Anthropic

Definição

Anthropic é uma empresa de segurança em IA e provedora de modelos fundada em 2021 por ex-pesquisadores da OpenAI. Sua tese central é que construir modelos de IA capazes e resolver o problema de alinhamento são objetivos inseparáveis — a empresa persegue capacidades de ponta junto com pesquisas de segurança como Constitutional AI, interpretabilidade e compreensão mecanística dos internos do modelo. O produto comercial dessa pesquisa é a família de modelos Claude, disponível por meio da API da Anthropic e produtos empresariais.

A linha de modelos Claude segue uma convenção de nomenclatura de três níveis que reflete os compromissos entre capacidade e custo: Opus (maior qualidade, raciocínio complexo), Sonnet (qualidade e velocidade equilibradas) e Haiku (mais rápido e econômico). A partir de 2025, a geração atual é o Claude 3.7 Sonnet — o modelo carro-chefe com capacidades de pensamento estendido — juntamente com Claude 3 Opus, Claude 3.5 Sonnet e Claude 3.5 Haiku. Todos os modelos Claude 3+ suportam entrada de imagens, e toda a família é projetada em torno de uma janela de contexto de 200K tokens que pode processar livros, grandes bases de código e longos históricos de conversação sem truncamento.

De uma perspectiva de plataforma, a API da Anthropic é centrada na Messages API — uma interface limpa e de propósito específico para conversas de múltiplos turnos. A plataforma inclui uso de ferramentas (o termo da Anthropic para chamadas de função), pensamento estendido (raciocínio de cadeia de pensamento visível), cache de prompts (reduz custos e latência para contextos repetidos grandes) e processamento em lote. O SDK Python (anthropic) e o SDK TypeScript são as principais bibliotecas cliente. Os modelos Claude também estão disponíveis por meio do Amazon Bedrock, Google Cloud Vertex AI e contratos empresariais com opções de residência de dados.

Como funciona

Messages API

A Messages API (POST /v1/messages) é a interface principal da Anthropic. Ao contrário de algumas APIs que usam uma string prompt plana, a Messages API é orientada a conversação: você envia um array messages de turnos alternados user e assistant, com um parâmetro system opcional para contexto e persona. O modelo retorna um objeto Message contendo uma lista content — blocos de texto por padrão, blocos de uso de ferramentas quando o modelo decide chamar uma ferramenta. Streaming é suportado e recomendado para uso interativo; o SDK fornece tanto auxiliares de streaming quanto acesso SSE bruto.

Uso de ferramentas

O uso de ferramentas permite ao Claude chamar funções externas emitindo blocos de conteúdo tool_use estruturados. Você declara ferramentas como esquemas JSON no parâmetro tools. Quando o Claude decide que uma ferramenta é necessária, a resposta contém um bloco tool_use com o nome da ferramenta e a entrada; seu código executa a função e retorna um tool_result no próximo turno de usuário. O Claude então usa o resultado para completar sua resposta. Esse padrão habilita agentes, ambientes de execução de código, consultas de banco de dados e integrações de API sem que o modelo precise de acesso direto a qualquer sistema.

Pensamento estendido

O pensamento estendido é um modo disponível no Claude 3.7 Sonnet que permite ao modelo raciocinar extensamente antes de produzir sua resposta final. Quando você define thinking: {type: "enabled", budget_tokens: N}, o modelo emite blocos de conteúdo thinking contendo seu rascunho interno — similar à cadeia de pensamento, mas nativo e estruturado. O pensamento estendido melhora significativamente o desempenho em competições de matemática, código complexo, raciocínio de múltiplos passos e tarefas que requerem análise cuidadosa passo a passo. Os tokens de pensamento contam para o orçamento de tokens, mas são visíveis na resposta, dando transparência sobre como o modelo chegou à sua resposta.

Cache de prompts

O cache de prompts reduz drasticamente o custo e a latência para cargas de trabalho que usam repetidamente grandes prompts de sistema ou contextos de documentos. Você marca seções de prefixo de sua requisição com cache_control: {type: "ephemeral"}. Na primeira chamada, a Anthropic armazena em cache o prefixo do prompt em sua infraestrutura; chamadas subsequentes que correspondem ao prefixo são servidas do cache com 90% menos custo de tokens de entrada e tempo até o primeiro token significativamente reduzido. Isso é especialmente valioso para pipelines de RAG (contexto grande passado com cada consulta), loops de agentes (grandes prompts de sistema repetidos a cada turno) e processamento em lote de documentos.

Contexto longo (200K tokens)

Todos os modelos Claude 3 e posteriores suportam uma janela de contexto de 200K tokens — equivalente a aproximadamente 150.000 palavras ou ~500 páginas de texto. O contexto longo permite que bases de código inteiras, documentos legais, artigos de pesquisa ou históricos completos de conversação sejam processados em uma única chamada sem fragmentação. A pesquisa da Anthropic sobre desempenho em contexto longo (avaliações de "agulha no palheiro") mostra que o Claude mantém forte precisão de recuperação em toda a faixa de 200K, tornando-o confiável para perguntas e respostas sobre documentos, análise de contratos e revisão de código em grandes repositórios. Este é um dos diferenciadores mais claros da Anthropic em relação à janela de 128K do GPT-4o.

Quando usar / Quando NÃO usar

Usar Anthropic quando	Evitar ou considerar alternativas quando
Você precisa de uma janela de contexto de 200K para processar documentos longos, bases de código ou conversas estendidas sem fragmentação	Sua carga de trabalho requer geração de imagens, transcrição de áudio ou texto para fala — Claude é somente texto/visão; OpenAI cobre áudio
Restrições de segurança e comportamento de rejeição previsível são críticos (conformidade, saúde, finanças)	Você precisa de modelos de pesos abertos para auto-hospedagem, ajuste fino ou residência de dados — Anthropic não oferece opção de pesos abertos
Você quer pensamento estendido para tarefas de raciocínio profundo (matemática, código complexo, análise de múltiplos passos)	Seu caso de uso principal é a geração de embeddings em alto volume — Anthropic não oferece uma API de embeddings
O cache de prompts reduzirá significativamente os custos (contextos repetidos grandes, prompts de sistema de agentes)	Você depende fortemente de ferramentas específicas da OpenAI (Assistants API, DALL-E, Whisper) que não têm equivalente na Anthropic
Você está construindo fluxos de trabalho de uso de ferramentas ou uso de computador e quer um modelo bem calibrado para saídas estruturadas	Você precisa do menor custo absoluto por token em escala — Claude Haiku compete em preço, mas GPT-4o-mini e modelos abertos são mais baratos

Comparações

Critério	Anthropic	OpenAI	Google Gemini
Modelo carro-chefe	Claude 3.7 Sonnet	GPT-4o	Gemini 2.5 Pro
Janela de contexto	200K (todos Claude 3+)	128K (GPT-4o)	Até 1M (Gemini 1.5 Pro)
Raciocínio / pensamento	Pensamento estendido (CoT nativo)	Série o1, o3	Pensamento Gemini 2.5 Pro
Entrada multimodal	Texto, imagem	Texto, imagem, áudio, vídeo	Texto, imagem, áudio, vídeo
Áudio / fala	Não	Sim (Whisper, TTS)	Sim (Gemini)
Geração de imagens	Não	Sim (DALL-E 3)	Sim (Imagen)
API de embeddings	Não	Sim	Sim
Pesos abertos	Não	Não	Gemma (parcial)
Cache de prompts	Sim (nativo, 90% de desconto)	Cache de contexto (limitado)	Sim (Gemini)
Uso de ferramentas / chamada de função	Maduro, suporte a computer use	Maduro, amplamente adotado	Maduro
Filosofia de segurança	Constitutional AI, ajustado para rejeições	API de moderação, política de uso	Diretrizes de IA responsável
Opções de residência de dados	Contrato empresarial	Contrato empresarial	Regiões do Google Cloud

Prós e contras

Prós	Contras
Janela de contexto de 200K em todos os modelos — melhor da categoria para documentos longos	Sem APIs de áudio, fala ou geração de imagens
O pensamento estendido oferece cadeia de pensamento transparente para tarefas de raciocínio difícil	Sem API de embeddings — você precisa de um segundo provedor para RAG
O cache de prompts reduz significativamente os custos para contextos grandes repetidos	Modelo fechado sem opção de pesos abertos
Design voltado para segurança com calibração cuidadosa de rejeições e Constitutional AI	Ecossistema menor que a OpenAI — menos tutoriais e integrações de terceiros
Computer use (beta) permite controle agêntico de GUIs de desktop	Os preços podem ser mais altos que GPT-4o-mini ou alternativas de pesos abertos para tarefas simples

Exemplos de código

Messages API — conclusão básica e prompt de sistema

import anthropic

client = anthropic.Anthropic(api_key="sk-ant-...")  # or set ANTHROPIC_API_KEY env var

# Basic message
message = client.messages.create(
    model="claude-3-7-sonnet-20250219",
    max_tokens=1024,
    system="You are a concise technical assistant. Answer in plain English.",
    messages=[
        {"role": "user", "content": "What is the Anthropic Messages API?"}
    ],
)
print(message.content[0].text)

# Multi-turn conversation
messages = [
    {"role": "user", "content": "What is prompt caching?"},
    {"role": "assistant", "content": "Prompt caching stores repeated large context..."},
    {"role": "user", "content": "How much does it save?"},
]
response = client.messages.create(
    model="claude-3-5-haiku-20241022",
    max_tokens=512,
    messages=messages,
)
print(response.content[0].text)

Uso de ferramentas

import json
import anthropic

client = anthropic.Anthropic()

# Define tools as JSON schemas
tools = [
    {
        "name": "search_docs",
        "description": "Search the documentation for a given query and return relevant passages.",
        "input_schema": {
            "type": "object",
            "properties": {
                "query": {"type": "string", "description": "Search query"},
                "max_results": {"type": "integer", "default": 3},
            },
            "required": ["query"],
        },
    }
]

messages = [{"role": "user", "content": "How do I enable prompt caching?"}]

# First call — Claude may request a tool
response = client.messages.create(
    model="claude-3-7-sonnet-20250219",
    max_tokens=1024,
    tools=tools,
    messages=messages,
)

# Process tool calls
if response.stop_reason == "tool_use":
    messages.append({"role": "assistant", "content": response.content})

    tool_results = []
    for block in response.content:
        if block.type == "tool_use":
            # Simulated tool execution
            result = f"Prompt caching docs for '{block.input['query']}': use cache_control param..."
            tool_results.append({
                "type": "tool_result",
                "tool_use_id": block.id,
                "content": result,
            })

    messages.append({"role": "user", "content": tool_results})

    # Final call with tool result
    final = client.messages.create(
        model="claude-3-7-sonnet-20250219",
        max_tokens=1024,
        tools=tools,
        messages=messages,
    )
    print(final.content[0].text)

Pensamento estendido

import anthropic

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-3-7-sonnet-20250219",
    max_tokens=16000,
    thinking={
        "type": "enabled",
        "budget_tokens": 10000,  # tokens allocated for internal reasoning
    },
    messages=[{
        "role": "user",
        "content": (
            "A train leaves city A at 9am traveling at 80 km/h. "
            "Another train leaves city B (320 km away) at 10am traveling at 100 km/h. "
            "At what time do they meet, and how far from city A?"
        ),
    }],
)

for block in response.content:
    if block.type == "thinking":
        print("=== Model's internal reasoning ===")
        print(block.thinking[:500], "...")  # first 500 chars for brevity
    elif block.type == "text":
        print("=== Final answer ===")
        print(block.text)

Cache de prompts para contexto grande repetido

import anthropic

client = anthropic.Anthropic()

# Large document loaded once — cached after first call
large_document = open("contract.txt").read()  # e.g., 50K tokens

response = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    system=[
        {
            "type": "text",
            "text": "You are a legal document analyst. Answer questions based solely on the document provided.",
        },
        {
            "type": "text",
            "text": large_document,
            "cache_control": {"type": "ephemeral"},  # mark for caching
        },
    ],
    messages=[{"role": "user", "content": "What are the termination clauses?"}],
)

print(response.content[0].text)
# usage.cache_creation_input_tokens — tokens cached this call (full price)
# usage.cache_read_input_tokens — tokens served from cache (10% price)
print(response.usage)

Recursos práticos

• Referência da API Anthropic — Documentação completa de endpoints com esquemas de requisição/resposta e referência de parâmetros
• Guia de engenharia de prompts da Anthropic — Melhores práticas oficiais para prompts de sistema, cadeia de pensamento e técnicas específicas de tarefas
• Anthropic Cookbook — Notebooks executáveis cobrindo uso de ferramentas, RAG, multimodal, cache de prompts e agentes
• Visão geral do modelo Claude — IDs de modelos atuais, janelas de contexto, comparação de capacidades e cronograma de descontinuação
• SDK Python da Anthropic no GitHub — Código fonte, changelog, stubs de tipo e guias de migração

Veja também

• Provedores de modelos — Visão geral e comparação de todos os provedores
• Estudo de caso: Claude — Para uma análise mais profunda da arquitetura do modelo e metodologia de treinamento
• OpenAI — GPT-4o, raciocínio da série o, chamada de função, DALL-E, Whisper
• Engenharia de prompts — Técnicas aplicáveis a todos os modelos Claude
• Ferramentas — Claude Code, o agente de codificação de IA da Anthropic
• Agentes — Construção de fluxos de trabalho agênticos com uso de ferramentas do Claude