Pular para o conteúdo principal

Fase 4 — Maestria: construindo, escalando, governando

Duração: 5 semanas · Dedicação: 8–10h/semana · Trilhas: essencial para 🔵🟣 · trilha 🟢 pode focar em M21, M22, M24 Pré-requisito: Fase 3 concluída (você já constrói servidores MCP, subagentes, hooks, Skills e plugins). Foco principal: Claude Code · Conceitos transferíveis: marcados com 🌐.

Objetivo da fase​

Sair de "uso e estendo Claude Code" para "construo agentes próprios, meço impacto, lidero adoção e governo riscos". Esta fase é onde o conhecimento técnico das fases anteriores se traduz em decisões de produto, time e empresa.

Ao final desta fase você consegue:

  • Construir agentes customizados do zero com Claude Agent SDK (não Claude Code, mas o SDK base do qual ele é construído)
  • Orquestrar multi-agente com padrões avaliados em produção
  • Avaliar saída de agentes com evals programáticos integrados a CI
  • Reduzir custo de uso em 40–70% com técnicas comprovadas
  • Medir produtividade real com métricas além de "vibes"
  • Navegar com clareza os riscos legais e de IP de código gerado por IA
  • Definir políticas de governança enterprise para uso de Claude Code
  • Conduzir adoção em time sem virar evangelista chato
  • Saber quando NÃO usar Claude Code e qual alternativa funciona melhor

Convenções​

  • Tipo: 📚 Doc oficial · 📖 Artigo/Paper · 🎓 Curso · 🎬 Vídeo/Podcast · 🛠️ Hands-on/Repositório
  • Idioma: [PT] português · [EN] inglês
  • Custo: [Grátis] · [Pago] · [Freemium]
  • ⭐ essencial · 🌐 conceito universal (transferível para qualquer agente)

M19 · Claude Agent SDK

Por que este módulo​

Atenção à terminologia: o Claude Code SDK foi renomeado para Claude Agent SDK em 2025. A motivação: o SDK não é só sobre código — é a mesma fundação que a Anthropic usa internamente para construir o Claude Code, e você pode usar para construir qualquer agente (suporte ao cliente, finanças, devops, jurídico, etc.).

Diferença chave em relação ao Claude Code:

  • Claude Code é um produto pronto (CLI + extensões + IDE plugins)
  • Claude Agent SDK é a biblioteca que permite você construir o seu próprio Claude Code para o seu domínio

Quando construir com SDK em vez de estender Claude Code via plugins:

  • Você precisa de UI customizada (web, mobile, voice)
  • Você precisa de fluxos não-coding (atendimento, análise, briefing)
  • Você precisa empacotar como produto para clientes
  • Você precisa de controle total sobre o loop de execução

Tópicos​

  • Diferença entre Claude Code (produto), Claude Agent SDK (biblioteca para agentes), e Anthropic Messages API (mais baixo nível ainda)
  • Instalação do SDK em Python (anthropic-claude-agent-sdk) e TypeScript (@anthropic-ai/claude-agent-sdk)
  • Estrutura de um agente com SDK: system prompt, tools, loop, gerenciamento de contexto
  • Tools nativas (file ops, bash, web search) já disponíveis
  • Streaming, tool calling estruturado, gerenciamento de sessões
  • Integração com MCP (servidor MCP funciona em SDK também)
  • Deploy: serverless, container, edge

Materiais​

Documentação oficial ⭐​

Conceitual ⭐​

Tutoriais práticos ⭐​

Para escala​

Exercício prático​

Construa um agente customizado para um problema real seu que não é puramente coding. Sugestões:

  • Agente de triagem de tickets de suporte que classifica, prioriza e responde primeiro
  • Agente de análise financeira que lê notas fiscais e gera relatórios
  • Agente de pesquisa de mercado que busca, sumariza e cita
  • Agente de QA que executa casos de teste manuais via Playwright (MCP)

Requisitos:

  • Use Claude Agent SDK (Python ou TypeScript)
  • Pelo menos 2 tools customizadas
  • Pelo menos 1 servidor MCP integrado
  • Deploy mínimo (CLI ou web simples)
  • README com arquitetura e exemplos
  • Documente em learnings-agent-sdk.md

Definition of Done​

  • Você construiu pelo menos 1 agente próprio com Claude Agent SDK
  • Sabe a diferença entre SDK e Claude Code (e quando usar cada)
  • Sabe a diferença entre Agent SDK e Messages API (uma camada abaixo)
  • Tem agente seu rodando em algum ambiente real

M20 · Orquestração multi-agente com Claude Code

Por que este módulo​

🌐 Multi-agente é universal. Os 5 padrões do paper Building Effective Agents (prompt chaining, routing, parallelization, orchestrator-workers, evaluator-optimizer) funcionam em qualquer framework. No Claude Code você implementa via subagentes + Agent Teams (recurso de Fev/2026); no SDK você implementa programaticamente.

A regra de ouro: multi-agente é overengineering em 80% dos casos. Saber quando NÃO usar é tão importante quanto saber implementar.

Tópicos​

Padrões universais 🌐​

  • Prompt chaining — sequência simples (output de A vira input de B)
  • Routing — agente "classificador" decide qual especialista atende
  • Parallelization — N agentes em paralelo, agregação no final
  • Orchestrator-workers — agente coordenador delega e consolida
  • Evaluator-optimizer — gerador + avaliador iteram até critério atingido

Implementação no Claude Code​

  • Subagentes em paralelo (M14)
  • Agent Teams (Fev/2026) para orquestração nativa
  • Hook SubagentStop para coletar resultados

Implementação no Agent SDK​

  • Loops com múltiplas instâncias
  • Tool result aggregation
  • Tratamento de erros e retentativas

Anti-padrões​

  • "Time de 7 agentes para escrever email" (overengineering)
  • Agentes que duplicam contexto
  • Cadeias muito longas sem checkpoint
  • Falta de orçamento de tokens (gasto explode)

Materiais​

Conceitual ⭐​

Padrões em Claude Code​

Frameworks alternativos (referência) 🌐​

  • 🛠️ LangGraph · [EN] [Grátis] intermediário
  • 🛠️ AutoGen (Microsoft) · [EN] [Grátis]
  • 🛠️ CrewAI · [EN] [Grátis] Estes não são Claude Code. São referência de outros padrões de multi-agente para você comparar abordagens.

Exercício prático​

Implemente 2 padrões diferentes sobre uma mesma tarefa real:

Tarefa: "dado um repositório, gerar relatório de qualidade (segurança, tipagem, cobertura, dependências desatualizadas)"

Padrão A — Orchestrator-workers: 1 agente principal delega para N subagentes especializados (security-checker, type-coverage-checker, deps-checker, etc.). Cada um devolve resumo, principal consolida em relatório.

Padrão B — Evaluator-optimizer: 1 agente gera o relatório, 1 agente avalia qualidade (cobertura, clareza, acionabilidade), e itera até score atingir threshold.

Compare:

  • Tempo total
  • Custo total
  • Qualidade da saída
  • Reproducibilidade

Documente em learnings-multi-agente.md.

Definition of Done​

  • Implementou pelo menos 2 padrões de multi-agente em tarefa real
  • Sabe explicar quando cada padrão se aplica
  • Identifica overengineering em arquiteturas multi-agente alheias
  • Tem opinião sobre Claude Code subagentes vs LangGraph vs AutoGen vs CrewAI

M21 · Evals — avaliação de saída de agentes

Por que este módulo​

🌐 Evals são o "teste unitário" da era de IA. Sem eval, você está adivinhando se o agente regrediu. Com eval, você tem regression test automatizável em CI.

Em 2026 o ecossistema é maduro:

  • OpenAI adquiriu o Promptfoo por $86M (Promptfoo continua MIT, agora com mais investimento)
  • Braintrust levantou $80M em Fev/2026 a $800M valuation
  • Inspect AI (UK AI Security Institute) virou referência open source para evals de safety

Tópicos​

Tipos de eval​

  • Programático — assertions exatas (output ≡ esperado)
  • Heurístico — regex, contains, format check
  • LLM-as-judge — outro LLM avalia output qualitativo
  • Human-in-the-loop — humano avalia amostra
  • Golden dataset — conjunto fixo de input → output esperado

Quando usar cada​

  • Programático: para tools determinísticas
  • Heurístico: format, presença de seções
  • LLM-as-judge: clareza, helpfulness, tom
  • Human: amostra para calibrar LLM-as-judge
  • Golden dataset: regression em CI

Ferramentas​

  • Promptfoo — open source, YAML configs, foco em red teaming
  • Inspect AI — UK AISI, foco em capability/safety, MIT
  • Braintrust — comercial, all-in-one (datasets + experiments + CI)
  • Langfuse — open source observability + evals
  • Anthropic Console Evals — integrado, simples, oficial

Eval em CI​

  • Trigger: PR aberto, push em main, schedule
  • Falha = bloqueio de merge / alerta
  • Comparação com baseline (não regredir)

Materiais​

Documentação oficial ⭐​

Cursos guiados ⭐​

Ferramentas (hands-on) ⭐​

  • ⭐ 🛠️ promptfoo/promptfoo (GitHub) · [EN] [Grátis] Open source, MIT, agora da OpenAI mas continua aberto. Use no exercício.

  • ⭐ 🛠️ UK AISI — Inspect AI · [EN] [Grátis] Framework do UK AI Security Institute. Foco em capability e safety.

  • 🛠️ Braintrust · [EN] [Pago] (free tier) All-in-one comercial. Considere se for time grande.

  • 🛠️ Langfuse · [EN] [Freemium] Open source observability, hosted ou self-host.

Comparativos e guias ⭐​

Exercício prático​

  1. Setup Promptfoo (open source, leve) com YAML config
  2. Crie golden dataset de pelo menos 20 input/output esperados para um workflow seu (ex: code review, refactoring, bug fix)
  3. Eval programático: output deve conter X, não conter Y, formato Z
  4. LLM-as-judge: rubric de 1–5 para clareza, correção, helpfulness
  5. Integre em CI (GitHub Actions): rodar a cada PR; falhar se score médio cair vs. baseline
  6. Quando você fizer mudança em prompt/agente, eval valida que não regrediu
  7. Documente em learnings-evals.md

Definition of Done​

  • Você tem suíte de evals rodando em CI para pelo menos 1 workflow seu
  • Tem golden dataset versionado
  • Sabe ler resultado de LLM-as-judge criticamente (calibrar com human eval)
  • Mudanças de prompt nunca vão para produção sem eval verde

M22 · Custos, tokens e otimização no Claude Code

Por que este módulo​

A diferença entre $24/mês e $80/mês ou $200/mês e $2000/mês é puramente operacional. Devs que não entendem custo deixam de adotar (acham caro demais) ou queimam orçamento sem necessidade. Em 2026 a Anthropic publicou guias oficiais e a comunidade documenta reduções de 40–70% com técnicas comprovadas.

Tópicos​

Anatomia do custo​

  • Input tokens vs. output tokens (output 5x mais caro)
  • Cache reads (10% do preço normal)
  • Cache writes (1.25x do preço normal — paga em 2 leituras)
  • Modelos: Haiku (mais barato) → Sonnet (médio) → Opus (premium)
  • Thinking budget (extended thinking) — tokens extras

Estratégias de redução​

  • Prompt caching — CLAUDE.md é cacheado automaticamente; ganho típico 40–50% em input
  • Auto-compaction — Claude Code resume contexto antes de estourar janela
  • Escolher o modelo certo por tarefa:
    • Haiku: lookups, formatação, boilerplate, grep, lint fixes
    • Sonnet: 80% do trabalho diário (5x mais barato que Opus)
    • Opus: refac multi-arquivo crítico, debugging sutil, decisões arquiteturais
  • Reduzir contexto — não jogar repo inteiro, deixar Claude buscar
  • Batch API quando aplicável (50% desconto, 24h SLA)

Monitoramento​

  • Console Anthropic: dashboards de uso, breakdown por modelo
  • Claude Code: comando /cost para ver gasto da sessão
  • Alerts e budget caps em times

Caso real (documentado)​

Redução de 70% em uma equipe APAC: $80/mês → $24/mês trocando majority Opus por Haiku + Sonnet + caching agressivo (Branch8 + DEV.to)

Materiais​

Documentação oficial ⭐​

Guias práticos ⭐​

Exercício prático​

  1. Audite seu uso atual no Console Anthropic (últimas 4 semanas):
    • Breakdown por modelo
    • Cache hit rate
    • Custo médio por sessão
  2. Aplique 4 mudanças:
    • Mover tarefas simples (lint, format, boilerplate, lookups) para Haiku
    • Manter CLAUDE.md enxuto (cache eficaz)
    • Para sessões longas, usar /compact em vez de continuar até estourar
    • Reservar Opus para tarefas multi-arquivo críticas
  3. Compare custo das 4 semanas seguintes
  4. Configure alerta de budget no Console Anthropic
  5. Documente em learnings-custos.md com gráfico de antes/depois

Definition of Done​

  • Você reduziu custo de uso em pelo menos 30% vs. baseline
  • Sabe escolher modelo por tarefa em segundos
  • Tem alerta de budget configurado
  • Sabe ler dashboard do Console Anthropic e diagnosticar gastos altos

M23 · Métricas de produtividade e ROI

Por que este módulo​

🌐 "Sinto que sou mais produtivo com Claude Code" não passa em uma reunião com C-level. Aqui você aprende a medir impacto real com métricas que cabem em business case.

Em 2026 a indústria reporta até 79% de aceleração de delivery em times que adotaram Claude Code de forma estruturada — mas também há estudos mostrando que ganhos são distribuídos heterogeneamente (alguns devs ganham 5x, outros perdem 10%).

Tópicos​

O que medir 🌐​

  • Lead time (PR aberto → merged)
  • Cycle time (commit → produção)
  • Throughput (PRs/dev/sprint)
  • Defect rate (bugs por release, bugs em produção)
  • Test coverage (antes/depois)
  • Code churn (% de linhas alteradas em 4 semanas após merge — proxy de qualidade)
  • Time-to-onboard (dias para novo dev abrir 1º PR útil)

Como medir​

  • DORA metrics (industry standard)
  • Ferramentas: GitHub Actions data, Linear, LinearB, Faros, GitClear
  • Survey trimestral de dev experience (DevEx, SPACE)

Frameworks de avaliação​

  • DORA (Deployment frequency, Lead time, MTTR, Change failure rate)
  • SPACE (Satisfaction, Performance, Activity, Collaboration, Efficiency)
  • DevEx (Friction, Flow, Cognitive load)

Cuidados estatísticos​

  • Heterogeneidade de ganhos (mediana ≠ média)
  • Confounders (você adotou Claude E mudou outra coisa)
  • Selection bias (devs que adotam tendem a ser entusiastas)
  • Hawthorne effect (medição muda comportamento)

Materiais​

Frameworks oficiais 🌐 ⭐​

AI productivity studies ⭐​

Adoção enterprise​

Ferramentas​

  • 🛠️ LinearB · [EN] [Pago] — métricas DORA + SPACE
  • 🛠️ Faros AI · [EN] [Pago] — engineering analytics com foco em IA
  • 🛠️ GitClear · [EN] [Freemium] — code quality metrics

Exercício prático​

  1. Estabeleça baseline das suas métricas (4 semanas pré-adoção, se houver dados):
    • Lead time, throughput, defect rate
  2. Defina 3 hipóteses testáveis (ex: "Claude Code reduz lead time em 30%", "Claude Code reduz tempo de code review em 50%")
  3. Meça 4 semanas com Claude Code ativo
  4. Survey curto com você mesmo ou time: percepção (escala 1–5)
  5. Calcule ROI: custo Claude Code (Anthropic invoice) vs. tempo economizado × custo/hora dev
  6. Compile em business case de 1 página para apresentar a tech lead, gerente ou time
  7. Documente em learnings-roi.md

Definition of Done​

  • Você tem baseline e métricas de 4+ semanas com Claude Code
  • Tem 1 página de business case
  • Sabe articular ROI em linguagem de negócio
  • Sabe os limites das suas medições (heterogeneidade, confounders)

M24 · Aspectos legais e IP de código gerado por IA

Por que este módulo​

🌐 Não é tema opcional. Em 2025/26 houve marcos jurídicos importantes que afetam como você usa Claude Code:

  • Anthropic settled $1.5B class action em Ago/2025 — maior settlement de copyright dos EUA, ~$3,000/título por uso de obras em treino
  • U.S. Copyright Office: código gerado predominantemente por IA, sem autoria humana significativa, NÃO é elegível para copyright
  • Indenização por fornecedor: Microsoft, Google, OpenAI e Anthropic oferecem indenização para uso enterprise — termos variam

Você precisa entender o suficiente para proteger seu trabalho (o seu, do seu time, da sua empresa) e navegar contratos com clientes.

Tópicos​

Copyright e autoria 🌐​

  • Quando o código é "predominantemente IA": sem copyright
  • Quando há autoria humana significativa (iteração, edição, refinamento): copyright atribuível ao humano
  • Implicações para empresa vs. individual contributor (work-for-hire)

Risco de infringement​

  • Código gerado pode reproduzir trecho de fonte com licença restritiva (GPL, AGPL)
  • Risco maior em código de larga trajetória de treino (ex: OpenSSL, Linux kernel)
  • Mitigações: scanners de licença (FOSSA, BlackDuck), filtros nativos do provider

Indenização por fornecedor​

  • Anthropic Commercial Terms — verificar cláusula de indenização específica do plano
  • Microsoft Copilot for Business/Enterprise — indenização por copyright
  • Google Gemini for Workspace — indenização similar
  • OpenAI — indenização para Enterprise

Cláusulas em contratos com clientes​

  • Disclosure de uso de IA
  • Atribuição (Co-authored-by: Claude é convenção, não obrigação legal)
  • Garantia de IP do output
  • Exclusão de responsabilidade vs. indenização repassada

LGPD/GDPR​

  • Dados sensíveis no prompt/código
  • Onde os dados são processados (jurisdição)
  • Direitos do titular (acesso, correção, exclusão)

Materiais​

Fontes primárias ⭐​

Análises ⭐​

Brasil / LGPD​

Exercício prático​

  1. Leia os Commercial Terms da Anthropic em detalhe (foco em IP e indenização)
  2. Audite o seu uso atual:
    • Você assina pelo plano correto para os seus clientes (Pro vs Team vs Enterprise)?
    • Você está em compliance com NDAs/contratos atuais?
  3. Crie uma "AI use policy" pessoal documentando:
    • Quando você divulga uso de IA para cliente/empregador
    • Como você atribui (commit messages, PRs)
    • Que dados você nunca cola no prompt (PII, secrets, código de cliente)
  4. Para freelancer/contractor: prepare 1 cláusula contratual mínima sobre uso de IA no seu próximo contrato
  5. Para empregado: verifique se sua empresa tem política e siga; se não tiver, ofereça-se a redigir
  6. Documente em learnings-legal.md

Definition of Done​

  • Você leu os Commercial Terms da Anthropic do plano que usa
  • Tem AI use policy pessoal escrita
  • Sabe responder em 1 minuto: "esse código gerado por IA é meu/da empresa? tem copyright?"
  • Sabe os 3 vetores de risco principais (copyright, infringement, dados sensíveis)

M25 · Governança enterprise com Claude Code

Por que este módulo​

🌐 Em time grande, governança é o que separa adoção sustentável de caos. Em 2026 a Anthropic lançou várias features enterprise:

  • Claude Code bundled em Team/Enterprise plans (eliminou o trade-off "inovação vs. governança")
  • Compliance API (24/Mar/2026) — acesso programático em tempo real a usage e content
  • Admin controls granulares para IT
  • GitLab + Anthropic parceria para "Governed AI" enterprise

Tópicos​

Pilares de governance​

  • Identidade & acesso: SSO, SCIM, RBAC, audit trail
  • Dados: classificação, retenção, residency, redaction
  • Compliance: SOC2, GDPR, LGPD, HIPAA (saúde), PCI-DSS (pagamentos)
  • Custo & quota: budget caps, alertas, billing splits por time/projeto
  • Segurança: secrets management, sandbox obrigatório, allowlist de MCPs
  • Auditoria: logs de prompts, logs de tools, logs de output, retention

Ferramentas Anthropic enterprise​

  • Anthropic Console — admin org, billing, audit
  • Compliance API — exportação programática de usage para SIEM
  • Data residency (US, EU)
  • Customer Data Processing Agreement (DPA) sob demanda
  • Custom system prompts corporativos

Frameworks​

  • AI Review Board — comitê interno que aprova use cases
  • Sandbox-first — todo Claude Code roda em sandbox por padrão
  • Princípio do menor privilégio em MCPs e tools
  • Policy-as-code — configurações de governança versionadas

Padrão emergente: Compliance API​

Endpoints para:

  • Listar usuários, sessões, prompts, outputs
  • Aplicar redação automática de PII
  • Integração com SIEM (Splunk, Datadog, Sentinel)
  • Alertas em padrões suspeitos

Materiais​

Documentação oficial ⭐​

Guias práticos ⭐​

Exercício prático​

Para a sua organização (real ou hipotética):

  1. Mapeie risco:
    • Que dados sensíveis seu time toca? (PII, financeiro, saúde, código proprietário de cliente)
    • Que regulação se aplica? (GDPR, LGPD, HIPAA, PCI, SOX)
  2. Rascunhe política em 1 página cobrindo:
    • Quem pode usar Claude Code (todo dev? só seniors? só com training?)
    • Onde Claude Code pode rodar (laptop dev? CI? prod?)
    • O que NUNCA pode entrar em prompt (secrets, PII, dados de cliente)
    • Sandbox obrigatório? Onde?
    • Allowlist de MCPs aprovados
    • Auditoria e retention
    • Quem aprova exceções
  3. Configure (se você tem acesso admin):
    • SSO/SCIM se time já tem
    • Budget caps por usuário/time
    • Allowlist de MCPs
  4. Documente em learnings-governance.md

Definition of Done​

  • Você tem política de uso enterprise rascunhada (≥1 página)
  • Sabe quais features de governance vêm com cada plano (Pro/Team/Enterprise)
  • Identificou os 3 maiores riscos de governance no seu contexto
  • Sabe a diferença entre Compliance API e Console UI

M26 · Cultura e adoção de Claude Code em times

Por que este módulo​

🌐 A maior barreira de adoção é cultural, não técnica. Devs experientes resistem por orgulho, devs juniors usam mal, gerentes pressionam por métricas que viram cargo cult, executivos esperam ROI overnight. Liderar adoção bem é trabalho de produto + facilitação + paciência.

Tópicos​

Padrões de adoção​

  • Bottom-up (1 entusiasta → time → org) vs. top-down (mandato + treinamento)
  • Híbrido funciona melhor: entusiasta consegue mandato + budget para piloto
  • "Champion network" — 1 evangelista por time

Onboarding novo dev no fluxo com IA​

  • Primeiro projeto: pair com champion usando Claude Code juntos
  • CLAUDE.md compartilhado do time como tutorial vivo
  • Plugins do time como "starter pack"

Lidar com resistência​

  • Resistência por orgulho ("eu sei codar") — mostrar uso para tarefas tediosas, não substituição
  • Resistência por medo ("vou ser substituído") — ser honesto sobre o que muda
  • Resistência por experiência ruim ("tentei, foi ruim") — pair session de 2h vale 100 demos
  • Ceticismo legítimo ("dependência arriscada") — discutir vendor lock-in com sinceridade

Pair programming com IA​

  • Sessões de time onde 1 dev usa Claude Code com tela compartilhada e narra processo
  • Discussão sobre prompts que funcionaram/falharam
  • Calibração coletiva de "o que delegar vs. fazer manual"

Sinais de adoção saudável​

  • 🟢 Devs compartilhando prompts em Slack/Notion
  • 🟢 CLAUDE.md evoluindo com feedback do time
  • 🟢 Dúvidas técnicas avançando ("como uso subagentes para X?")
  • 🔴 "Nossa, isso aí é só hype" recorrente
  • 🔴 Diff de PRs cresce sem caveats sobre revisão crítica
  • 🔴 Tempo de code review humano cresce em vez de cair

Materiais​

Sobre adoção e change management 🌐​

Pair programming e cultura​

Treinamento​

Comunidades​

Exercício prático​

Escolha entre dois caminhos:

Caminho A — Você é champion no time:

  1. Proponha piloto de 4 semanas com 3 colegas (não toda a engenharia, ainda)
  2. Crie CLAUDE.md compartilhado do time + plugin com 3 Skills/agentes do time
  3. Faça 2 pair sessions ao vivo (1h cada), narrando uso real
  4. Coleta feedback semanal (Slack survey de 3 perguntas)
  5. Apresente resultado ao tech lead com métricas e qualitativo

Caminho B — Você é solo / freelancer:

  1. Ensine 1 colega ou faça 1 vídeo curto compartilhando seu fluxo
  2. Contribua com plugin ou Skill open source
  3. Escreva post de blog ou thread sobre seu workflow com Claude Code

Documente em learnings-adocao.md.

Definition of Done​

  • Pelo menos 1 outra pessoa adotou ou aprendeu com você
  • Tem material compartilhável (post, repo, plugin)
  • Sabe identificar resistência produtiva vs. resistência paralisante
  • Tem plano realista para os próximos 6 meses de evolução de adoção (no time ou pessoal)

M27 · Quando o Claude Code NÃO é a melhor escolha

Por que este módulo​

🌐 Especialização sem reflexão vira dogmatismo. Este módulo curto te dá honestidade intelectual: cenários reais onde outra ferramenta ganha do Claude Code, e como reconhecê-los.

O ponto NÃO é mudar de ferramenta principal — é ter awareness honesta para escolher corretamente caso a caso.

Tópicos​

Cenários onde alternativas ganham​

Cursor / Windsurf — autocomplete in-editor inline

  • Tarefa: digitar código com previsão e completion
  • Ganho: latência baixíssima, UX integrada
  • Claude Code aqui: lento e inadequado (não é o caso de uso)

GitHub Copilot CLI — comandos shell rápidos

  • Tarefa: "como faço um find que..." inline no terminal
  • Ganho: integração via gh e velocidade
  • Claude Code aqui: overkill

Aider — git workflow minimalista, modelos open source

  • Tarefa: dev solo, projeto pequeno, prefere modelos locais (Llama, Qwen)
  • Ganho: footprint mínimo, sem vendor lock-in
  • Claude Code aqui: dependência de Anthropic e custo

OpenHands / Devin / Jules — tarefas autônomas longas (horas)

  • Tarefa: "resolve essa issue do começo ao fim, abra PR, responda comentários"
  • Ganho: fully autonomous loop em sandbox cloud
  • Claude Code aqui: ótimo para sessão de 30min, não tão otimizado para 4h+

Modelos especializados (Codestral, DeepSeek-Coder)

  • Tarefa: completion em linguagem específica onde modelo open source supera
  • Ganho: custo zero ou baixo
  • Claude Code aqui: custo desnecessário

Como decidir​

  • Critério: latência exigida pelo workflow
  • Critério: custo (você é solo, time pequeno, enterprise?)
  • Critério: privacidade (modelo local exigido?)
  • Critério: autonomia desejada (sessão acompanhada vs. autônoma)

Padrão recomendado: stack pessoal​

Devs maduros usam 2–3 ferramentas em conjunto:

  • 1 IDE agent para autocomplete (Cursor ou Copilot)
  • Claude Code para tarefas complexas e CLI
  • 1 modelo local para experimentação privada (opcional)

Materiais​

Comparativos honestos​

Para experimentar (rápido)​

  • 🛠️ Cursor · [EN] [Pago] — IDE
  • 🛠️ Aider · [EN] [Grátis] — CLI minimalista, suporta modelos locais
  • 🛠️ OpenHands · [EN] [Grátis] — agente autônomo open source

Exercício prático​

  1. Escolha 2 alternativas que você ainda não experimentou em profundidade (Cursor, Aider, OpenHands, Codex CLI, Cline)
  2. Use cada uma por 3 dias em tarefas reais do seu dia a dia
  3. Documente:
    • Onde a alternativa ganhou de Claude Code
    • Onde Claude Code continua superior
    • Que combinação você adota daqui para frente
  4. Atualize sua stack pessoal (qual ferramenta para qual tipo de tarefa)
  5. Documente em learnings-alternativas.md

Definition of Done​

  • Você experimentou pelo menos 2 alternativas a fundo
  • Tem stack pessoal explícita (ferramenta por tipo de tarefa)
  • Consegue, em 1 minuto, recomendar a ferramenta certa para um colega dado um cenário

Capstone Final do Plano

Tempo: 1–2 semanas após M27 · Trilhas: 3 variantes (escolha 1)

Variante 🟢 — Capstone leve (Produtividade pessoal)​

Use Claude Code intensivamente em 1 projeto pessoal real:

  • Plugin pessoal completo (M16) com Skills + subagentes + hooks
  • CI com Claude Code action e evals (M12, M21)
  • Sandbox + política de segurança (M18)
  • Documentação rica (M10)
  • Custos otimizados (≥30% redução documentada — M22)

Variante 🔵 — Capstone time (Liderança técnica)​

Conduza piloto real de Claude Code em 1 time:

  • Política de governança documentada (M25)
  • AI use policy (M24)
  • Treinamento ou pair sessions ministradas (M26)
  • Métricas baseline + 4 semanas + ROI calculado (M23)
  • Plugin de time com Skills compartilhadas (M16)
  • Retro com lições e plano dos próximos 6 meses (M26)

Variante 🟣 — Capstone produto (Engenharia de plataforma / IA)​

Construa e publique algo:

  • Agente customizado com Claude Agent SDK (M19)
  • Pelo menos 1 padrão multi-agente (M20)
  • Servidor MCP customizado publicado (M13)
  • Suíte de evals em CI integrada (M21)
  • Plugin publicado no marketplace oficial OU MCP server publicado em diretório
  • Documentação completa, política de uso, dashboard de custo (M22, M25)

Auto-avaliação ao final da Fase 4

  • Construí pelo menos 1 agente próprio com Claude Agent SDK
  • Implementei pelo menos 2 padrões de multi-agente
  • Tenho suíte de evals em CI
  • Reduzi custo ≥30% com técnicas de otimização
  • Tenho métricas de produtividade documentadas
  • Tenho AI use policy escrita
  • Tenho política de governança rascunhada (se aplicável ao contexto)
  • Conduzi adoção em time OU compartilhei conhecimento publicamente
  • Experimentei pelo menos 2 alternativas e tenho stack pessoal explícita
  • Concluí 1 das 3 variantes do Capstone

Se você marcou 8+ itens, parabéns: você concluiu o plano. Você tem agora autonomia plena para usar, estender, construir e governar agentes de código com Claude Code como ferramenta principal — e conhecimento universal aplicável a qualquer agente que venha pela frente.

O que vem depois

Não existe "fim" no campo de agentes — ele evolui rápido. Como manter:

  1. Acompanhe oficialmente: Anthropic blog, Anthropic engineering blog, Latent Space podcast
  2. Pratique projetos reais: publique plugins, contribua para awesome-claude-code, escreva posts
  3. Fique de olho no padrão: MCP, AGENTS.md, e novos protocolos cross-tool
  4. Reavalie a stack a cada 6 meses: o que mudou nas alternativas? Faz sentido trocar?
  5. Compartilhe: ensinar é a forma mais rápida de consolidar e descobrir gaps

O plano serve como mapa, não como trilho. Volte a módulos específicos quando precisar aprofundar — esse é o uso correto. Boa jornada.