Roteiro de 14 etapas organizado pelos engenheiros da Anthropic, com uma arquitetura de três camadas e um empilhamento de quatro camadas de juros compostos, detalhando como construir um sistema de agentes de autoaperfeiçoamento com juros compostos iterativos em torno do Fable 5; conteúdo extraído de artigos de engenharia e experimentos públicos da equipe.
O experimento Continual Learning Bench da Anthropic mostra que o Fable 5 com memória atinge uma cobertura de verificação de 73%.
Arquitetura de Empilhamento de Quatro Camadas de Juros Compostos: Operação Camada por Camada da Camada Primitiva à Camada de Autoaperfeiçoamento
(Fonte: Anthropic Fable 5)
De acordo com o framework original, o empilhamento de quatro camadas de juros compostos é construído de baixo para cima, com a saída de cada camada fluindo para o topo, sendo então avaliada, destilada e escrita de volta na camada de memória:
· Camada 1 (Primitivas) contém o próprio Fable 5, subagentes, worktrees e ferramentas; é o nível atualmente usado pela maioria dos usuários;
· Camada 2 (Orquestração) usa /goal e Outcomes para loops de autocorreção, workflows dinâmicos para orquestração de múltiplas etapas e Routines para execução de longo prazo na nuvem;
· Camada 3 (Memória) inclui o arquivo de estado (STATE.md), Skills, Bases de Conhecimento e lições destiladas;
· Camada 4 (Autoaperfeiçoamento) inclui autoverificação visual, loops de avaliação e destilação de regras; o agente avalia sua própria saída, refina Skills e escreve lições de volta na memória, fechando o loop.
/goal e Outcomes: Comparação dos Cenários de Uso dos Dois Loops Orientados a Objetivos
De acordo com os documentos de engenharia da Anthropic, /goal (Claude Code) e Outcomes (Claude Managed Agents) compartilham a mesma forma central: um avaliador independente verifica o trabalho; uma decisão de "não atingiu a meta" inicia a próxima iteração; quando o avaliador aprova, o loop sai.
As regras de seleção para ambos são as seguintes:
· /goal é adequado para tarefas executadas localmente, dentro de uma sessão, com um estado final mensurável (como debug de código, refinamento de um único arquivo), usando objetivos em texto puro e um modelo avaliador;
· Outcomes é adequado para tarefas que precisam ser executadas na infraestrutura hospedada da Anthropic por horas ou dias (como treinamento de ML, migrações longas), usando critérios de avaliação baseados em arquivos, avaliadores subagentes e um limite máximo de max_iterations.
Princípio estrutural chave compartilhado por ambos: o agente que escreve o código não é o agente que avalia.
Experimento Continual Learning Bench: Cobertura de Verificação de Memória do Fable 5 de 73%
De acordo com o experimento Continual Learning Bench 1.0 da Anthropic, a progressão de memória em cinco estágios (Fail → Investigate → Verify → Distill → Consult) apresenta as seguintes diferenças de desempenho entre os modelos:
Sonnet 4.6: Sai no estágio 1, a memória consiste apenas em notas de falha e suposições não resolvidas, raramente consulta anotações anteriores, a memória não acumula juros compostos.
Opus 4.7: Sai no estágio 3, cria documentos de referência com anotações de incerteza, cobertura de verificação de 7-33% (mediana cerca de 17%).
Fable 5: Tende a completar toda a progressão de cinco estágios; na execução mais forte, atinge 73% de cobertura de verificação (22 em 30 questões) e destila o aprendizado em regras gerais aplicáveis a tarefas futuras.
Além disso, no experimento Parameter Golf, o Fable 5 com um verificador independente explorou mudanças maiores no nível da arquitetura e atravessou resultados intermediários negativos, alcançando no final cerca de seis vezes mais melhorias que o Opus 4.7.
Progressão de Memória em Cinco Estágios e Arquitetura do Arquivo de Estado: As Cinco Seções Estruturais do STATE.md
De acordo com os documentos de engenharia da Anthropic, as cinco seções do arquivo de estado (STATE.md) correspondem aos cinco estágios de memória: Verified facts (fatos que não são mais suposições, saída do estágio 3), General rules (regras destiladas que vão além de casos específicos, saída do estágio 4), Open failures (trabalho em andamento dos estágios 1-2), Lessons learned (mais saída do estágio 4), Last session (indicador de continuação do estágio 5).
Os dados do Continual Learning Bench mostram que, se o STATE.md e as Skills relacionadas não forem lidos no início de cada sessão de trabalho, até mesmo o Fable 5 apresentará comportamento de memória no nível do Sonnet.
As Skills são armazenadas em ~/.claude/skills/, acessíveis entre projetos, e são o veículo de acúmulo de longo prazo da memória processual; cada lição confirmada deve ser escrita em uma Skill, não apenas no STATE.md.
Classificador de Segurança e Roteamento de Custos do Fable 5: Backup para Opus 4.8 em Domínios de Alto Risco, Custos Roteados por Complexidade da Tarefa
De acordo com os documentos de engenharia da Anthropic, o Fable 5 possui um classificador de segurança integrado que recusa responder e faz backup automaticamente para o Opus 4.8 em áreas como pesquisa de vulnerabilidades de segurança, biologia, química e destilação de modelos; seu system card de 319 páginas documenta o escopo completo do classificador, e alguns comportamentos de degradação foram encontrados profundamente enterrados nos documentos após o lançamento em junho de 2026.
O padrão de roteamento de custos realmente usado pelos engenheiros da Anthropic é: Fable 5 atua como orquestrador (planejamento entre dias, delegação de subagentes, verificação visual); Opus 4.8 lida com subtarefas difíceis, mas delimitadas (decisões de arquitetura, debug complexo) e como backup para bloqueios do classificador; Sonnet 4.6 lida com tarefas de alto volume (lint, refatoração simples, atualizações de documentos); Haiku 4.5 atua como subagente avaliador e classificador de baixo custo.
Perguntas Frequentes
Qual a diferença entre "autoaperfeiçoamento" e "autoaprendizado" do Fable 5?
De acordo com os documentos de engenharia da Anthropic, autoaprendizado significa que o modelo atualiza seus próprios pesos com base no que aprendeu; o Fable 5 não faz isso, e os modelos publicamente disponíveis atualmente também não implementam essa capacidade em produção. Autoaperfeiçoamento significa que o sistema ao redor do modelo acumula juros compostos a cada execução: a memória acumula fatos verificados, as Skills se tornam mais afiadas com a adição de casos extremos, os loops de avaliação refinam os prompts; o modelo em si não muda, mas o ambiente de execução se torna mais afiado.
O que são Routines e quando serão lançadas?
De acordo com os documentos de engenharia da Anthropic, Routines são configurações salvas do Claude Code (prompts, repositórios, conectores, permissões) que são executadas na infraestrutura em nuvem hospedada pela Anthropic quando as condições de gatilho são atendidas, mesmo que a máquina local esteja desligada; Routines foram lançadas em 14 de abril de 2026 como visualização de pesquisa, suportando três tipos de gatilho: programado, via API e por eventos do GitHub.
Por que subagentes verificadores independentes são melhores que autocrítica?
De acordo com a postagem do blog de engenharia do engenheiro da Anthropic Prithvi Rajasekaran e os dados de lançamento do Fable 5, quando um modelo avalia sua própria saída, ele vê seu próprio rastro de raciocínio e tende a conclusões consistentes com o que escreveu anteriormente; um outro agente vê apenas a saída e os critérios de avaliação, e o verificador não tem interesse no jogo do criador, podendo explorar um espaço de hipóteses maior e se recuperar de resultados intermediários negativos.
