De onde isso veio: os módulos 1.1 a 1.6 seguiram o vídeo que deu origem ao curso, com backup na doc oficial "Prompting Claude Fable 5". Este módulo é diferente: não estava no vídeo. É o resultado de vasculhar a documentação atrás de mais uma pergunta: "o Fable 5 é feito pra sessões longas e autônomas — o que mais dá pra fazer com ele além das 6 técnicas já vistas?" As respostas viraram os 5 tópicos abaixo, fechando com um checklist que junta tudo.
Delegação assíncrona a subagents
Imagine assim: você é o gerente de um projeto. Em vez de fazer cada subtarefa sozinho, você distribui pedaços independentes para assistentes — subagents — e continua trabalhando enquanto eles resolvem a parte deles, só intervindo se algum perder o rumo.
Fable 5 foi treinado para trabalhar em horizontes longos e autônomos — e isso muda como ele lida com paralelismo. Ele despacha subagents com mais frequência que os modelos anteriores, porque consegue confiar neles com subtarefas maiores sem precisar supervisionar cada passo de perto.
A mudança de comportamento que a Anthropic recomenda é sutil, mas importante: prefira comunicação assíncrona entre orquestrador e subagents — dispare e continue — em vez de bloquear esperando cada um retornar. E, quando possível, use subagents de vida longa que mantêm contexto entre subtarefas: isso economiza tempo e custo via cache.
O orquestrador despacha e não fica travado: continua enquanto os subagents processam em paralelo e devolvem o resultado quando prontos.
Despacha
O orquestrador identifica subtarefas independentes e dispara um subagent por subtarefa, passando o contexto necessário.
Trabalha em paralelo
Cada subagent processa sua subtarefa sem bloquear o orquestrador — não há espera sequencial de um por vez.
Orquestrador continua
Enquanto os subagents rodam, o orquestrador segue monitorando ou avançando em outras partes da tarefa.
Intervém se preciso
Se um subagent sair do rumo ou estiver sem contexto relevante, o orquestrador corrige ou complementa antes que o erro se propague.
Recebe e incorpora
O resultado de cada subagent volta ao orquestrador. Subagents de vida longa mantêm contexto entre subtarefas, economizando tempo e custo via cache.
Delegate independent subtasks to subagents and keep working while they run. Intervene if a subagent goes off track or is missing relevant context.
Delegue subtarefas independentes a subagents e continue trabalhando enquanto elas rodam. Intervenha se um subagent sair do rumo ou estiver sem o contexto necessário.
Objetivo: ensinar o Fable 5 a paralelizar de verdade — despachar e seguir em frente — em vez de tratar subagents como chamadas bloqueantes.
Como verificar: cole no CLAUDE.md ou system prompt e peça algo com 3+ subtarefas independentes reais (ex.: "revise os módulos 1.2, 1.3 e 1.4 em busca de erros de digitação, em paralelo"). No transcript, confira se ele dispara múltiplos subagents e segue monitorando enquanto eles processam, em vez de esperar um de cada vez.
📄 Contexto oficial
EN: "Claude Fable 5 dispatches parallel subagents more readily than prior models... prefer asynchronous communication between orchestrator and subagents over blocking until each subagent returns. Long-lived subagents that keep their context across subtasks save time and cost through cache reads."
PT-BR: "O Claude Fable 5 despacha subagents em paralelo com mais disposição do que os modelos anteriores... prefira comunicação assíncrona entre orquestrador e subagents em vez de bloquear a espera do retorno de cada um. Subagents de vida longa, que mantêm o contexto entre subtarefas, economizam tempo e custo por meio de leituras de cache."
Em 1 frase: despache subtarefas independentes a subagents e continue — bloquear esperando cada retorno desperdiça exatamente a vantagem que o paralelismo te dá.
Sistema de memória em arquivo
Imagine assim: você não fica recontando pro seu sucessor de plantão tudo que aprendeu no dia. Você escreve um bilhete na geladeira. Sistema de memória em arquivo é isso: uma lição, um bilhete, uma vez só — e o próximo turno lê antes de repetir o erro.
Sessões longas e projetos que atravessam vários dias esbarram num limite óbvio: o contexto de uma sessão não sobrevive ao fim dela. A saída recomendada é externalizar o aprendizado em arquivos de memória — notas curtas que sessões futuras podem ler antes de agir, em vez de redescobrir a mesma lição do zero.
A regra de ouro é um arquivo por lição, com um resumo de uma linha logo no topo — pensado pra ser escaneável antes de ser lido por inteiro. Correções e abordagens confirmadas entram do mesmo jeito, sempre junto do "por quê" — sem o motivo, a nota vira um fato solto que ninguém sabe se ainda vale.
A nota é o elo entre sessões: quem grava não é quem lê. Uma sessão futura só evita repetir o erro se a nota existir, for específica e continuar correta.
Store one lesson per file with a one-line summary at the top. Record corrections and confirmed approaches alike, including why they mattered. Don't save what the repo or chat history already records; update an existing note rather than creating a duplicate; delete notes that turn out to be wrong.
Guarde uma lição por arquivo, com um resumo de uma linha no topo. Registre tanto correções quanto abordagens confirmadas, incluindo por que elas importaram. Não salve o que o repositório ou o histórico de conversas já registra; atualize uma nota existente em vez de criar uma duplicata; apague notas que se mostrarem erradas.
Objetivo: transformar lições de uma sessão em notas que sessões futuras conseguem consultar sem reler todo o histórico.
Como verificar: cole no CLAUDE.md ou system prompt, trabalhe algumas sessões de verdade e confira a pasta de memória: deve haver um arquivo por lição, cada um com resumo de uma linha no topo, sem duplicar o que já está no código ou no histórico da conversa.
Bootstrap a partir do histórico existente
Se você já tem sessões antigas e nenhuma memória organizada ainda, não precisa começar do zero anotando manualmente — peça ao próprio Fable 5 para minerar o histórico.
Reflect on the previous sessions we've had together. Use subagents to identify core themes and lessons, and store them in [X]. Make sure you know to reference [X] for future use.
[X] pela sua pasta de memóriaReflita sobre as sessões anteriores que tivemos juntos. Use subagents para identificar temas e lições centrais, e guarde-os em <X>. Garanta que você saiba referenciar <X> para uso futuro.
Objetivo: destilar meses de sessões dispersas num punhado de notas de memória reaproveitáveis, de uma vez só.
Como verificar: rode esse prompt uma única vez apontando [X] pra sua pasta de memória (ex.: .claude/memory/); confira se arquivos novos aparecem resumindo temas recorrentes das sessões passadas, e se sessões seguintes citam esses arquivos quando relevante.
💡 Dica prática
Não duplique o que já está no repositório ou no histórico da conversa. Se o código ou o chat já registram aquilo, memória extra só cria ruído e desatualização — anote só o que não está registrado em nenhum outro lugar: a lição, a razão, a correção.
Em 1 frase: uma lição por arquivo, resumo de uma linha no topo, atualize em vez de duplicar, apague o que ficou errado.
A ferramenta send_to_user
send_to_user é uma tool client-side: quando o modelo a chama, a interface exibe o texto do input exatamente como foi escrito — palavra por palavra, nunca resumido ou reescrito por cima — e o turno não termina. O modelo continua trabalhando logo depois de chamá-la.
Isso resolve um problema comum em agentes longos: o usuário só vê o resumo final, comprimido, depois de tudo pronto. Com send_to_user, dá pra mandar informação específica no meio do caminho, sem esperar o turno acabar.
✓ Use send_to_user quando
- ✓Há um deliverable parcial pronto, mas o trabalho continua.
- ✓Você quer dar um update de progresso com números específicos (ex.: "processei 340 de 1.200 registros").
- ✓O usuário fez uma pergunta no meio do loop e ela merece resposta direta, agora.
✗ Não conte com ela se
- ✗É só "pensar em voz alta" — isso é raciocínio de turno, não deliverable pro usuário.
- ✗O turno já está terminando de qualquer forma — aí o resumo final já resolve.
- ✗Você só definiu a tool na API, sem dizer no system prompt quando chamá-la.
💡 Dica prática
Definir a tool send_to_user na API não é suficiente. Sem uma instrução explícita no system prompt dizendo QUANDO chamá-la — deliverable parcial, update com números, resposta a pergunta no meio do loop — o modelo tende a guardar tudo pro resumo final, e a tool nunca dispara sozinha.
Chame send_to_user sempre que tiver um deliverable parcial, um número concreto de progresso, ou a resposta direta a uma pergunta feita no meio da tarefa. Não espere o resumo final para reportar essas coisas.
Em 1 frase: send_to_user manda o que está pronto agora, sem esperar o turno acabar — mas só se você disser explicitamente quando usá-la.
Early stopping raro em sessões longas
Em sessões longas e autônomas, o Fable 5 pode — ocasionalmente — terminar um turno só com uma intenção em texto ("vou rodar os testes de integração agora") sem de fato chamar a ferramenta que faria isso acontecer. É raro, mas em pipelines autônomos sem ninguém olhando, esse turno solto pode passar despercebido.
A boa notícia é que a mitigação é simples: um "continue" resolve o problema na hora, de forma interativa. Em pipelines sem humano no loop, reforçar explicitamente no system prompt quando é apropriado parar versus quando é apropriado agir reduz a chance de isso acontecer de novo.
✗ Sinal fraco (não conta como progresso)
— turno termina aqui, nenhuma tool foi chamada —
Parece progresso, mas nada de verificável aconteceu ainda.
✓ Ação real (conta como progresso)
→ tool de fato executada, resultado no transcript —
Só isso é uma evidência que pode ser auditada depois (ver módulo 1.4).
⚠️ Atenção
Isso é raro, não um padrão de comportamento — mas em automações sem humano observando (overnight, pipelines de CI, agentes agendados), um turno de "intenção sem ação" pode ficar sem correção por horas. Reforce a distinção parar/agir no system prompt de qualquer pipeline autônomo.
Em 1 frase: se o turno terminou só com uma promessa em texto, "continue" resolve na hora; em automação sem humano, reforce explicitamente quando parar vs. quando agir.
Refatorar skills e prompts antigos
Se você migrou skills, CLAUDE.md ou system prompts calibrados para modelos anteriores, vale revisar antes de assumir que "mais instrução é sempre mais seguro". O comportamento default do Fable 5 já é forte o bastante pra que instruções antigas, pensadas pra compensar limitações que ele não tem mais, acabem atrapalhando em vez de ajudar.
Skills developed for prior models are often too prescriptive for Claude Fable 5 and can degrade output quality. Review and consider removing older instructions if default performance is better.
Skills desenvolvidas para modelos anteriores costumam ser prescritivas demais para o Claude Fable 5 e podem piorar a qualidade do resultado. Revise e considere remover instruções antigas se o comportamento padrão já for melhor.
✗ Skill da era Opus
- - Passo a passo minucioso pra tudo, até o óbvio
- - "Sempre explique seu raciocínio antes de agir"
- - Microgerenciamento de estilo/formatação
- - Tarefas calibradas "no seguro" pra não errar
✓ Ajustada pro Fable 5
- - Remove instrução redundante; confia no default
- - Pede reasoning estruturado via adaptive thinking, não em texto (ver módulo 1.2)
- - Delega estilo/formatação, foca no objetivo
- - Testa tarefas no topo da faixa de dificuldade
💡 Dica prática
"Start at the top of your difficulty range" (comece no topo da sua faixa de dificuldade) — dê ao Fable 5 tarefas mais difíceis do que você daria a um modelo anterior antes de decidir que ele "não consegue". Calibrar baixo demais é o erro mais comum de quem está migrando.
Em tarefas longas, autoavaliação sozinha tem um ponto cego óbvio: o mesmo contexto que cometeu o erro é quem audita o erro. Por isso vale estabelecer um intervalo de checagem e, nesse intervalo, disparar um subagent com contexto novo pra verificar o trabalho contra a especificação — não só reler o que já foi feito.
Establish a method for checking your own work at an interval of [X] as you build. Run this every [X interval], verifying your work with subagents against the specification.
[X] pelo seu intervaloEstabeleça um método para checar seu próprio trabalho a um intervalo de <X> conforme você constrói. Rode isso a cada <intervalo X>, verificando seu trabalho com subagents contra a especificação.
Objetivo: pegar desvios cedo em tarefas longas, com um verificador que não herda o ponto cego de quem construiu.
Como verificar: cole substituindo [X] pelo seu intervalo (ex.: "a cada 3 arquivos editados" ou "a cada 30 minutos" numa tarefa longa); observe se, ao cruzar esse intervalo, ele de fato pausa e despacha um subagent fresco de verificação contra a spec, em vez de só se autoavaliar no mesmo contexto.
📄 Contexto oficial
EN: "Separate, fresh-context verifier subagents tend to outperform self-critique."
PT-BR: "Subagents verificadores separados, com contexto novo, tendem a superar a autoavaliação."
Em 1 frase: revise instruções antigas demais, comece no topo da faixa de dificuldade, e verifique tarefas longas com subagent fresco em intervalos fixos.
Checklist rápido
Um cheat sheet denso, pra guardar: junta as 6 técnicas do vídeo (módulos 1.2 a 1.5), esforço e segurança (módulo 1.6) e as 5 deste bônus (módulo 1.7). Cole no seu CLAUDE.md se quiser levar isso pra dentro do dia a dia.
CHEAT SHEET — Prompting Claude Fable 5 (módulos 1.2–1.7) [1.2] Dê o porquê — contexto de intenção antes da tarefa [1.2] Não peça pra mostrar o raciocínio (evita a recusa reasoning_extraction) [1.3] Negative prompting — diga o que NÃO fazer, sem refactor/limpeza não pedidos [1.4] Deixe agir quando já tem informação suficiente; pause só pro que só o humano decide [1.4] Prove que terminou — audite cada alegação contra evidência de ferramenta [1.5] Diga menos, não mais — lidere com o resultado, corte o que não muda a próxima ação [1.6] Calibre o esforço (low/medium/high/xhigh/max) — baixo no Fable 5 ainda rende bem [1.6] Trate stop_reason:"refusal" como HTTP 200, não como erro; configure fallback pro Opus [1.7] Delegue subtarefas independentes a subagents; prefira comunicação assíncrona [1.7] Guarde memória em arquivo — uma lição por arquivo, resumo de 1 linha no topo [1.7] send_to_user pra deliverable parcial/update com números — só com instrução explícita [1.7] "Continue" resolve o early stopping raro; reforce quando parar vs. quando agir [1.7] Refatore skills antigas — comece no topo da dificuldade; verifique com subagent fresco
Em 1 frase: 11 técnicas, 1 cheat sheet — cole no CLAUDE.md e revise antes de começar uma sessão longa com o Fable 5.
🎓 Resumo do Módulo
Isso conclui o curso:
Você passou pelas 7 partes de "Prompting Claude Fable 5" — do contexto do lançamento às técnicas de prompting, esforço, segurança e, agora, os extras de sessões longas. Volte ao checklist do tópico 6 sempre que for começar uma sessão longa com o Fable 5.