Como o criador do Claude Code usa a própria ferramenta — 4 dicas que mudaram meu setup
Em 16 de março de 2026, Boris — o criador do Claude Code — publicou no blog dele um relato passo-a-passo de como ele mesmo usa a ferramenta no dia a dia. Foi uma daquelas leituras que valida o que você já vinha fazendo intuitivamente e te dá um empurrão para refinar o que ainda não estava 100%.
Eu trabalho na Microsoft desenvolvendo agentes de IA para projetos internos. Já vinha aplicando algumas dessas práticas por tentativa e erro, lendo documentação da Anthropic, refinando setup. Mas quando você vê o próprio criador da ferramenta validando o método, fica mais fácil bater o martelo e adotar.
Aqui estão as quatro dicas dele que mais mudaram meu fluxo — e o que eu ajustei na hora de aplicar.
1. Rode múltiplas sessões em paralelo
A maioria dos desenvolvedores trabalha com uma janela do Claude Code aberta, focando em uma tarefa por vez. O Boris faz diferente: ele roda 10 a 15 sessões simultaneamente, distribuídas entre projetos diferentes.
Pode ser via plugin do Claude Code dentro do IDE (eu uso o Visual Studio Code), pode ser via CLI puro, ou via outras ferramentas equivalentes como o GitHub Copilot CLI. O ponto é: paralelismo.
Meu ajuste: 10-15 sessões é demais para mim. Já testei e perdi controle. Cinco sessões é o meu sweet spot atual — suficiente para manter projetos paralelos andando, baixo o suficiente para revisar tudo com qualidade. O Boris já desenvolveu uma metodologia própria e tem anos de prática; para nós que estamos nessa jornada, comece com 2-3 e suba conforme ganha confiança.
A regra que aprendi: se você sente que está perdendo o fio em alguma sessão, está com sessões demais. A IA transborda informação rápido demais quando você não tem capacidade de revisar. Encontre o seu equilíbrio.
2. SEMPRE inicie em Plan Mode
Esse foi o ponto onde tive o ganho mais imediato.
O Plan Mode (você ativa com Shift+Tab ou comando equivalente) faz o agente planejar antes de executar. Você descreve o objetivo, ele desenha a arquitetura, define os subagentes necessários, valida com você e só então parte para escrever código.
Quando você pula o planejamento e fala "crie o melhor site do mundo", o output é um site meia-boca total. Quando você planeja primeiro, o agente cria estruturas específicas (agente de design, agente de conteúdo, agente de SEO) que cooperam de forma muito mais coerente.
Regra que adotei como inegociável: toda sessão de Claude Code começa em Plan Mode. Sem exceção. O ganho de qualidade no resultado final compensa qualquer overhead inicial.
3. Use MCPs especializados em vez de busca genérica
MCPs (Model Context Protocol servers) são plugins que conectam o agente a uma fonte de conhecimento específica. A diferença prática é gigante.
Sem MCP especializado: você está desenvolvendo um projeto Microsoft. Pergunta uma coisa para o Claude. Ele faz busca genérica na internet, junta informação de fóruns aleatórios, blogs desatualizados, posts de Stack Overflow de 2018. Mistura tudo, gera um resultado que pode ou não estar correto. Gasta muitos tokens no caminho.
Com MCP especializado: você instala um MCP da Microsoft (eu uso o MCP App Service, que é oficial). Ele conecta direto à base de conhecimento atualizada da Microsoft. O Claude não procura mais nada na internet sobre Microsoft — vai direto na fonte de verdade, busca só o que precisa, retorna informação correta e atualizada.
Resultado:
- Velocidade absurda — sem buscar 10 fontes, sem comparar, sem inferir
- Menos tokens consumidos — economia direta no custo (se você usa API) ou mais headroom no plano mensal
- Qualidade técnica superior — informação vem da fonte oficial
O que adotar: identifique as plataformas e tecnologias que você mais usa e instale MCPs oficiais para elas. Microsoft, AWS, Stripe, Notion, GitHub — todos têm MCPs hoje. Vale o investimento de uma tarde para configurar.
4. Refine o claude.md continuamente — "Compound Engineering"
O claude.md (ou equivalente em outras ferramentas) é o arquivo de instruções principal do seu agente. Ele define a missão, o contexto, as regras e os padrões do projeto.
A prática que o Boris adotou — e que eu já estava fazendo intuitivamente — é tratar cada erro do agente como uma regra a ser adicionada. O fluxo é:
- O agente comete um erro
- Você corrige na conversa
- Você adiciona uma regra explícita ao
claude.mddescrevendo como evitar aquele erro no futuro
Boris chama isso de Compound Engineering — uma referência ao conceito de juros compostos. Cada refinamento se acumula em cima dos anteriores. Em equipe, todos os desenvolvedores contribuem com refinamentos no mesmo arquivo. Em poucas semanas, o agente fica brutalmente especializado para o seu caso de uso.
O ganho não é linear — é exponencial, justamente porque cada nova interação parte de um patamar de conhecimento mais alto que a anterior.
A dica bônus que descobri por conta própria
Boris não fala disso explicitamente no blog dele, mas é o que eu venho fazendo e que aumentou ainda mais a produtividade: rode duas ferramentas em paralelo para validação cruzada.
Hoje eu uso Claude Code + GitHub Copilot CLI ao mesmo tempo:
- Planejamento no Claude Code com modelo Opus 4.6 (mais robusto, mais caro, vale para essa fase)
- Validação no GitHub Copilot CLI — peço para ele revisar o planejamento e apontar gaps
- Execução em qualquer um dos dois — geralmente Sonnet (mais leve, mais rápido, mais barato) na fase de "mão na massa"
Como a Microsoft fechou parceria com a Anthropic, hoje:
- O GitHub Copilot CLI consegue ler arquivos
claude.mde a estrutura de subagentes do Claude - O Claude Code consegue ler
copilot-instructions.mde estrutura de agentes do Copilot
As duas ferramentas usam o mesmo framework agentic (padrão aberto de mercado), então você transita entre elas sem retrabalho. Adicionar essa camada de validação cruzada eleva muito a qualidade do planejamento — e quanto melhor o plano, menos retrabalho na execução.
Bônus 2: troca de modelos por fase
Outra prática que o Boris menciona e que vale ouro: modelo caro no planejamento, modelo barato na execução.
| Fase | Modelo | Por quê |
|---|---|---|
| Planejamento | Claude Opus 4.6 | Mais raciocínio, mais nuance, plano mais robusto |
| Execução | Claude Sonnet | Rápido, eficiente, "braço operacional" |
| Revisão final | Opus de novo | Pega edge cases que o Sonnet deixou passar |
O custo total fica mais baixo do que rodar Opus em tudo, e o resultado fica melhor do que rodar Sonnet em tudo.
Resumo: o setup que estou rodando hoje
- 3-5 sessões em paralelo — projetos diferentes, contexto separado
- Plan Mode obrigatório — toda sessão começa planejando
- MCPs especializados instalados — App Service, GitHub, etc.
claude.mdem refinamento contínuo — toda correção vira regra- Validação cruzada Claude Code + GitHub Copilot CLI
- Opus pra planejar, Sonnet pra executar
O ganho de produtividade trabalhando dessa forma comparado ao "abrir uma janela e perguntar coisa" é absurdo. Eu estou entregando volume de trabalho dentro da Microsoft que antes levaria 3-4x mais tempo.
Se você usa Claude Code ou GitHub Copilot, vale o investimento de uma tarde para reorganizar o setup nessas linhas.
Este artigo foi gerado a partir do meu vídeo no YouTube. Assista a versão completa para a demonstração na minha tela de cada uma dessas práticas em ação.
Prefere vídeo?
Assistir no YouTubePosts relacionados
Você usa IA errado — a IA ficou mais inteligente, mas a maioria das pessoas ainda opera no modo de 2023
Opus 4.7 e GPT 5.5 raciocinam, sintetizam e discordam — são 100x mais capazes do que 12 meses atrás. Mas 90% das pessoas ainda pede 'faça um resumo' como em 2023. Três princípios concretos para trocar instrução por raciocínio e extrair de verdade o que esses modelos podem entregar.
Novo estudo da Anthropic revela o risco invisível da IA no código — a dívida de compreensão que nenhuma métrica captura
A Anthropic testou 52 engenheiros e descobriu que quem usa IA como atalho acerta 17% menos sobre o próprio código. O problema tem nome: dívida de compreensão. Não aparece em nenhuma métrica — cobertura, velocidade, PRs aprovados — e pode destruir um time em silêncio. Minha leitura com a lente de cybersegurança.
Harvard provou que a IA está sabotando sua estratégia — o estudo do trend-slop em 6 LLMs e 30.000 simulações
Pesquisadores rodaram 30.000 simulações em GPT-5, Claude, Gemini, Grok, Llama e DeepSeek pedindo conselhos estratégicos. Todos convergiram para as mesmas respostas, em todos os contextos. O nome do problema é trend-slop — e nem prompt melhor nem mais contexto resolvem. O que você precisa fazer.