. Benchmarks são bons, dão uma boa ideia, especialmente em relação a custo e benefício, mas só você sabe o que faz no

02:33 seu trabalho do dia a dia. Em algum momento, você vai precisar usar esforço alto ou extra alto para certas tarefas, mas não para outras. Cada pessoa tem um workflow diferente. Então, teste para identificar qual é a melhor relação custo-benefício no seu caso. Em geral, será o nível médio, como acabamos de ver, mas, dependendo da tarefa, você pode precisar de mais ou menos esforço. Eu mesmo testei no meu workflow e identifiquei tarefas em que realmente preciso usar esforço extra alto, outras em que uso esforço médio. E há até tarefas em que uso esforço baixo. E, para ajudar você

03:04 a descobrir isso, vou mostrar o prompt que preparei para fazer esse teste. Aqui está um prompt simples, um teste de esforço para fazermos, que diz: “Escolha uma tarefa real que faço toda semana neste projeto. Peça para analisar o histórico de arquivos e executar essa mesma tarefa três vezes, em três sessões: uma com esforço baixo, uma com esforço médio e uma com esforço alto.” Isso vai dar a você uma comparação totalmente personalizada, de acordo com suas tarefas. Então, faça esse teste, porque você vai se surpreender. Afinal, um modelo com esforço mais alto não necessariamente significa resultados melhores. Isso acontece porque, quanto mais o modelo precisa pensar, se

03:35 a tarefa for muito simples, ele acaba acrescentando muita complexidade e pode entregar um resultado ainda pior do que se você estivesse usando o nível de esforço adequado. Mas agora, na regra três, está uma das coisas mais legais. Finalmente, a Anthropic decidiu fazer isso e padronizar nosso documento de instruções. Quando usávamos os outros modelos, isso também se aplicava aos modelos anteriores. Precisávamos incluir um documento de instruções para o nosso modelo, chamado CLAUDE.md. Nesse documento, você colocava instruções sobre como seu trabalho deveria ser feito, o que queria e o que não queria nos resultados. E ele precisava ter este formato:

04:05 CLAUDE.md. Portanto, só funcionava no Claude. Esse documento, só para você entender, é lido automaticamente pelo modelo sempre que ele entra no projeto. Então, se esse documento não tivesse o nome CLAUDE.md ou AGENTS.md, o modelo não o leria automaticamente. Mas o problema é que todos os outros modelos, por exemplo, quando você está usando o Codex, leem um documento chamado AGENTS.md. E a ideia do documento é exatamente a mesma, com a mesma estrutura, só que com nomes diferentes. E agora a Anthropic colocou o AGENTS.md dentro do Claude Code. Em outras palavras, agora o modelo vai entrar na sua pasta, procurar o arquivo CLAUDE.md e, se não encontrar, vai ler automaticamente o AGENTS.md.

04:36 Isso deixa tudo muito melhor e mais padronizado, porque agora você não precisa ter vários documentos nem atualizar documentos diferentes, dependendo do modelo que precisa usar. E, se tudo o que acabei de dizer parece grego para você, precisa conhecer nossa comunidade AI Verso. Lá, você vai aprender tudo o que precisa sobre Claude Code, como usar IA da melhor maneira possível, e terá acesso à minha caixa-preta, ao meu processo de criação, para poder criar sites como estes, imagens como a que está vendo e também terá acesso à minha ferramenta Premiere AI, para fazer

05:07 edição profissional de vídeo com apenas alguns cliques do mouse. Além disso, você também terá acesso à trilha completa de IA e Claude Code, para aprender tudo o que precisa sobre Claude Code e como trabalhar profissionalmente com ele, além de trilhas como Google Gravity, N8N e todo o conteúdo e os cursos que vou adicionar. A partir de agora, você terá acesso a tudo isso sem nenhum custo adicional. Mas, na minha opinião, mais legal ainda do que tudo o que acabei de contar é a caixa-preta, onde compartilho tudo: skills, ferramentas e todo o conhecimento que uso para desenvolver os materiais que crio aqui para o canal e também para meus clientes. Portanto, se

05:39 trabalhar profissionalmente com Claude Code interessa a você e quer ter acesso à nossa comunidade, fazer perguntas e acessar materiais exclusivos, escaneie o código QR que está aparecendo na tela e venha fazer parte do AI Verso. Você será muito bem-vindo. Mas, continuando, o próximo recurso novo também é muito legal, porque agora podemos mudar o nível de esforço sem perder cache. Então, imagine que você está aqui no Claude Code pedindo para ele fazer uma tarefa que, por exemplo, envolve o plano Max, certo? O esforço máximo no Opus 5. E, em algum momento, ele termina essa tarefa. Mas aí você quer pedir uma tarefa mais simples. Por exemplo: execute este código para que eu possa encontrá-lo no navegador. Então você pensa: “

06:10 trabalhar profissionalmente com Cloud Code é algo que interessa a você, e você quer ter acesso à nossa comunidade, fazer perguntas, acessar materiais exclusivos, aponte o celular para o código QR que está aparecendo na tela e venha fazer parte da Everse. Você será muito bem-vindo. Mas, continuando por aqui, o próximo novo recurso também é muito legal, porque agora podemos trocar o nível de esforço sem perder dinheiro. Então, imagine que você está aqui no seu Cloud Code pedindo para ele executar uma tarefa que, por exemplo, envolve o plano Max, certo, o esforço Max no OP 5. E, por fim, ele termina de executar essa tarefa. Mas então você quer pedir uma tarefa mais simples. Por exemplo: execute este código para que eu possa encontrá-lo no navegador. Então você pensa: “

06:42 Droga, não quero usar o Opus 5 no plano Max para realizar uma tarefa tão simples.” O que você pode fazer agora só no modelo Opus? Pode mudar o nível de esforço. Então, imagine que você está no Max e vai pedir uma tarefa mais simples, mas ainda dentro do mesmo contexto. Você vem aqui, define o nível de esforço como baixo e pode pedir que ele execute ou altere algo no seu CRM ou no seu site, tarefas mais simples. “Ei, Felipe, mas eu sempre pude fazer isso.” Sim, mas agora isso vale a pena. Antes, o que podíamos fazer era mudar o nível de esforço e também mudar o modelo. Mas sempre que fazíamos isso,

07:12 mudávamos o modelo ou o nível de esforço, havia algo chamado cache de memória. Tudo o que discutíamos, todo aquele contexto que o modelo precisava entender para realizar a tarefa, tudo o que você discutia era salvo na memória. Quando mudávamos o nível de esforço, o outro modelo com menos esforço, ou simplesmente o outro modelo que escolhíamos, tinha que ler todo aquele cache de novo. Adivinha? Isso costumava levar muito tempo e consumir muitos tokens, então custava dinheiro. Você achava que estava economizando, reduzindo o nível de esforço do modelo, por exemplo, ao mínimo possível,

07:43 mas, na realidade, estava gastando mais, porque mudar o modelo exigia que ele lesse todo aquele cache de novo. Isso custava dinheiro. Agora, no Opus 5, você pode mudar o nível de esforço aqui sem perder esse cache de memória. Portanto, o modelo não vai precisar lê-lo de novo. Isso é ótimo. Mas lembre-se e preste atenção: é o nível de esforço que você pode mudar. Você não pode mudar o modelo no meio de uma tarefa, porque, caso contrário, o mesmo problema vai acontecer. Você perderá o cache e ele terá que ler tudo de novo. E aquilo que seria uma economia, na verdade, fará você gastar muito mais. O novo recurso número cinco é que

08:15 agora temos uma redefinição de limite. Então, quando entramos no Claude Code, você vai ver que aparece “resgatar um crédito bônus”. E, se também acessar “uso”, vai ver que recebemos uma redefinição gratuita. Ganhe mais margem para explorar o Opus 5.5. Imagine que você está ultrapassando seu limite semanal ou até mesmo o limite de 5 horas e quer redefini-lo, voltar a zero. Você pode fazer isso: agora ganhou esse direito com o modelo Opus 5.5. Mas preste atenção, porque isso só é válido até 22 de outubro, certo? Então, se você estiver assistindo a este vídeo mais tarde, tudo se aplica a você, exceto esta

08:45 parte. Se estiver assistindo antes, use isso com sabedoria: espere até atingir o limite para redefini-lo e até realmente precisar. Caso contrário, guarde esse trunfo, ele é muito útil. O novo recurso número seis — e este não é tão bom — é que agora não podemos mais pedir para ver o raciocínio. Imagine que você pediu para ele realizar uma tarefa, ele realizou essa tarefa, mas você quer saber como fez isso, qual foi o raciocínio por trás. Agora isso não vai mais aparecer para você, justamente porque a Anthropic não quer que os concorrentes tenham acesso à forma como o modelo raciocina. Então, se você usava isso antes, saiba que nos novos modelos não terá mais acesso a esse tipo de coisa.

09:17 Mas, sinceramente, não acho que isso faça tanta falta, e a Anthropic tem razão em querer proteger o funcionamento do modelo. O sétimo novo recurso é que agora, quando você interagir com esse modelo, ele vai continuar revisitando outras respostas que já deu. Isso pode ser muito irritante quando você quer uma troca rápida, fazendo algumas perguntas que ele não precisaria consultar. Então, para resolver esse problema, que vai acontecer com você, e também gastar menos tokens com isso, aconselho adicionar um prompt — escrito na mensagem que você envia ao modelo, no CLAUDE.md ou até mesmo no agents.md, que ele agora lê — dizendo o seguinte:

09:47 “Depois de responder a alguma coisa, ou seja, depois de dar uma primeira resposta, considere essa resposta encerrada.” Nas mensagens futuras, concentre seu raciocínio no que estou perguntando e não volte a uma resposta anterior, a menos que eu pergunte sobre ela ou aponte um problema na resposta. Ao enviar isso para ele, ele vai parar de revisitar todas as respostas anteriores sem necessidade, a menos que seja necessário ou que você peça explicitamente. Isso vai ajudar bastante no seu uso do Opus 5.5. O novo recurso número oito, que é uma regra de uso que vai ajudar muito, é

10:18 manter uma lista de tarefas. O Opus 5 está constantemente revisitando o próprio trabalho. Então, ele cria uma lista de tarefas e fica verificando se alguma coisa está pronta. Em algum momento, um dos itens da tarefa pode estar pronto, mas não a tarefa inteira. E, em algum momento, ele pode dizer que a tarefa foi concluída quando não foi. Para resolver isso, é muito simples: basta manter um arquivo chamado task.mmd. Então, sempre que você for executar uma tarefa longa — e sim, estou falando de tarefas longas; isso não acontece com tarefas simples —, envie este prompt: mantenha uma lista de tarefas em tasks.md,

10:49 com uma linha para cada endpoint e cada teste. Assim, ele terá uma lista de tarefas que poderá consultar e marcar, mesmo que o modelo continue dizendo: “Olha, este ponto de verificação está pronto; olha, este item está pronto; isto está pronto.” Ele vai consultar a lista de tarefas e ver o que está pronto, mas não vai esquecer o que ainda precisa ser feito, porque é isso que ele faz: vê que algo está pronto, esquece o que precisa fazer e encerra a tarefa ali. Agora, com um arquivo tasks.md, ele vai consultar a lista. Enquanto nem todos os itens estiverem concluídos, ele não vai marcá-los como concluídos. Isso é muito importante. Este

11:20 prompt resolve isso, e ele foi retirado da própria documentação, como está escrito aqui. O novo recurso número nove é que agora você pode passar ao modelo um orçamento de tempo. O que isso significa? Imagine que ele esteja demorando demais e você queira que realize uma tarefa o mais rápido possível. Você quer, sei lá, que ele faça algo em 3 minutos. Pode dizer isso a ele: “Olha, quero tudo pronto em 3 minutos.” Assim, ele vai organizar a execução para entregar antes do prazo que você definiu. Isso pode ser feito para que ele entregue uma tarefa um pouco mais rápido. Mas, sinceramente, esse negócio de orçamento de tempo não é minha forma favorita

11:50 de usar o modelo. Testei e não gostei. Isto, porém, achei muito bom: dizer a ele que o tempo é importante. Imagine que você quer que ele execute uma tarefa rapidamente, mas não quer comprometer a qualidade nem os itens que deseja que ele conclua na tarefa. Então, pode simplesmente dizer que o tempo é importante para você. O que ele vai fazer é priorizar o tempo em vez da qualidade. Não que a qualidade fique ruim; na verdade, não ficou. Os resultados que obtive foram muito bons. O que percebi foi um resultado praticamente tão bom quanto se eu não tivesse pedido isso. Mas com uma diferença considerável no tempo. Isso não é invenção minha nem alucinação. Está na

12:21 documentação. Se você não consegue prever um orçamento de tempo, pode dizer a ele que o tempo é importante e, sim, o modelo vai trabalhar um pouco mais rápido. Aqui estão alguns resultados. Mais uma vez, tudo o que estou dizendo está na documentação. Você pode consultá-la e se aprofundar ainda mais. E, para entender como aplicar isso, é muito simples. Por exemplo, você pode enviar: “Faça uma lista dos concorrentes diretos da clínica na região, compare os preços e os serviços e me dê uma tabela com o que fazemos de diferente. O tempo é importante aqui. Não o desperdice; evite isso. E, quanto antes você obtiver um resultado correto, melhor.” É isso. Simples assim. Ele vai entregar a tarefa de uma forma muito

12:52 mais eficiente. O novo recurso número 11 que encontrei na documentação diz respeito a uma das coisas de que mais gosto, que é design. A orientação é clara: nomeie os padrões de design. Ou seja, em português, é claro — aqui, se você usar o Opus 5. Boas referências, que é algo de que sempre falo e sobre o que converso bastante na comunidade Aiverso, vão fazer com que ele entregue resultados genéricos. Sim, o modelo Opus 5. É o melhor modelo que eu, Felipe, já usei para criar designs. Mas, se você não fornecer boas referências e as suas próprias

13:24 sistema de design, ele vai entregar o infame Loop de IA. E o detalhe é que a própria documentação diz que, se você pedir ao modelo para evitar aquele padrão gerado por IA, o que ele vai fazer é trocar um padrão por outro. Ou seja, imagine que ele retornou tudo em paletas de roxo e magenta; agora vai trocar para uma paleta de preto, vermelho e branco. São padrões, e o que ele vai fazer é simplesmente mudar esses padrões. Por isso, repito: se você quer um design bonito, precisa fornecer boas referências e saber como pedi-las, saber como criar um sistema de design. Um bom modelo não vai necessariamente entregar um design diferente

13:54 se você não souber orientá-lo para isso. E, de novo, se quiser saber como fazer isso, a comunidade é o melhor lugar, principalmente porque eu gosto muito desse aspecto do design. E lá você vai encontrar tudo o que precisa: um sistema operacional para design, minhas skills; enfim, é o lugar certo para você se quiser aprender mais sobre isso. E agora, rufem os tambores, porque o 12º novo recurso é que você pode dar ferramentas para ele… assim, ele pode analisar gráficos, imagens e diagramas muito melhor. E como você vai fazer isso? Dando a ele o Opus 5. Este modelo já é muito bom em ler

14:25 diagramas e imagens, mas você pode torná-lo ainda mais eficiente. Por exemplo, imagine que ele precisa ver este gráfico que você está mostrando e você quer que ele se concentre nestes meses específicos. Antes, você teria que mostrar uma captura da imagem inteira e explicar por meio de prompts onde ele deveria se concentrar e o que deveria mudar. Ou, se ele precisasse recortar a imagem para analisar apenas aqueles pontos de dados, por exemplo, não conseguiria. Agora, se você fornecer ferramentas que permitam fazer isso, como Python ou OpenCV, que são ferramentas de Python. Se você simplesmente der isso a ele, ele

14:59 consegue então concentrar a atenção naquela seção, naqueles pontos de dados específicos em que você indicar que ele deve se concentrar. Agora, para concluir, as 12 regras de uma só vez. Comece com o médio. Essa será a melhor relação custo-benefício para a maioria das tarefas em que você vai usá-lo. Mas, obviamente, não podemos simplesmente presumir que tudo vai funcionar da mesma forma para todo mundo. Portanto, teste seus níveis de carga de trabalho. Outra coisa legal: use agents.md. Certo, cloud.md ainda funciona, mas, se no futuro você quiser usar outro modelo que só lê agents.md, será muito chato ter que duplicar e

15:29 alterar o arquivo. Então, agora, basta criar agents.md como padrão, o que será muito melhor. Acho até que cloud.md MD acabará ficando obsoleto por causa disso. Outra coisa: sempre que estiver fazendo uma tarefa, preste atenção ao nível de esforço que precisa usar. Se você precisou de um esforço maior para criar uma parte da tarefa e a outra é mais simples, um processo mais simples, agora pode mudar o esforço do modelo. Desde que tudo esteja dentro do OPU 5.5, você não terá problemas: ele não precisará ler o cache de novo, o cache será preservado. Em seguida, guarde na manga o seu trunfo de redefinição de limite. Não

16:00 peça para ver o raciocínio, porque ele não vai mostrar de qualquer maneira. Resposta dada é resposta encerrada. Você vai ter que seguir em frente. Lembre-se: isso é para ele, certo? Assim, não precisa continuar revisando as respostas que já deu. Mantenha uma lista de tarefas para garantir que ele entregue tudo corretamente em tarefas longas. Dê a ele um limite de tempo, se tiver um. Ou, o que eu prefiro, diga que o tempo importa. Então, nomeie os padrões de design, porque um bom modelo não necessariamente entrega um bom design, a menos que você saiba o que está fazendo. E dê a ele uma lupa indicando onde precisa olhar, se estiver desenvolvendo um gráfico, alguma coisa, um diagrama; isso vai melhorar muito seus resultados. Mas agora eu

16:31 quero saber se este vídeo ajudou você, se já tinha visto alguma dessas dicas, se já está aplicando alguma delas e quais vai aplicar. Então me conte, deixe um comentário dizendo o que achou e o que vai colocar em prática hoje. Além disso, lembro novamente que, se você quer trabalhar profissionalmente com Cloud Code e ter acesso a todas as minhas ferramentas e processos, precisa fazer parte da Aiverso. Basta escanear o QR code na tela com o celular, participar, e você terá acesso a tudo o que já está lá — e tem muita coisa —, além de tudo o que eu lançar, sejam ferramentas, aulas ou materiais exclusivos. Além disso, também peço que se inscreva no canal,

17:01 deixe um like e ajude a divulgar para que este vídeo continue chegando a mais pessoas e possamos fazer nossa comunidade crescer. Agora vou deixar você com outro vídeo para continuar aprendendo sobre inteligência artificial. E vou me despedir. Um grande abraço e tchau. É.

Transcrição original

[00:01] If you’re using the new OP 5 Cloud Code , be careful, because many things that worked in previous models are now more expensive or significantly slower in your workflow. I didn’t say this; Antropic itself published a complete official guide on how to get the most out of this model. And of course, I thoroughly analyzed the documentation and selected 12 practical tips that will make your development much faster and, most importantly, much cheaper. So , if this interests you, grab your coffee and let’s get to the video. Everyone already knows that the OP 5 Cloud Code is a very powerful model.

[00:31] It’s up to 40%cheaper than the OP 5. It’s also faster in output, meaning in the responses it gives you. It has up to 60%lower cash readout, and I’ll talk more about that later, but what really matters is how we can get the most out of this model according to the documentation. And I’ll start right here with rule number one, which is the main one for you to start using OP 5.5 at medium effort. And for those of you who don’t quite know what the effort of a model is, if we look down here, within our Cloud Code, we see that we

[01:01] can select the model. It’s selected here as OP 5.5, and the effort, which is how much this model will reason to deliver the task you asked it to. And notice that we have several levels of effort. We can go from low to ultra code. And the further to the right, the smarter, but more expensive. The further to the left, the less smart, but faster and cheaper. In the past, OP 5 had the best of both worlds, the best cost-benefit ratio, precisely the high effort. So this was the effort where OP 5 delivered the best result for the

[01:32] lowest price. Now that has changed, and we’re now talking about medium effort. And to make this very clear, take a look at this graph that will show precisely this cost-benefit relationship. Here, at the low effort level, it will deliver a result of 87.4 %and cost 11 cents. But when we take that to the medium level, look at the jump it makes. It goes to 92.8 and increases the cost by 0.21 cents. If we continue going up, it improves even more. Of course, the model improves,

[02:02] you’re increasing its effort, but then the cost rises to 29 cents, it goes to 74 cents for an improvement that isn’t that big. If we look at this other benchmark, it also shows the same thing . In this case, the cost to perform the tasks related to this benchmark was 84 and it achieved a score of 86. To achieve a slightly higher score of 88.4 , it already spent 1.38. Now, we know that benchmarks aren’t the final word. We always have to look at benchmarks with a grain of salt, because they

[02:33] don’t necessarily represent our day-to-day work. But when it comes to effort and its cost, it’s a strong indicator that using medium effort is the best option. And don’t worry, I’ll leave all this documentation referenced in the description. If you want to read more, understand more, it will all be in the video description or in the first pinned comment. But moving on to our second rule for using the model well, what I recommend is: always test the effort levels according to your work. Benchmarks are good, they give us a good idea, especially regarding cost and benefit, but only you know what you

[03:04] do in your day-to-day work. Eventually, you will need to use high, extra-high effort for certain tasks, and not for others. Everyone has a different workflow. So test to identify what is the best cost-benefit in your case. In general, it will be medium, as we just saw, but depending on the task, you may need more or less effort. I myself tested it in my workflow and I identified tasks that I do need to use extra-high or some that I’m using medium. And there are even tasks that I use on low effort. And to help you

[03:35] discover this, I’ll show you the prompt I set up myself to run this test. Here’s a simple prompt, an effort test for us to do, and it says: “I choose a real task that I do every week in this project to ask it to look at the file history and run that same task three times in three sessions: one on low effort, one on medium, one on high.” This will give you a completely personalized comparison level according to your tasks. So, run this because you’ll be surprised. After all, a model with higher effort doesn’t necessarily mean better results. This is because the more your model has to think, if

[04:05] the task is very simple, it ends up bringing a lot of complexity to it and it can deliver an even lower result than if you were using the correct effort. But now, here in rule three is one of the coolest things. Finally, Antropic decided to do this and standardize our PD document. When we were using the other models, this also applies to the previous models. We had to include an instruction document for our model called cloud.MD. In this document, you put instructions on how your work should be done, what you wanted, and what you didn’t want in the results. And it had to have this format

[04:36] : cloud.md. Therefore, it only worked in the cloud. This document, just so you understand, is a document that the model automatically reads whenever it enters the workbook. So, if this document didn’t have the name cloud.md or FMD, the model wouldn’t read it automatically. But the problem with this is that all other models, for example, when you’re using the Codex, will read a document called agents.md. And it’s exactly the same document idea , the same structure, just with different names. And now Antropic has placed agents.md inside our cloud code. In other words, the model will now enter your folder, search for the

[05:07] cloud.md model, and if it doesn’t find it, it will automatically read widgets.MD. So this becomes much cooler , much more standardized, because now you don’t need to have multiple documents and update several different documents, depending on the model you have to use. And if everything I just told you sounds like Greek to you, you need to check out our Wayi Verso community. There, you’ll learn everything you need about Cloud Code, how to use AI in the best possible way, and you’ll have access to my black box, my creation process, so you can build websites like these, images like the one you’re seeing, and also have access to my Premiere Hey tool, so you can do

[05:39] professional video editing with just a few clicks of the mouse. In addition, you’ll also have access to the entire AICloud track, so you can learn everything you need about Cloud Code, how to work with it professionally, as well as tracks like Google Gravy, N8N, and all the content and courses I’ll be adding. From now on, you’ll have access to all of this without any additional cost. But in my opinion, even cooler than everything I just told you is the black box, which is where I share everything: skills, tools, all the knowledge I use to develop all the material I create here for the channel and also for my clients. Therefore, if

[06:10] working with Cloud Code professionally interests you and you want access to our community, ask me questions, access exclusive materials, scan your phone at the QC code that’s appearing on the screen and come be a part of Everse. You’ll be very welcome. But continuing here, the next new feature is also very cool, because now we can exchange effort without losing cash. So imagine you’re here in your Cloud Code asking it to do a task that, for example, involves the Max plan, right, the Max effort within OP 5. And eventually it finishes doing this task. But then you want to ask for a simpler task. For example, execute this code so I can find it in the browser. So you think: “

[06:42] Damn, I don’t want to use OP 5. In the Max version to perform such a simple task.” What can you do now only in the Opus model? You can change the effort. So, imagine you’re in Max, you’re going to ask for a simpler task, but still within the same context. You come here, set the effort low, and you can ask it to execute or change something in your CRM or on your website that are simpler tasks. “Hey, Felipe, but I could always do that.” Yes, but now this is worthwhile. Previously, what we could do was change the effort, as well as

[07:12] change the model. But whenever we did that, changed the model or the effort, there was something called memory cache . Everything we discussed, all that context that the model had to understand to perform its task, everything you discussed was saved in memory. When we changed the effort, the other model with less effort, or the other model we simply chose, had to read all that cache again. Guess what? It used to take a lot of time and tokens, so it cost money to do this. You thought you were saving money, reducing the model’s effort, for example, to the lowest possible level,

[07:43] but in reality you were spending more, because changing the model would require rereading all that cash again. That cost money. Now, within OPO 5, you can change the effort here without losing that cash memory. Therefore, the model won’t have to read it again. That’s great. But remember and pay attention, it’s the effort you can change. You can’t change the model mid-task, because otherwise the same problem will happen to you. You’ll lose the cash and it will have to read everything again. And what would be a saving, you’re actually spending much more. New feature number five is that

[08:15] we now have a limit reset. So when we go into our cloud code, you’ll see that it says “redeem a bonus credit.” And if you also go to “usage,” you’ll see that we get a free reset. Gain more leeway to explore OP 5.5. Imagine you’re exceeding your weekly limit or even your 5-hour limit and you want to reset , go back to zero. You can, you’ve now earned this right with the OP 5.5 model , but pay attention because this is only valid until October 22nd, okay? So if you’re watching this video later, everything applies to you except this

[08:45] part. If you’re watching before, use it wisely, wait to reset until your limit has been reached and you really have a use for it. Otherwise, keep this ace up your sleeve, it’s very useful. New feature number six, and this one isn’t so good, is that now we can no longer ask to see the reasoning. Imagine you asked it to perform a task, it performed that task, but you want to know how it performed it, what the reasoning behind it was. Now this will no longer appear to you, precisely because Antropic doesn’t want competitors to have access to how the model reasons. So, if you previously had a use for this, well, know that in these new models you will no longer

[09:17] have access to that kind of thing. However, honestly, I don’t think it’s really missed, and Antropic is right to want to protect how its model works. The seventh new feature is that now, if you’re interacting with this model, it will keep revisiting other answers it has already given you. This can be very annoying when you want to have a quick back-and-forth, ask a few questions that it wouldn’t need to consult. So, to solve this problem that will happen to you and to also spend fewer tokens on this, I advise you to add a prompt ( either written out, in the message you send to the model, in cloudmd, or even

[09:47] in agents.m, which it now reads) that says the following: “After you have answered something, that is, after it has given you a first answer, treat that answer as closed.” In future messages, focus your reasoning on what I’m asking and don’t go back to a previous answer unless I ask about it or point out a problem in the question. By sending this to him, he will stop revisiting all previous answers unnecessarily, unless there is a need or you expressly ask him to. This will greatly help your use of Appus 5.5. New feature number eight, which is a rule of use that will help you a lot, is

[10:18] that you maintain a to-do list. Appus 5. It’s constantly revisiting its work. So, it’s there making a to-do list and it will keep asking if something is ready. Eventually, one of the items on the task may be ready, but not the task as a whole. And eventually, it may say that the task is completed when it is not. To solve this, it’s very simple, just keep a file called task.mmd. So, whenever you are going to execute a long task, and yes, I’m talking about long tasks, simple tasks, this won’t happen. Then you send this prompt here, keep a list of Tasks within tasks. MD

[10:49] with one line per endpoint and per test . So then it will have a task list where it can look at this list and check it off, even if the model keeps returning, look, this checkpoint is ready, look, this item is ready, this is ready. It will look at the task list , see what’s ready, but it won’t forget what still needs to be done, because that’s what it does. It sees that something is ready, forgets what it has to do and ends the task there. Now, when you have a task list MD, it will look at the list. As long as all are not complete, it will not mark them as completed. This is very important. This

[11:20] prompt solves this and this was taken from the documentation itself, as written here. New feature number nine is that now you can pass a time budget to the model. What does this mean? Imagine that you are taking too long and you want it to perform a task as quickly as possible. You want, I don’t know, it to perform something in 3 minutes. You can pass this to it. Look, I want everything done in 3 minutes. So he’ll organize his execution to deliver before the deadline you gave him. This can be done so that he delivers a task a little faster. But honestly, this time budget thing isn’t my favorite way

[11:50] to use it. I tested it, and I didn’t like it. This, however, I found really good: telling him that time matters. Imagine you want a task and you want him to execute it quickly, but you don’t want to compromise on quality or items you want him to complete in the task. So you can simply say that time is important to you. What he will do is prioritize time over quality. Not that the quality will be bad, in fact it wasn’t. The results I got were very good. What I saw was a result practically as good as if I hadn’t asked for this. But with a considerable difference in time. This isn’t my invention or hallucination. It’s in the

[12:21] documentation. If you can’t predict a time budget there, you can tell him that time matters and yes, the The model will work a little faster. Here are some of the results. Again, everything I’m saying is in the documentation. You can look at it and delve even deeper. And to understand how to apply this, it’s very simple. So you’ll send, for example, a list of the clinic’s direct competitors in the region, compare prices and services, and give me a table with what we do differently. Time matters here. Don’t waste it; you can avoid it. And the sooner you get a correct result, the better. That’s it. It’s that simple. It will deliver the task to you in a much

[12:52] more efficient way. New feature number 11 that I found in the documentation, and it concerns one of the things I like most, which is design. It clearly tells you to name the design patterns. That is, in Portuguese, of course, here , if you use OPO 5. Good references, which is what I always talk about, and I talk about this a lot in the Aiverso community, it will deliver generic results. Yes, the OPO 5 model. It’s the best model I, Felipe, have ever used. To create designs, but if you don’t provide good references and your own

[13:24] design system, it will deliver the infamous AI Loop. And the detail is, the documentation itself says that if you ask the model to avoid that pattern generated by AI, what it will do is switch from one pattern to another. That is, imagine it returned everything in purple and magenta palettes, it will now switch to a black, red, and white palette. These are patterns, and what it will do is just change those patterns. Therefore, I repeat, if you want beautiful design, you have to provide good references and know how to ask it for them, know how to create a design system. A good model won’t necessarily deliver a different design

[13:54] if you don’t know how to guide it to that. And again, if you want to know how to do this, the community is the best place, mainly because I really enjoy this design aspect. And there you will find everything you need, an operating system for design, my skills, in short, it’s the right place for you if you want to learn more about this. And now, drumroll please, because the 12th new feature is that you can give it tools to…So that he can analyze graphs, images, and diagrams in a much better way. And how are you going to do that? By giving him Opus 5. This model is already very good at reading

[14:25] diagrams and images, but you can make it even more efficient. For example, imagine he needs to see this graph you’re showing and you want him to focus on these specific months. Before, you would have to show a printout of the entire image and explain through prompts where he should focus and what he should change. Or if he needed to cut it out to analyze only those data points, for example, he wouldn’t be able to. Now, if you provide him with tools that allow him to do this, such as Python or OpenCV, which are Python tools. If you simply give him that, he

[14:59] is then able to focus his attention on that section, on those specific data points where you indicate he should focus. Now, finishing up the 12 rules in a single glance. Start with the medium. This will be the best cost-benefit ratio for most tasks you will use it for. But, obviously, we can’t simply accept that everything will work. The same for everyone. Therefore, test your workload levels. Another cool thing, use agents.md. Okay , cloud.md still works, but eventually if you want to use another model that only reads agents.md, it would be very annoying to have to duplicate and

[15:29] change it. So now just create agents.md as the default, which will be much better. I even think that cloud.md MD will eventually become obsolete with this. Another thing, whenever you are doing a task, pay attention to the level of effort you need to use. If you needed a higher effort to create one part of that task, and the other is a simpler task, a simpler process, you can now change the effort of the model. As long as everything is within OPU 5.5 , you won’t have any problems: it won’t have to read the cache again, the cache will be preserved. Then, keep your limit reset ace up your sleeve. Don’t

[16:00] ask to see the reasoning because he won’t show you anyway. Answer given is answer closed. You will have to pass. Remember, this is for him? So he doesn’t have to keep reviewing the answers he’s already given you. Keep a to-do list to ensure that he delivers everything correctly on long tasks. Give him a time budget, if you have one . Or, what I prefer, say that time matters. Then, name the design patterns , because a good model doesn’t necessarily deliver good design, unless you know what you’re doing. And give him a magnifying glass of where he needs to look, if you’re developing a chart, something, a diagram; this will greatly improve your results. But now I

[16:31] want to know if this video helped you, if you had already seen any of these tips, if you’re already applying them, and which ones you’re going to apply. So tell me, leave a comment about what you thought and what you’re going to put into practice today. Furthermore, I remind you again that if you want to work with Cloud Code professionally and have access to all my tools and processes, you need to be part of Aiverso. Just scan the QR code on the screen with your phone, come join, and you will. Having access to everything that’s already there, and there’s a lot , but also everything I release, whether it’s tools, lessons, or exclusive material. In addition, I also ask that you subscribe to the channel,

[17:01] leave a like, and help spread the word so this video continues to reach more people and we can grow our community. Now I’ll leave you with another video so you can continue learning about artificial intelligence. And I’ll say goodbye now. A big hug and bye. Yeah.