Claude Code está sem um recurso essencial. Veja como resolver!

Autoria: Universe of AI · 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: Claude Code Is MISSING One Key Thing. Here’s How to Fix It! · Canal: Universe of AI · 09:48 · Assistir no YouTube

Tópicos: Agentes de IA, Automação de tarefas e workflows, Claude Code, RAG, busca e recuperação de informação

Resumo

O vídeo apresenta o context.dev, uma API de dados da web criada para ajudar agents a obter informações estruturadas de sites. A demonstração mostra como conectar o serviço ao Claude Code usando MCP e instruções salvas em um arquivo CLAUDE.md. A partir de uma lista simples de contatos e empresas, o agent pesquisa pessoas, perfis de empresas, preços, vagas e notícias recentes para gerar uma planilha de leads enriquecida. O apresentador destaca que o fluxo inclui links para as fontes e marca informações ausentes como “não encontrado”, em vez de inventá-las.

Pontos-chave

O context.dev reúne recursos de extração, busca, crawling, monitoramento e dados de empresas em uma API.
A configuração demonstrada usa um prompt de início rápido, uma API key e ferramentas MCP.
O arquivo CLAUDE.md guarda as instruções de pesquisa para que não seja necessário repetir um prompt extenso.
O fluxo combina dados de empresas, enriquecimento de pessoas, pesquisa na web e extração de páginas.
A planilha final inclui informações como cargo, pontuação de correspondência, preços, vagas, notícias e fontes.
O agent deve indicar “não encontrado” quando não conseguir confirmar uma informação, em vez de adivinhar.
O apresentador sugere usar o fluxo para qualificar novos cadastros, preparar reuniões de vendas e acompanhar páginas de concorrentes.

Capítulos

Início	Capítulo	Resumo
00:00	O problema: agents sem acesso confiável a dados da web	O vídeo apresenta a dificuldade de fazer agents coletarem dados reais de sites e introduz o context.dev como solução.
01:01	Recursos do context.dev	O apresentador descreve os recursos de extração, pesquisa e enriquecimento de empresas e pessoas usados na demonstração.
03:05	Conexão do context.dev ao Claude Code	A demonstração configura uma API key, instala as ferramentas MCP e verifica se a conexão está funcionando.
04:38	Pesquisa e enriquecimento de leads	Com instruções em CLAUDE.md, o Claude Code pesquisa uma lista de leads e registra os resultados em uma nova planilha.
07:46	Resultados, fontes e usos práticos	O apresentador revisa os dados e as fontes da planilha, destaca o tratamento de informações ausentes e sugere aplicações comerciais.

Citações

É uma API de dados da web criada para agents de IA. — 01:01

O que volta é uma resposta estruturada, além das URLs das fontes usadas. — 02:03

Se o agent não encontrar algo, ele escreve “não encontrado”. — 05:08

A parte do Claude foi apenas juntar tudo e escrever as primeiras linhas dos e-mails com os dados que o context.dev coletou. — 08:17

Conceitos e entidades

context.dev (ferramenta): Plataforma de dados da web com uma API voltada a fornecer informações estruturadas para agents.
Claude Code (ferramenta): Ferramenta usada na demonstração para executar o agent e combinar os resultados das pesquisas.
MCP (conceito): Protocolo cujas ferramentas permitem ao Claude Code acessar os recursos do context.dev.
CLAUDE.md (ferramenta): Arquivo usado na demonstração para guardar instruções que o Claude Code lê ao trabalhar na pasta.
API key (conceito): Chave criada no painel do context.dev para conectar o agent aos recursos da plataforma.
Scrape Anything (ferramenta): Recurso do context.dev que extrai páginas da web como Markdown, captura de tela ou campos estruturados.
Answers (ferramenta): Recurso do context.dev que pesquisa uma pergunta na web e retorna uma resposta estruturada com URLs das fontes.
People Enrich (ferramenta): Recurso que busca informações sobre uma pessoa, como cargo e experiência, e retorna uma pontuação de correspondência.
Brand (ferramenta): Recurso que fornece informações sobre uma empresa, como perfil, setor, localização e links sociais.

Tradução completa (pt-BR)

00:00 Em 2026, o ritmo do desenvolvimento de IA melhorou muito. Provavelmente temos os modelos mais fortes até agora, que são bastante capazes. Agentes de IA que conseguem concluir tarefas muito rápido, e até plataformas como Cloud Code ficaram muito mais capazes do que antes. Mas o verdadeiro problema agora é que você pode configurar seu workflow, deixar todo o pipeline e a infraestrutura prontos. Só que, quando pede ao seu agente de IA para fazer um trabalho de verdade, como buscar dados em sites reais, pesquisar pessoas ou coisas do tipo, ou criar um pipeline de leads

00:30 de vendas, ele falha porque não consegue obter esses dados. [música] Então, como resolver exatamente isso? É disso que trata o vídeo de hoje, então vamos começar. O vídeo de hoje é patrocinado pela context.dev, que criou algo especificamente para o problema que mencionei na introdução. No final, vou mostrar um agent rodando no Cloud Code que pega uma lista simples de nomes e transforma cada nome em um lead de vendas pesquisado. Obviamente, este é só um exemplo. Dá para fazer muita coisa com essa plataforma, mas o objetivo é mostrar a vocês como usá-la,

01:01 como configurá-la e o quanto essa nova plataforma é capaz. Então, o que exatamente é a context.dev? É uma API de dados da web criada para agentes de IA. Em vez de os agentes tentarem interpretar páginas da web brutas por conta própria, eles consultam a context.dev e recebem dados limpos com os quais podem realmente trabalhar. Há vários produtos disponíveis com uma única chave de API: extração de dados, busca, rastreamento, monitoramento e dados de empresas. Para o que importa hoje, vou me limitar a esses. O que vocês estão vendo agora é o meu painel da context.dev, e dá para ver todas as APIs de dados

01:32 disponíveis aqui. Há várias opções para extração de dados da web, inteligência de marca, pessoas e notícias. Por exemplo, em extração de dados da web, temos extrair qualquer coisa, mapear URLs, rastrear site e buscar respostas na web. Em inteligência de marca, temos recuperar a marca, buscar marcas e extrair guia de estilo, caso você precise fazer isso. E também temos a seção de pessoas e notícias: enriquecer pessoa e buscar notícias. Na demonstração de hoje, vou mostrar quatro dessas opções. A primeira é extrair qualquer coisa. Você fornece uma URL e recebe a página em Markdown limpo, uma

02:03 captura de tela ou campos estruturados. Depois, temos respostas. Você faz uma pergunta de pesquisa, fornece uma estrutura JSON para a resposta, e a ferramenta pesquisa na web para você. O resultado é uma resposta estruturada, além das URLs das fontes usadas. Então, funciona como uma ferramenta de pesquisa aprofundada, só que é uma única chamada de API e você pode verificar de onde veio cada fato. Depois, há duas opções de enriquecimento. A de marca recebe um domínio ou um e-mail profissional e fornece o perfil da empresa, o nome, a descrição, o setor, a localização, o logo e os links para redes sociais. E então

02:35 a opção de pessoas recebe um nome ou um e-mail e tenta encontrar a pessoa real. Ela retorna o cargo e o histórico da pessoa, além de uma pontuação de correspondência de 0 a 100 que indica o nível de confiança. Se você combinar essas quatro opções, seu agent consegue responder: “Quem é essa pessoa e o que a empresa dela faz?”, sem que você abra uma única aba do navegador, que é exatamente o que vamos criar. Então, como configuramos nosso agent para usar a context.dev? Para nossa sorte, a context.dev deixou isso bem simples. Há um início rápido para agents, e o

03:05 prompt de configuração está bem aqui. Esse prompt orienta o agent a acessar esta página de documentação e, basicamente, tudo o que está na parte inferior são instruções para o agent. É um passo simples: copie este prompt e abra o Cloud Code. Por exemplo, estou com o Cloud Code aberto aqui. Vou pegar o prompt e colá-lo aqui. A primeira coisa que você vai precisar fazer é configurar sua chave de API. Se ainda não fez isso, pode fazer agora. Vou usar o método do painel, então vou abrir o painel da context.dev, pegar a chave de API e enviá-la. Vou acessar minhas

03:36 chaves de API aqui e criar uma nova. Como vocês podem ver, já tenho uma aqui. Eu a desativei, mas vocês podem simplesmente criar uma chave de API. Clique nela. Dê o nome que quiser. Hoje vou fazer uma demonstração, então vou chamar esta de chave de demonstração. Agora, só para garantir que minha sessão esteja conectada à context.dev, iniciei uma nova sessão na mesma pasta e vou colar isto: executar um teste do MCP da context.dev. Ele só vai garantir que tudo está funcionando corretamente. As ferramentas necessárias para executar a context.dev estão habilitadas e

04:07 instaladas. Então, ele está fazendo esse teste. Parece que está tudo pronto. Isso significa que tudo está conectado com facilidade, e é por isso que às vezes faz sentido usar aquele prompt simples para agents. Você pode pegar esse prompt e usá-lo no Codex, no Cloud Code ou onde quiser, mas depois execute um teste para garantir que tudo esteja conectado corretamente. Certo, agora que está tudo configurado, vou trabalhar no Cloud Code e mostrar a demonstração. Tenho uma pasta com dois arquivos, chamada lead agent demo. O primeiro arquivo é um leads.csv

04:38 Este é geralmente todo o material com que um representante de vendas começa: nome, sobrenome e site da empresa. E esse é praticamente o arquivo inteiro. Estou usando fundadores conhecidos para que vocês possam acompanhar, mas podem adaptar isso às suas necessidades. O segundo arquivo é um arquivo CLAUDE.md. O Cloud Code lê o arquivo automaticamente antes de começar a trabalhar em uma pasta. Então, em vez de digitar um prompt enorme toda vez, todas as instruções ficam aqui. Para cada lead, encontre uma empresa, depois encontre a pessoa e leia as páginas de preços e de carreiras, procure notícias recentes e então

05:08 avalie o lead e escreva uma primeira frase para um e-mail frio. Há também uma regra aqui que considero muito importante. Se o agent não conseguir encontrar algo, deve escrever “não encontrado”. Assim, ele não vai adivinhar nem preencher com informações incorretas. Como as instruções já estão no arquivo, posso simplesmente inserir um prompt simples: pesquise os leads em leads.csv e salve os resultados em enrich leads.csv, que será o arquivo de saída criado pelo Cloud Code para nós. Uma coisa importante é que tudo isso será possível porque vamos usar as ferramentas MCP da context.dev. Então,

05:40 agora vamos inserir nosso prompt e testar. Coloquei o prompt aqui embaixo. Vou pressionar Enter. Certo, vamos acompanhar os leads com atenção, porque é aqui que dá para ver cada ferramenta da context.dev fazendo seu trabalho. Se eu olhar este aqui, vocês podem ver que o dado que forneci foi o domínio, e o nome ou site é linear app. A descrição que a ferramenta conseguiu obter é tudo isto aqui. Linear é uma plataforma de desenvolvimento de produtos, projetada XYZ. Na parte inferior, também podemos ver que ela conseguiu trazer alguns dados da marca linear app. E

06:12 na parte inferior, dá para ver que está fazendo a mesma coisa para Figma. E tudo isso vem do nosso arquivo leads.csv. Depois, aqui embaixo, ela está usando outra ferramenta chamada people enrich. Como vocês podem ver, fornecemos à context.dev apenas o nome, o sobrenome e a empresa em que a pessoa trabalha. A context.dev conseguiu obter todas as informações que vocês veem na parte inferior, como a localização, San Francisco, o país, Estados Unidos, e está usando o LinkedIn para obter as informações dessa pessoa, assim como o cargo dela. Quem é essa pessoa? O CEO, além do cargo atual e da experiência. Tudo isso está sendo

06:45 extraídos por causa da ferramenta de enriquecimento de pessoas do context.dev, que está ativa no momento no Claude Code. Depois, ele está usando a ferramenta Answers para basicamente buscar as informações específicas. Então, incluí esta pergunta nas minhas instruções: O que esta empresa anunciou ou lançou nos últimos 90 dias? E qual é o principal foco do produto? Depois, informei a data atual, para incluir apenas itens de aproximadamente esse período de 90 dias. E tudo isso está sendo extraído do site. Então, dá para ver que dei uma instrução simples, e ele vai buscar essas informações específicas com base na restrição que forneci. E isso está usando a

07:16 ferramenta Answers do context.dev. Depois, também está usando o recurso de raspagem da web do context.dev para encontrar vagas abertas, basicamente, em todos os sites que listamos. Certo, o Claude Code terminou e escreveu os seis leads em um novo arquivo que você vê aqui em cima: enriched leads.csv. Mas, antes de olharmos o arquivo, vamos ver o arquivo original. Dá para ver que ele tem um primeiro nome, um sobrenome e o site da empresa — era só isso que eu tinha para trabalhar. E este é o arquivo atualizado. Agora, cada lead tem o setor e a

07:46 localização da empresa, o cargo da pessoa, uma pontuação de compatibilidade, os preços, se há um plano empresarial, vagas abertas, notícias recentes, uma pontuação do lead, uma justificativa curta para essa pontuação e uma primeira frase para um email frio aqui. Além disso, há uma coluna com todas as fontes que usei, aqui à direita. As fontes estão aqui. Se você olhar a Linear, por exemplo, com base no que encontrou, Khari é CEO e cofundador, com uma pontuação de compatibilidade de 98%. O preço também começa em US$ 10 por usuário por mês. Há um plano empresarial e 23 vagas abertas. Ele

08:17 também identificou três lançamentos recentes — Loops, Coding Sessions e Party Inbox — e escreveu uma frase de abertura com base neles. Cada uma dessas colunas veio de uma ferramenta diferente do context.dev. Brand cuidou do perfil da empresa, People encontrou a pessoa e deu a pontuação de compatibilidade, a ferramenta Scrape Anything leu as páginas de preços e carreiras e extraiu apenas os campos que pedi, e Answers cuidou das notícias recentes, com links para as fontes onde as encontrou. A parte do Claude foi apenas juntar tudo e escrever as frases de abertura dos emails com base nos dados extraídos pelo context.dev. Ele também não preencheu

08:47 nenhuma lacuna. Se faltava alguma informação, ele retornava “não encontrado”, que é o que você quer, porque não quer que o agent de IA invente algo que não existe. E, obviamente, usei um exemplo simples aqui, mas a mesma configuração provavelmente poderia funcionar para algumas outras coisas. Se você recebe inscrições com emails de trabalho, poderia executar essas etapas para cada nova inscrição e ver quais parecem ser uma boa opção para a sua equipe de vendas. Ou, antes de uma ligação de vendas, poderia executar o processo para uma única empresa. Em vez de ler o site e as notícias da empresa por conta própria, você receberia um resumo rápido do que ela vende, do que lançou

09:17 recentemente e de com quem você vai conversar, com links para conferir. O context.dev também tem monitores, que observam uma página seguindo uma programação e enviam uma atualização quando ela muda. Assim, você poderia acompanhar a página de preços de um concorrente sem precisar verificá-la por conta própria. Mas essa foi uma rápida introdução ao context.dev. Se quiser testar isso por conta própria, o link está na descrição. Também há um plano gratuito com 1.000 créditos por mês, sem necessidade de cartão de crédito. Então, você pode testar por conta própria antes de decidir comprar uma assinatura. E, mais uma vez, muito obrigado ao context.dev por patrocinar o vídeo de hoje.

09:48 Mas é isso para o vídeo de hoje. Não se esqueçam de se inscrever no canal. Acompanhem também nossa nova newsletter em universeofai.beehive.com. Além disso, inscrevam-se no canal principal, World of AI, e apoiem a gente no X seguindo também universeofai.z. Até lá, vejo vocês no próximo vídeo.

Transcrição original

[00:00] In 2026, the rate of AI development has improved a lot. We probably have the strongest models right now that are quite capable. AI agents that can get things done very quickly, and even platforms like Cloud Code have gotten much more capable than before. But the real problem right now is that you can set up your workflow, have all the pipeline and the infrastructure ready to go. But when you ask your AI agent to do actual work, like retrieve data from actual websites, research people, or things like that, or build a lead

[00:30] pipeline, it fails because it’s not able to pull that data. [music] So, how do we solve exactly that? Well, that is what today’s video is about, so let’s get into it. So, today’s video is sponsored by context.dev, and they built something for exactly the problem I mentioned in the intro of this video. By the end, I’m going to show you an agent running in Cloud Code that takes a plain list of names and turns each one of them into a research sales lead. Obviously, this is just one example. You can do a lot with this platform, but this is just so you guys have an understanding how to use

[01:01] platform, how to set it up, and how capable this new platform is. So, what exactly is context.dev? It’s a web data API built for AI agents. Instead of your agents trying to figure out raw web pages on its own, it asks context.dev, and it gets back clean data that it can actually work with. There are a bunch of products under one API key: scraping, search, crawling, monitoring, company data. Before the matter for today, so I’ll stick to those. So, what you’re looking at right now is my context.dev dashboard, and you can see all the data

[01:32] APIs are available over here. There are a bunch of options for web extraction, brand intelligence, people and news. For example, in web extraction, we have scrape anything, map URLs, crawl website, search web answers. Brand intelligence, we have retrieve the brand, search brands, extract style guide if you need to do that. And then we also have a people and news, enrich person, and search news. In today’s demo, I’m going to be showing you guys four of these. The first one is scrape anything. You give it a URL and it gives you the page back as a clean markdown, a

[02:03] screenshot, or structured fields. Then there’s answers. You ask it a research question, you give it a JSON shape for the answer, and it goes in and searches the web for you. What comes back is a structured answer plus the source URLs it used. So, it works like a deep research tool except it’s one API call and you can check where every fact came from. Then there are two enrichment ones. Brand takes a domain or a work email and it gives you the company profile, name, description, industry, location, logo, social links. And then

[02:35] the people one takes a name or an email and tries to find the actual person. It comes back with their role and background plus a match score from 0 to 100 that tells you how confident it is. If you put those four together and your agent can answer, “Who is this person and what does their company do?” without you opening a single browser tab, which is exactly what we’re going to build. So, how do we actually set up our agent to use context.dev? Luckily for us, context.dev have made it pretty simple. There’s an agent quick start and the

[03:05] setup prompt is pretty much here. What this prompt does is it tells the agent to kind of guide it to this doc page and basically everything at the bottom is actually instructions for the agent. So, it’s a simple step. Copy this prompt, then open up Cloud Code. For example, I have Cloud Code open over here. Then I’m going to take that prompt, just paste it in over here. And the first thing you’re going to have to do is set up your API key. So, if you haven’t already, you can do that. I’ll just use the dashboard method, so I’ll open up the dashboard on context.dev, get the API key, and then send it in. So, I’m going to go to my

[03:36] API keys over here and then just create a new one. And you can see I have one over here. I have disabled it, but you can just create an API key. Click on that. Name it whatever you want to. So, today I’m going to doing a demo, so I’m going to name this a demo key. So, now just to make sure that my session is actually connected to, you know, context.dev. I started a new session in that same folder and I’m going to paste this in, which is run one context.dev MCP test. It’s just going to, you know, just make sure that everything is working correctly. The tools it needs to run context.devs are enabled and

[04:07] installed. So, it’s just doing that test. So, it looks like we are good to go. That means everything is connected pretty easily and that is why using that simple agent prompt sometimes makes sense. You can take that prompt, put it into codex use that, cloud code, whatever the case is, but just run a test after just to make sure that everything is connected properly. All right, now that everything is set up, I’m going to be working in cloud code and I’m going to show you the demo. So, I got a folder with two files in it and the folder name is lead agent demo. And in there, the first one is a leads.csv

[04:38] file. This is usually all a sales rep starts with, a first name, a last name and a company website and that’s pretty much the whole file. I’m using well-known founders so you can follow along with this, but you can change this based off of your needs. The second file is a cloud.md file. Cloud code reads the file automatically before it starts working in a folder. So, instead of typing a giant prompt every single time, all the instructions live here. For every lead, find a company, then find the person and read their pricing and careers page, look up recent news, then

[05:08] score the lead and write a first line for a cold email. There’s also one rule in here I care about a lot. If the agent can’t find something, it writes not found. So, it’s not going to guess or fill it in with incorrect information. Because the instructions are already in the file, I can just put in a simple prompt, which is research the leads in leads.csv and save the results to enrich leads.csv, which is going to be the output file that cloud is going to create for us. One thing to note is that all of this is going to be possible because we’re going to be using context.dev’s MCP tools. So,

[05:40] now let’s put in our prompt and test this out. So, I put in my prompt at the bottom over here. I’m going to press enter. All right, let’s watch the leads closely because this is where you can actually see each tool from context.dev doing its job. So, if I take a look at this one, you can see the body that I gave it was domain, and then the name or the website is a linear app. You can see the description it was able to get is all of this over here. Linear is a product development platform design XYZ. At the bottom, we can also see that it was able to pull in some of the brand data about linear app over here. And at

[06:12] the bottom, you can see it’s doing the same thing for Figma. And all of this is coming from our leads.csv file. Then at the bottom over here, it’s using another tool called people enrich. And you can see over here that we gave context.dev a simple, you know, first name, last name, as well the company they work for. And context.dev was able to pull all the information that you see at the bottom, like location, San Francisco, country, United States, and it’s using LinkedIn actually to get in that person’s information, as well its title. Who is this person? The CEO, as well current role, experience. All of this is being

[06:45] pulled because of context.dev’s people enrich tool that’s being active at the moment in Claude code. Then it’s using the answers tool to basically pull in the specific information. So, I gave it this question in my instructions. What has this company announced or launched in the last 90 days? And what is the main product focus? And then gave it the current date, so only include items from roughly the 90-day period. And all of this is being pulled from the website. So, you can see I gave it a simple thing and it’s going to pull that specific information based off the constraint I have given it. And this is using the

[07:16] answers tool from context.dev. Then it’s also using the web scrape feature from context.dev to find any job openings basically for all the websites that we have listed. All right, Claude code is done and it wrote all six leads to a new file that you see at the top over here, enriched leads.csv. But before we look at the file, let’s just look at the original file. You can see it has a first name, a last name, and a company website, and that’s all I had to work with. And this is the updated file. Each lead now has a company’s industry and

[07:46] location, the person’s role, a match score, pricing, whether there’s an enterprise plan, open roles, recent news, a lead score, a short reason for that score, and a first line for a cold email over here. Plus a column with every source that I use at the right over here. The sources you can see over here. If you look at Linear, for example, from what it found, Khari is CEO and co-founder with a 98% match score. Pricing is also starting at $10 per user per month. There’s an enterprise plan and 23 open roles. It

[08:17] also picked up three recent launches, Loops, Coding Sessions, and Party Inbox, and wrote an opener based on those. Each of those columns came from a different context.dev tool. Brand handled the company profile, People found the person and gave the match score, Scrape Anything tool read the pricing and careers pages and pulled out just the fields I asked for, and Answers handled the recent news with links back to where it found it. Claude’s part was just putting it all together and writing the email openers from the data that context.dev pulled. It also didn’t fill

[08:47] in any gaps. If there was any information that was missing, it came back with not found, which is something that you want because you don’t want the AI agent to create something that doesn’t exist. And obviously I used a simple example here, but the same setup could probably work for a few other things. If you get sign-ups with work emails, you could run these steps on each new sign-up and see which ones look like a good fit for your sales team. Or before a sales call, you could run it on just that one company. Instead of reading through their website and news yourself, you would get a quick summary of what they sell, what they launched

[09:17] lately, and who you’re talking to with links to check. And context.dev also has monitors, which watch a page on a schedule and send you an update when it changes. So, you could keep an eye out on a competitor’s pricing page without checking it yourself. But that’s a quick intro to context.dev. If you want to try this out for yourself, the link is in the description. There’s also a free tier with 1,000 credits a month and no credit card is required for that. So, you can try this out for yourself before you decide to purchase a subscription. And once again, big thanks to context.dev for sponsoring today’s video.

[09:48] But, that’s it for today’s video. Make sure you guys are subscribed to the channel. Follow our new newsletter as well at universeofai.beehive.com. As well, subscribe to the main channel World of AI and support us on X by following the universeofai.z as well. Until then, I’ll see you guys in the next video.