> ## Documentation Index > Fetch the complete documentation index at: https://docs.tess.im/llms.txt > Use this file to discover all available pages before exploring further. # Claude Opus 5.5 > Conheça os avanços do Claude Opus 5.5 em coding agêntico, knowledge work, eficiência, comunicação e segurança. Claude Opus 5.5 é o novo modelo da Anthropic para **coding agêntico, knowledge work e trabalhos complexos de longa duração**. Ele combina desempenho próximo ao Claude Fable 5.1 na maior parte dos trabalhos com uma operação mais rápida e eficiente que o Opus 5. O avanço mais relevante não está apenas em resolver tarefas difíceis. O Opus 5.5 foi desenvolvido para chegar ao resultado com menos etapas, menos tokens e menos retrabalho — mantendo clareza suficiente para que uma pessoa consiga acompanhar, revisar e aprovar a execução. | **Modelo do provider** `claude-opus-5-5` | **Contexto** 1M tokens | **Max output** 128K tokens | **Provider** Anthropic | | :- | :- | :- | :- | | **Entrada** Texto + imagem | **Saída** Texto | **Thinking** Adaptive · sempre ativo | **Effort padrão** Medium | ## O que muda em relação ao Claude Opus 5 O Opus 5.5 utiliza menos computação para entregar resultados mais fortes. Segundo a Anthropic, ele custa cerca de **40% menos em workloads típicos**, gera respostas mais de **30% mais rápido** e comunica decisões de forma mais direta. | | Claude Opus 5 | Claude Opus 5.5 | | - | - | - | | Posicionamento | Coding agêntico e trabalho enterprise | **Coding agêntico e knowledge work de longa duração** | | Contexto / max output | 1M / 128K | 1M / 128K | | Effort padrão | High | **Medium** | | Thinking | Adaptive | **Adaptive, sempre ativo** | | Knowledge cutoff confiável | Maio de 2026 | **Junho de 2026** | ### Mais trabalho concluído com menos reexecução Em testes e relatos de early adopters, o modelo manteve sessões de engenharia por muitas horas, trabalhou em vários repositórios e concluiu migrações extensas com menos chamadas e correções. Um teste citado pela Anthropic concluiu uma migração de **680 mil linhas de código em menos de um dia**. ### Comunicação mais clara O Opus 5.5 coloca a informação principal primeiro, reduz explicações desnecessárias e segue melhor as regras de escrita fornecidas. Isso importa em sessões longas: decisões e mudanças ficam mais fáceis de revisar antes de seguir para a próxima etapa. ### Mais cuidado antes de agir A Anthropic reporta melhora na resistência a prompt injection e menor tendência a executar ações difíceis de reverter ou ultrapassar limites definidos. Esses avanços reduzem risco, mas não substituem aprovação humana para alterações críticas. ## O que os benchmarks mostram Nos resultados publicados pela Anthropic, o Claude Opus 5.5 avança em coding agêntico, uso de computador e trabalho profissional. Os resultados abaixo foram obtidos majoritariamente com adaptive thinking em esforço Max; Terminal-Bench 4.0 utilizou XHigh. | Benchmark | Opus 5 | Opus 5.5 | O que avalia | | - | -: | -: | - | | Terminal-Bench 4.0 | 52,3% | **66,4%** | Tarefas profissionais em terminal | | FrontierCode v1.1 | 48,0% | **54,4%** | Mudanças de código com qualidade de merge | | CursorBench 4.0 | 46,6% | **57,8%** | Coding ambíguo e multiarquivo | | GDPval-AA v2.1 | 1.708 | **1.846** | Trabalho real em diferentes profissões | | Humanity's Last Exam com tools | 63,6% | **67,7%** | Reasoning multidisciplinar | | OSWorld 2.0 | 74,0% | **81,8%** | Uso de computador | | Chartography com tools | 83,4% | **89,0%** | Interpretação visual de gráficos | > [!TIP] > > **O ganho mais importante é a relação entre qualidade e esforço.** No FrontierCode, a Anthropic reporta que o Opus 5.5 em Medium superou o melhor resultado publicado do GPT-6 Astra por aproximadamente um quinto do custo por tarefa. No CursorBench, também superou o Fable 5.1 em Max usando o effort padrão. > [!NOTE] > > Os benchmarks e comparações de custo foram publicados pela própria Anthropic e dependem do harness, das tools, dos safeguards e do effort utilizado. A empresa ressalta que diferenças pequenas entre modelos frontier nem sempre representam a mesma diferença em uso real. Valide no seu fluxo antes de trocar uma configuração em produção. ### Onde ele não lidera O avanço não é uniforme. No AutomationBench, o GPT-6 Astra obteve 41,4%, contra 40,0% do Opus 5.5. No Terminal-Bench-Science 0.1, o Astra também ficou à frente. O Opus 5.5 deve ser escolhido pela combinação de qualidade, eficiência, comunicação e segurança — não pela expectativa de liderar toda avaliação. ## Onde ele gera mais valor ### Uma mudança de software que precisa atravessar vários sistemas O trabalho envolve mapear dependências, editar múltiplos repositórios, executar testes e coordenar etapas durante horas. O Opus 5.5 foi otimizado para manter o plano, delegar subtarefas e reduzir ciclos de correção. **Resultado esperado:** mudança implementada de ponta a ponta, validações executadas e decisões documentadas para revisão. ### Uma análise que precisa virar planilha, documento e apresentação Fontes dispersas precisam ser reunidas, os números precisam ser conferidos e a recomendação deve chegar em um formato pronto para decisão. O modelo combina pesquisa, análise e comunicação mais clara em uma mesma execução. **Resultado esperado:** material executivo consistente, com cálculos rastreáveis, evidências e lacunas explícitas. ### Um agente que trabalha por horas sem perder os limites Em operações de longa duração, capacidade sem controle aumenta risco. O Opus 5.5 melhora a verificação do próprio trabalho e a adesão aos limites definidos, tornando-se mais adequado para agentes que executam vários passos e tools. **Resultado esperado:** execução contínua, auditável e interrompida para aprovação sempre que uma ação ultrapassar o escopo autorizado. ## Como aplicar na Tess **1. Escolha um trabalho que justifique o modelo** Prefira coding complexo, pesquisa profissional, análise de dados ou entregas que atravessem várias fontes e ferramentas. Para transformações simples, use um modelo mais leve. **2. Forneça o contexto e os critérios** Inclua arquivos, repositórios, políticas, exemplos e restrições. Explique o resultado esperado e como ele será validado. **3. Defina tools e aprovações** Habilite apenas as ferramentas necessárias. Exija confirmação antes de publicar, excluir, enviar ou alterar ambientes produtivos. **4. Comece no effort padrão** Medium é o padrão do provider e foi projetado para equilibrar qualidade, velocidade e custo. Aumente o esforço apenas quando o fluxo exigir investigação ou reasoning mais profundo. **5. Peça uma revisão antes da conclusão** Oriente o agente a verificar testes, fontes, números, requisitos e alterações antes de entregar o resultado. ## Três playbooks para começar ### 1. Migração em múltiplos repositórios **Entrada:** repositórios, arquitetura, comportamento esperado e comandos de validação.\ **Tools:** código, terminal, testes e documentação técnica. ```text theme={null} Mapeie as dependências entre os repositórios e transforme a migração em etapas verificáveis. Implemente uma etapa por vez, execute os testes relevantes e registre decisões que afetem contratos entre serviços. Antes de concluir, revise o diff completo, procure incompatibilidades e entregue riscos e rollback. ``` **Pronto quando:** todos os repositórios permanecem compatíveis, os testes passam e o plano de reversão está documentado. ### 2. Análise executiva com evidências **Entrada:** documentos, planilhas, fontes externas e pergunta de negócio.\ **Tools:** busca, análise de dados e geração de documentos. ```text theme={null} Cruze as fontes e valide cada número antes de usá-lo. Construa uma análise que separe fatos, interpretações e incertezas. Gere uma planilha com os cálculos, um resumo executivo e uma apresentação com recomendação, riscos e próximos passos. Não invente dados ausentes e vincule cada conclusão relevante à sua evidência. ``` **Pronto quando:** números e citações são rastreáveis e os três entregáveis contam a mesma história. ### 3. Auditoria e correção de performance **Entrada:** aplicação, métricas, requisitos de comportamento e ambiente de teste.\ **Tools:** código, profiling, terminal e suíte de testes. ```text theme={null} Estabeleça a linha de base, localize os maiores gargalos e priorize mudanças pelo impacto esperado. Altere uma causa por vez, meça novamente e preserve o comportamento existente. Rejeite otimizações que melhoram a métrica mas quebram funcionalidade. Entregue comparativo antes/depois e evidências dos testes. ``` **Pronto quando:** a melhoria foi medida, o comportamento foi preservado e o resultado pode ser reproduzido. ## Limitações e boas práticas * O adaptive thinking permanece ativo; tokens de thinking são cobrados como output. * Contexto de 1M tokens não substitui seleção de informação. Envie apenas conteúdo relevante. * Em XHigh e Max, reserve espaço de output suficiente para thinking, tools e subagentes. * Safeguards podem redirecionar determinadas tarefas de cibersegurança e biologia para outros modelos Claude. * Revise código, números, citações e arquivos antes de publicar ou executar em produção. * Mantenha aprovação humana para decisões financeiras, jurídicas, clínicas, de segurança ou alto impacto. Veja também: [Modelos e Custos](/pt/models-and-cost) · [Claude Opus 5.5 — Anthropic](https://www.anthropic.com/claude-opus-5-5) · [Modelos Claude](https://docs.anthropic.com/en/docs/about-claude/models/overview). This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.