O manual interno de engenharia de loops da Anthropic acabou de vazar.

E é o guia de IA mais valioso que li este ano.
Este guia está cheio de informações, e há cinco coisas que você precisa saber se quiser maximizar sua produtividade em IA com loops (salve isto):
1. Você deve estruturar cada loop em torno destes 5 princípios:
• Descoberta → Deixe o agente encontrar seu próprio trabalho (falhas de CI, issues, commits)
• Entrega → Dê a cada tarefa sua própria worktree isolada do git
• Verificação → Nunca deixe o gerador avaliar o próprio trabalho
• Persistência → Sempre escreva o estado em disco (markdown ou quadro)
• Agendamento → Execute-o em um temporizador para que funcione enquanto você dorme
2. Separe Gerador de Avaliador (regra mais importante)
Use dois agentes: um escreve, o outro é um juiz cético que assume que o código está quebrado.
Faça o avaliador agir (executar testes, clicar em botões, tirar prints) - isso é o que realmente interrompe a saída ruim.
3. Construa com estas 6 partes:
• Automações (o temporizador)
• Worktrees (paralelismo seguro)
• Habilidades (conhecimento permanente do projeto)
• Conectores (conversar com GitHub, Linear, etc.)
• Subagentes (gerador + avaliador)
• Memória (arquivos de estado que persistem entre execuções)
4. Coisas que você deve observar na engenharia de loops:
• Dívida de verificação (use agentes de verificação)
• Perder o entendimento do seu próprio código-base (recomece do zero se necessário)
• Custos de token explodindo (solução abaixo)
• Rendição cognitiva (não pare de pensar porque "o loop cuida disso")
5. Resolvendo custos de token
A engenharia de loops pode ser extremamente cara.
Recomendo que você use uma abordagem "barbell" 80/20 para engenharia de loops.
Para suas tarefas mais complexas que exigem a melhor inteligência, use modelos caros (Opus).
Para os 80% restantes das suas tarefas (o trabalho braçal), use modelos baratos e de código aberto dentro do harness do Claude Code (GLM-5.2 é ótimo para execução de código).
Salve estas 5 regras para não esquecê-las.