Modulos
1.1
O Loop Agentico
Ciclo de vida, stop_reason, decisao guiada pelo modelo
~30 min · 6 topicos
1.2
Arquitetura Hub-and-Spoke
Coordenador-subagente, contexto isolado, decomposicao
~25 min · 6 topicos
1.3
Invocacao de Subagentes
Ferramenta Agent, allowedTools, contexto explicito
~25 min · 6 topicos
1.4
Imposicao e Padroes de Handoff
Imposicao programatica, hooks deterministicos, compliance
~30 min · 6 topicos
1.5
Hooks do Agent SDK
PostToolUse, interceptacao, normalizacao, bloqueio
~25 min · 6 topicos
1.6
Estrategias de Decomposicao
Pipelines sequenciais, decomposicao adaptativa, planos
~25 min · 6 topicos
1.7
Estado de Sessao e Forking
Sessoes nomeadas, fork_session, resumo estruturado
~20 min · 6 topicosConteudo Detalhado
1.1
O Loop Agentico
Compreenda o ciclo fundamental que permite ao Claude executar tarefas complexas de forma autonoma, iterando entre raciocinio, uso de ferramentas e avaliacao de resultados.
O que e: O loop agentico e o ciclo continuo em que Claude recebe uma mensagem, decide se precisa usar uma ferramenta, executa a ferramenta, observa o resultado e decide se deve continuar ou parar. Cada iteracao adiciona novas entradas ao historico de conversa, formando o contexto acumulado.
Por que aprender: Todo sistema agentico com Claude depende deste ciclo. Sem entender o loop, e impossivel diagnosticar por que um agente para cedo demais, entra em loops infinitos, ou nao usa as ferramentas corretas.
Conceitos-chave: Mensagem do usuario, resposta do modelo, chamada de ferramenta (tool_use), resultado da ferramenta (tool_result), iteracao continua ate stop_reason = end_turn.
O que e: O campo stop_reason na resposta da API indica por que o modelo parou de gerar. Quando e tool_use, o modelo quer executar uma ferramenta e espera o resultado antes de continuar. Quando e end_turn, o modelo considera a tarefa concluida.
Por que aprender: O stop_reason e o sinal que controla o fluxo do loop agentico. O codigo orquestrador usa esse valor para decidir se deve chamar a ferramenta e reenviar, ou entregar a resposta final ao usuario.
Conceitos-chave: stop_reason: tool_use (continua o loop), stop_reason: end_turn (encerra), stop_reason: max_tokens (truncamento), logica condicional no orquestrador.
O que e: Cada resultado de ferramenta e inserido no array de mensagens como um bloco tool_result, vinculado ao tool_use_id original. O modelo ve todo o historico acumulado a cada nova chamada, o que lhe permite raciocinar sobre o que ja tentou e ajustar sua estrategia.
Por que aprender: O acumulo de resultados no historico e o que da "memoria de curto prazo" ao agente dentro de uma sessao. Entender essa mecanica permite otimizar o uso do contexto e evitar que a janela estoure em tarefas longas.
Conceitos-chave: Mensagem com role: user e tipo tool_result, encadeamento tool_use_id, contexto acumulativo, crescimento linear da janela a cada iteracao.
O que e: No loop agentico, e o modelo que decide qual ferramenta chamar a cada passo, quais parametros passar e quando parar. O orquestrador nao prescreve a sequencia — apenas fornece as ferramentas disponiveis e executa o que o modelo solicita.
Por que aprender: Essa autonomia de decisao e o que diferencia um agente de um pipeline fixo. Compreender que o modelo guia o fluxo e essencial para projetar descricoes de ferramentas que levem a decisoes corretas.
Conceitos-chave: Selecao autonoma de ferramentas, descricoes como "cardapio", tool_choice: auto (padrao), confianca nas descricoes para guiar decisoes.
O que e: Anti-padroes sao erros comuns como loops infinitos (ferramenta sempre retorna erro e o modelo re-tenta sem fim), parada prematura (modelo diz end_turn antes de concluir), e ferramentas demais que confundem a selecao. Tambem inclui nao tratar stop_reason: max_tokens.
Por que aprender: O exame CCA testa cenarios onde voce deve identificar a causa raiz de falhas em loops agenticos. Reconhecer anti-padroes permite propor correcoes arquiteturais em vez de apenas ajustar prompts.
Conceitos-chave: Loop infinito por erros repetidos, parada prematura, excesso de ferramentas (manter 4-5 por agente), falta de limite de iteracoes, nao tratar max_tokens como truncamento.
O que e: Implementacao concreta do loop agentico: um while-loop que chama a API, verifica stop_reason, executa ferramentas, injeta tool_result no historico e repete. Inclui limites de seguranca como max_iterations e timeouts por chamada de ferramenta.
Por que aprender: Traduzir o conceito abstrato do loop em codigo real e fundamental para a certificacao. O exame apresenta trechos de codigo e pede para identificar erros ou melhorias na implementacao do loop.
Conceitos-chave: While-loop com condicao em stop_reason, dispatch de ferramentas por nome, injecao de tool_result, max_iterations como guardrail, logging de cada iteracao para debug.
1.2
Arquitetura Hub-and-Spoke
Entenda o padrao arquitetural central do Claude Code, onde um agente coordenador delega tarefas a subagentes especializados com contextos isolados.
O que e: No padrao hub-and-spoke, um agente principal (hub/coordenador) recebe a tarefa do usuario e a decompoe em subtarefas, delegando cada uma a subagentes especializados (spokes). O coordenador sintetiza os resultados parciais em uma resposta coerente.
Por que aprender: Este e o padrao arquitetural padrao do Claude Code e do Agent SDK. O exame CCA testa extensivamente quando usar hub-and-spoke versus pipelines lineares e como configurar a delegacao corretamente.
Conceitos-chave: Hub (coordenador central), spokes (subagentes), delegacao via ferramenta Agent, sintese de resultados, topologia estrela.
O que e: Cada subagente opera com sua propria janela de contexto, sem acesso ao historico do coordenador ou de outros subagentes. O coordenador envia apenas as instrucoes necessarias e recebe de volta apenas o resultado resumido.
Por que aprender: O isolamento de contexto e uma vantagem critica do hub-and-spoke: evita que a janela de contexto do coordenador estoure e impede vazamento de informacao entre subagentes, o que e importante para seguranca e compliance.
Conceitos-chave: Janela de contexto separada por subagente, instrucoes explicitas na delegacao, resultado compactado retornado ao hub, sem compartilhamento lateral entre spokes.
O que e: O coordenador tem tres responsabilidades principais: decompor a tarefa em subtarefas coerentes, selecionar o subagente adequado para cada uma, e sintetizar os resultados parciais em uma resposta final integrada e consistente.
Por que aprender: A qualidade do sistema inteiro depende da capacidade do coordenador. O exame testa cenarios onde a decomposicao inadequada ou a sintese fraca leva a falhas, e voce deve identificar a causa raiz no coordenador.
Conceitos-chave: Decomposicao de tarefas, roteamento para subagentes, sintese de resultados, manutencao de coerencia, decisao de quando delegar vs resolver diretamente.
O que e: O coordenador analisa a requisicao e a divide em subtarefas independentes o suficiente para serem delegadas. Cada subtarefa deve ser auto-contida com instrucoes claras sobre o que fazer, qual formato retornar e quais restricoes seguir.
Por que aprender: Uma decomposicao bem feita e a diferenca entre um sistema que escala e um que falha. Subtarefas mal definidas causam resultados incoerentes, retrabalho e desperdicio de tokens.
Conceitos-chave: Independencia entre subtarefas, granularidade adequada, instrucoes auto-contidas, formato de saida especificado, dependencias explicitas entre subtarefas.
O que e: Decomposicao estreita ocorre quando o coordenador divide a tarefa de forma muito rigida, restringindo a instrucao do subagente demais. Isso impede que o subagente se adapte a descobertas inesperadas ou use seu julgamento para tomar decisoes melhores.
Por que aprender: E um anti-padrao comum testado no exame CCA. A decomposicao estreita transforma agentes inteligentes em scripts rigidos, desperdicando a capacidade de raciocinio do modelo.
Conceitos-chave: Over-specification, perda de adaptabilidade, micro-gerenciamento de subagentes, equilibrio entre instrucao clara e autonomia, delegacao de "o que" vs "como".
O que e: O coordenador pode selecionar subagentes dinamicamente com base na tarefa, em vez de usar uma lista fixa. Usando descricoes de AgentDefinition e ferramenta Agent, o modelo decide em runtime qual subagente invocar para cada subtarefa.
Por que aprender: Sistemas reais precisam ser flexiveis. A selecao dinamica permite que o mesmo coordenador use subagentes diferentes conforme o tipo de problema, sem hardcoding de rotas.
Conceitos-chave: AgentDefinition com descricoes claras, roteamento por descricao (nao por if/else), descoberta em runtime, composicao flexivel de subagentes.
1.3
Invocacao de Subagentes
Aprenda a mecanica de como subagentes sao criados, configurados e invocados usando a ferramenta Agent, allowedTools e contexto explicito.
O que e: A ferramenta Agent (anteriormente chamada Task) e o mecanismo built-in do Claude Code para criar subagentes. Ao invoca-la, o coordenador dispara uma nova instancia de Claude com sua propria sessao, instrucoes e conjunto de ferramentas permitidas.
Por que aprender: E a forma padrao de implementar hub-and-spoke no Claude Code. O exame testa como configurar a ferramenta Agent corretamente e quando usa-la versus resolver a tarefa diretamente.
Conceitos-chave: Ferramenta Agent como built-in tool, parametro prompt com instrucoes, sessao independente, resultado retornado como tool_result ao coordenador.
O que e: O parametro allowedTools restringe quais ferramentas um subagente pode usar. Em vez de dar acesso a todas as ferramentas, voce especifica apenas as necessarias para a subtarefa, seguindo o principio de menor privilegio.
Por que aprender: Restringir ferramentas melhora a precisao (menos opcoes = melhores decisoes) e a seguranca (subagente nao acessa recursos desnecessarios). E uma best practice testada no exame.
Conceitos-chave: allowedTools como lista de ferramentas permitidas, principio de menor privilegio, 4-5 ferramentas ideais por subagente, restricao melhora precisao e seguranca.
O que e: Como subagentes nao herdam o historico do coordenador, todo contexto necessario deve ser passado explicitamente no prompt de invocacao. Isso inclui dados relevantes, restricoes, formato de saida esperado e qualquer informacao de background necessaria.
Por que aprender: E o erro mais comum em sistemas hub-and-spoke: assumir que o subagente "sabe" algo que so existe no contexto do coordenador. Contexto explicito e obrigatorio para resultados corretos.
Conceitos-chave: Prompt auto-contido, sem heranca implicita de contexto, passagem de dados necessarios, formato de saida especificado, redundancia intencional.
O que e: AgentDefinition e a estrutura de configuracao que define um subagente no Agent SDK. Inclui nome, descricao, instrucoes (system prompt), ferramentas permitidas e outras opcoes como modelo e temperatura.
Por que aprender: Configurar AgentDefinitions corretamente e essencial para construir sistemas multi-agente robustos. A descricao e usada pelo coordenador para decidir quando delegar a cada subagente.
Conceitos-chave: Campos name, description, instructions, allowedTools; descricao como "label" para roteamento; instrucoes como system prompt do subagente.
O que e: fork_session cria uma copia da sessao atual como ponto de partida para um subagente, preservando o historico acumulado. Diferentemente de uma sessao nova, o subagente herda o contexto existente e pode continuar de onde a sessao original parou.
Por que aprender: fork_session e util quando o subagente precisa do contexto completo da conversa para executar sua tarefa, como em exploracoes experimentais onde voce quer testar abordagens diferentes sem poluir a sessao principal.
Conceitos-chave: Fork como copia do estado atual, exploracao sem risco, sessao derivada independente, util para tentativa-e-erro, custos de contexto duplicado.
O que e: O coordenador pode invocar multiplos subagentes simultaneamente quando as subtarefas sao independentes. Isso reduz a latencia total, pois os subagentes executam em paralelo em vez de sequencialmente.
Por que aprender: Paralelismo e uma otimizacao fundamental em sistemas multi-agente. O exame testa quando e seguro paralelizar (subtarefas independentes) versus quando a execucao sequencial e necessaria (dependencias entre subtarefas).
Conceitos-chave: Invocacao paralela de ferramentas Agent, independencia entre subtarefas como pre-requisito, reducao de latencia, coordenador aguarda todos os resultados antes de sintetizar.
1.4
Imposicao e Padroes de Handoff
Aprenda a diferenca critica entre pedir ao modelo que siga regras (prompts) versus forcar o cumprimento via codigo (imposicao programatica), e como implementar handoffs seguros entre agentes.
O que e: Imposicao programatica significa usar codigo (hooks, validacao, filtros) para garantir que regras sejam cumpridas, em vez de confiar apenas em instrucoes no prompt. Prompts sao "pedidos" — o modelo pode nao segui-los 100%. Codigo e "imposicao" — a regra e cumprida matematicamente.
Por que aprender: Esta e a regra de ouro #1 do CCA: para compliance 100%, use imposicao programatica. O exame testa repetidamente cenarios onde prompts nao sao suficientes e a solucao correta envolve hooks ou validacao no codigo.
Conceitos-chave: Prompts como orientacao (best-effort), hooks como imposicao (garantia), compliance requer imposicao, combinacao de ambos para defesa em profundidade.
O que e: Hooks deterministicos sao funcoes de codigo que executam automaticamente em pontos especificos do loop agentico (antes/depois de usar ferramentas, antes/depois de cada turno). Eles produzem o mesmo resultado para a mesma entrada, sem variancia probabilistica.
Por que aprender: Hooks sao a ferramenta principal para adicionar garantias em sistemas agenticos. Diferentemente de instrucoes no prompt, hooks executam com 100% de confiabilidade e sao auditaveis.
Conceitos-chave: Execucao garantida, sem variancia, auditabilidade, pontos de interceptacao (PreToolUse, PostToolUse), logica de codigo convencional.
O que e: Um caso de uso classico de imposicao programatica: em sistemas financeiros, regras como "toda transacao acima de $10k requer aprovacao humana" devem ser implementadas via hooks que bloqueiam a acao, nao via instrucoes no prompt que o modelo pode ignorar.
Por que aprender: O exame CCA usa cenarios de compliance financeira para testar se voce sabe quando prompts sao insuficientes. A resposta correta quase sempre envolve hooks ou validacao programatica.
Conceitos-chave: Limites de transacao via hooks, aprovacao humana obrigatoria, audit trail automatico, bloqueio antes da execucao (PreToolUse), compliance regulatoria.
O que e: Protocolos de handoff definem como um agente transfere controle para outro. Inclui quais informacoes sao passadas, em qual formato, e como o agente receptor confirma que recebeu e entendeu o contexto necessario para continuar a tarefa.
Por que aprender: Handoffs mal implementados causam perda de contexto, trabalho duplicado e respostas inconsistentes. Definir protocolos claros e essencial para sistemas multi-agente confiaveis.
Conceitos-chave: Formato de handoff padronizado, resumo do trabalho feito, dados pendentes, restricoes ativas, confirmacao de recebimento pelo receptor.
O que e: Quando uma requisicao do usuario envolve multiplas preocupacoes (ex: "refatore este codigo e adicione testes e atualize a documentacao"), o coordenador deve decompor em subtarefas separadas e rotear cada uma para o subagente ou abordagem adequada.
Por que aprender: Requisicoes reais raramente sao simples. O exame testa como arquitetos devem lidar com pedidos compostos, decidindo o que paralelizar, o que sequenciar e como garantir consistencia entre os resultados.
Conceitos-chave: Deteccao de multiplas preocupacoes, decomposicao em subtarefas, dependencias entre preocupacoes, sequenciamento vs paralelismo, consistencia no resultado final.
O que e: Gates sao verificacoes programaticas que devem ser satisfeitas antes que um agente possa prosseguir para a proxima etapa. Por exemplo, verificar que testes passam antes de commitar, ou que dados foram validados antes de processar.
Por que aprender: Gates previnem que erros se propaguem em pipelines multi-etapa. Sem gates, um agente pode continuar com dados invalidos, causando falhas em cascata dificeis de diagnosticar.
Conceitos-chave: Verificacoes pre-etapa, bloqueio em caso de falha, feedback sobre o que precisa ser corrigido, gates como hooks PreToolUse, prevencao de propagacao de erros.
1.5
Hooks do Agent SDK
Domine o sistema de hooks do Agent SDK que permite interceptar, validar, transformar e bloquear acoes do agente em pontos criticos do loop agentico.
O que e: PostToolUse hooks executam imediatamente apos uma ferramenta retornar seu resultado, antes que o resultado seja enviado de volta ao modelo. Permitem inspecionar, modificar ou bloquear o resultado da ferramenta.
Por que aprender: PostToolUse e o ponto de interceptacao mais versatil do Agent SDK. Permite normalizar dados, filtrar informacoes sensiveis, validar resultados e ate bloquear execucoes que violam politicas.
Conceitos-chave: Execucao pos-ferramenta, acesso ao resultado original, capacidade de modificar/bloquear, hook sincrono, retorno determina o que o modelo ve.
O que e: Interceptacao e o ato de capturar o resultado de uma ferramenta no hook e decidir o que fazer com ele: deixar passar, modificar (ex: mascarar dados sensiveis), enriquecer com metadados, ou substituir completamente.
Por que aprender: Interceptacao permite criar camadas de protecao sem alterar as ferramentas originais. E o padrao para adicionar seguranca e conformidade em sistemas existentes sem refatorar.
Conceitos-chave: Captura do resultado, decisao pass/modify/block, mascaramento de dados sensiveis (PII), enriquecimento com metadados, transparencia para o modelo.
O que e: Hooks PostToolUse podem normalizar dados retornados por ferramentas para um formato consistente. Por exemplo, converter datas para ISO 8601, padronizar unidades monetarias, ou truncar resultados muito grandes para preservar contexto.
Por que aprender: Dados inconsistentes confundem o modelo e levam a erros em cascata. Normalizar via hooks garante que o modelo sempre receba dados em formato previsivel, melhorando a qualidade das decisoes.
Conceitos-chave: Padronizacao de formatos, truncamento para preservar contexto, conversao de unidades, formato consistente para o modelo, hooks como camada de transformacao.
O que e: Hooks PreToolUse podem bloquear a execucao de uma ferramenta antes que ela aconteca, com base em politicas definidas. Por exemplo, impedir escrita em arquivos de producao, bloquear chamadas de API acima de um limite de custo, ou exigir aprovacao para operacoes destrutivas.
Por que aprender: Bloqueio por politica e a implementacao concreta da "Regra de Ouro #1" (Hooks > Prompts). O exame testa cenarios onde voce deve escolher entre instruir no prompt e bloquear via hook.
Conceitos-chave: PreToolUse para bloqueio preventivo, politicas como funcoes de codigo, mensagem de erro informativa ao modelo, prevencao de acoes destrutivas, audit log automatico.
O que e: Na pratica, a melhor abordagem combina ambos: prompts para guiar o comportamento geral do modelo (tom, estrategia, preferencias) e hooks para impor regras criticas que nao podem ser violadas (seguranca, compliance, limites).
Por que aprender: O exame apresenta cenarios e pergunta qual abordagem usar. Saber quando cada um e adequado e como combina-los e uma competencia central do CCA.
Conceitos-chave: Prompts para preferencias e orientacao, hooks para regras inviolaveis, defesa em profundidade, prompts falham silenciosamente vs hooks falham explicitamente.
O que e: Garantias deterministicas sao propriedades do sistema que valem 100% das vezes, independentemente do que o modelo decide. Sao implementadas via codigo (hooks, validacao, filtros) e podem ser provadas e auditadas, ao contrario de comportamentos baseados em prompts.
Por que aprender: Sistemas de producao precisam de garantias, nao de probabilidades. Saber diferenciar o que e garantido (via codigo) do que e provavel (via prompt) e fundamental para a certificacao.
Conceitos-chave: Deterministico vs probabilistico, auditabilidade, prova de conformidade, cobertura de 100% via codigo, combinacao com monitoramento para deteccao de anomalias.
1.6
Estrategias de Decomposicao
Explore as diferentes estrategias para decompor tarefas complexas em subtarefas gerenciaveis, desde pipelines sequenciais ate planos investigativos adaptativos.
O que e: Prompt chaining e a estrategia mais simples: a saida de um passo e a entrada do proximo, em sequencia linear. Cada etapa tem um prompt especializado e o resultado e passado adiante como contexto para a etapa seguinte.
Por que aprender: Pipelines sequenciais sao ideais para tarefas com etapas bem definidas e dependencias claras (ex: extrair dados, transformar, validar, formatar). O exame testa quando usar chaining vs hub-and-spoke.
Conceitos-chave: Etapas lineares, saida-como-entrada, prompt por etapa, sem paralelismo, ideal para fluxos com dependencias sequenciais, gates entre etapas.
O que e: Na decomposicao adaptativa, o coordenador nao planeja todas as subtarefas antecipadamente. Ele comeca com uma subtarefa, observa o resultado, e decide o proximo passo com base no que aprendeu. O plano evolui durante a execucao.
Por que aprender: Muitas tarefas reais nao podem ser decompostas completamente antecipadamente (ex: debugging, investigacao). A decomposicao adaptativa permite que o sistema se ajuste a descobertas inesperadas.
Conceitos-chave: Planejamento incremental, ajuste baseado em resultados, flexibilidade, loop de feedback, ideal para tarefas exploratias e debugging.
O que e: Padrao de decomposicao onde cada arquivo ou componente e analisado por um subagente separado. E especialmente util para code review, migracao e refatoracao de codebases grandes, onde cada arquivo pode ser processado independentemente.
Por que aprender: Analise por-arquivo permite paralelismo maximo e evita que a janela de contexto estoure com o codebase inteiro. E o padrao recomendado para tarefas que operam sobre muitos arquivos independentemente.
Conceitos-chave: Um subagente por arquivo, paralelismo natural, contexto contido, ideal para review/migracao, coordenador lista arquivos e distribui.
O que e: Apos a analise por-arquivo, uma etapa de integracao cross-file sintetiza os resultados individuais, verificando consistencia entre arquivos (ex: interfaces compatrveis, imports corretos, convencoes uniformes). Geralmente e feita pelo coordenador ou por um subagente dedicado.
Por que aprender: Analise por-arquivo sem integracao gera mudancas inconsistentes. A etapa cross-file e essencial para garantir que o resultado final e coerente como um todo, nao apenas correto arquivo-por-arquivo.
Conceitos-chave: Sintese pos-analise, verificacao de consistencia, interfaces entre arquivos, convencoes globais, etapa complementar a analise por-arquivo.
O que e: Planos investigativos sao decomposicoes para tarefas de descoberta, onde o objetivo nao e executar, mas entender. O agente formula hipoteses, coleta evidencias via ferramentas, avalia resultados e refina sua compreensao iterativamente.
Por que aprender: Debugging, auditoria de seguranca e analise de performance sao todos tarefas investigativas. Saber estruturar planos de investigacao para agentes e uma competencia avancada testada no CCA.
Conceitos-chave: Hipotese-evidencia-avaliacao, coleta de dados via ferramentas, refinamento iterativo, divergencia (explorar) e convergencia (concluir), report final estruturado.
O que e: Guia decisorio para selecionar a estrategia de decomposicao correta: pipeline sequencial para fluxos com dependencias lineares, hub-and-spoke para tarefas paralelas, decomposicao adaptativa para problemas exploratiorios, e por-arquivo para operacoes sobre codebases.
Por que aprender: O exame CCA apresenta cenarios e pede para escolher a melhor estrategia de decomposicao. Saber quando cada abordagem e mais adequada e uma competencia central de um arquiteto agentico.
Conceitos-chave: Pipeline para dependencias lineares, hub-and-spoke para paralelismo, adaptativo para exploracao, por-arquivo para codebases, combinacoes hibridas para cenarios complexos.
1.7
Estado de Sessao e Forking
Entenda como gerenciar o estado de sessoes no Claude Code, incluindo sessoes nomeadas, forking para exploracao e estrategias para manter contexto em tarefas longas.
O que e: O Claude Code permite retomar sessoes anteriores com o flag --resume, que restaura todo o historico da conversa. Sessoes podem ser identificadas por ID ou nome, permitindo manter multiplas linhas de trabalho em paralelo.
Por que aprender: Gerenciar sessoes e essencial para tarefas que se estendem por dias ou para manter contexto entre sessoes de trabalho. O exame testa quando retomar uma sessao versus iniciar uma nova.
Conceitos-chave: Flag --resume para retomar, identificacao por session ID, historico persistido, custo de re-processar tokens do historico, --resume vs nova sessao.
O que e: fork_session cria uma ramificacao da sessao atual, permitindo explorar uma abordagem sem comprometer o estado da sessao principal. Se a exploracao falhar, a sessao original permanece intacta. Se tiver sucesso, os resultados podem ser incorporados.
Por que aprender: Forking e uma tecnica poderosa para lidar com incerteza. O exame testa cenarios onde fork_session e a melhor abordagem versus outras alternativas como subagentes ou novas sessoes.
Conceitos-chave: Ramificacao sem risco, exploracao experimental, sessao original preservada, custo de contexto duplicado, merge manual de resultados.
O que e: Decidir entre iniciar uma nova sessao ou retomar uma existente depende de fatores como: o contexto anterior ainda e relevante, a janela esta proxima do limite, a tarefa mudou significativamente, ou o custo de re-processar tokens justifica a continuidade.
Por que aprender: Essa decisao impacta diretamente custo, qualidade e latencia. O exame testa cenarios onde retomar e melhor (contexto necessario) e onde nova sessao e melhor (contexto poluido ou janela cheia).
Conceitos-chave: Relevancia do historico, tamanho da janela de contexto, custo de input tokens, poluicao de contexto, nova sessao com resumo estruturado como alternativa.
O que e: Quando uma sessao fica longa demais, o modelo pode gerar um resumo estruturado do trabalho feito ate o momento. Esse resumo pode ser usado como contexto inicial para uma nova sessao, transferindo o conhecimento essencial sem carregar todo o historico.
Por que aprender: Resumos estruturados sao a ponte entre sessoes. Permitem manter continuidade sem o custo de reprocessar milhares de tokens de historico, sendo uma tecnica essencial para tarefas de longa duracao.
Conceitos-chave: Resumo como "handoff" entre sessoes, formato com decisoes tomadas/pendentes/contexto relevante, compactacao de informacao, perda controlada de detalhes.
O que e: Comparacao entre as estrategias de gerenciamento de sessao: --resume (retomar com historico completo), fork_session (ramificar para explorar), nova sessao com resumo (contexto compactado), e subagente (contexto isolado). Cada uma tem trade-offs de custo, contexto e risco.
Por que aprender: O exame apresenta cenarios complexos e pede para escolher a melhor abordagem de sessao. Entender os trade-offs permite selecionar a estrategia certa para cada situacao.
Conceitos-chave: --resume: maximo contexto, maximo custo; fork: exploracao segura, contexto duplicado; nova sessao: contexto limpo, precisa de resumo; subagente: isolamento total, contexto minimo.
O que e: Quando o estado externo muda entre sessoes (ex: codigo alterado por outros desenvolvedores, nova versao de dependencia, mudanca de requisitos), a sessao retomada precisa ser informada explicitamente sobre essas mudancas para evitar trabalhar com premissas desatualizadas.
Por que aprender: Sessoes nao detectam mudancas externas automaticamente. Sem informar o contexto atualizado, o agente toma decisoes baseadas em estado obsoleto, gerando erros silenciosos e resultados incorretos.
Conceitos-chave: Estado externo vs estado da sessao, notificacao explicita de mudancas, diff como contexto de atualizacao, re-leitura de arquivos alterados, CLAUDE.md como fonte de verdade persistente.