Claude Opus 4 com Claude Code: guia com projeto de demonstração

O Claude Opus 4 é o modelo de IA mais potente e avançado da Anthropic até agora, estabelecendo um novo padrão para codificação, raciocínio e tarefas de longa duração. Ele lidera os benchmarks do setor com 72,5% no SWE-bench e 43,2% no Terminal-bench. 

Projetado para desempenho contínuo, Claude Opus 4 consegue lidar de forma autônoma com tarefas de código complexas e prolongadas, mantendo o foco e entregando resultados de alto nível. Ele traz melhorias de "code taste" e suporte a saída de 32K tokens.

Neste tutorial, vamos explorar as capacidades do Claude Opus 4 testando sua habilidade de criar e testar bases de código complexas. Para saber a versão mais recente do Claude, confira nosso guia do Claude Opus 4.6.

Vamos começar configurando a CLI do Claude Code no Windows 11 usando o Windows Subsystem for Linux. Em seguida, vamos pedir ao Claude Opus 4 para criar um projeto completo de machine learning, de ponta a ponta, com múltiplos arquivos. Depois da construção, vamos solicitar que o modelo teste a funcionalidade e envie tudo para o GitHub.

Claude Code é uma ferramenta de linha de comando (CLI) que permite ao Claude Opus 4 interagir com o repositório de código local via API da Anthropic. Ele atua como um assistente com IA para programar, depurar e executar tarefas diretamente pelo terminal.

Imagem do autor

Configurando o Claude Code no Windows

Para configurar o Claude Code no Windows, você vai precisar ativar o Windows Subsystem for Linux (WSL), instalar Node.js e npm e vincular sua conta da Anthropic.

Abaixo está um passo a passo para começar.

1. Instalando o WSL

Para iniciar, ative o WSL abrindo o PowerShell como Administrador e executando o comando wsl --install. Isso instalará o Ubuntu por padrão e pode exigir uma reinicialização do sistema. 

Após reiniciar, uma janela de terminal vai pedir que você defina um nome de usuário e senha para a sua distribuição Linux. Depois, você pode acessar o subsistema Linux digitando wsl no PowerShell ou abrindo o app do Ubuntu.

2. Instalando Node.js e npm

Abra o terminal do Ubuntu e instale o Node.js e o npm.

sudo apt update
sudo apt install nodejs npm

A versão padrão do Node.js instalada via apt pode estar desatualizada. Para instalar a versão mais recente, use o Node Version Manager (nvm):

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.bashrc
nvm install 18
nvm use 18

Verifique as versões atualizadas:

node --version
npm --version
v18.20.8
10.8.2

3. Configurando uma conta Anthropic

Para usar o Claude Code, você precisa de uma conta da API da Anthropic:

1. Crie uma conta no Anthropic Console.
2. Adicione pelo menos US$ 30 em créditos à sua conta usando cartão de crédito ou débito. Lembre-se de que o Claude Opus 4 é um modelo premium e os custos podem variar conforme a complexidade do seu projeto.

4. Instalando o Claude Code

Com o Node.js e o npm configurados, você pode instalar o Claude Code globalmente:

npm install -g @anthropic-ai/claude-code

Após a instalação, inicie o Claude Code digitando:

claude

A ferramenta vai pedir para você configurar a interface:

5. Configurando o Claude Code

Ao iniciar o Claude Code pela primeira vez, você precisará autenticá-lo com sua conta da Anthropic:

1. Selecione a opção para conectar ao Anthropic Console.
2. Uma janela do navegador será aberta pedindo para você entrar na sua conta da Anthropic.
3. Copie o código de autenticação gerado pelo console e cole no terminal do Claude Code.

Depois de autenticado, o Claude Code estará pronto para uso.

Para um passo a passo mais completo dos recursos e do uso prático do Claude Code, confira nosso guia do Claude Code com exemplos.

Passo a passo do projeto com Claude Opus 4

Vamos pôr a mão na massa e criar um projeto de machine learning do zero usando o Claude Opus 4.

Os passos incluem planejamento, criação da estrutura de pastas, desenvolvimento e teste do modelo e, por fim, o envio das alterações para o GitHub. O Claude Opus 4 atuará como assistente principal em todo o processo, automatizando tarefas e orientando você.

1. Configurando o Claude Code com o Opus 4

Para começar, abra o terminal do Ubuntu, crie um novo diretório de projeto e inicialize o Git para controle de versão.

mkdir DC_Claude_4 
cd DC_Claude_4 
git init

Depois, inicie o Claude Code com o modelo Claude Opus 4 executando o comando abaixo:

claude --model claude-opus-4-20250514

Isso iniciará o Claude Code no diretório do seu projeto com o Claude Opus 4 como modelo base.

2. Planejando o projeto

O primeiro passo é criar um plano de projeto. Vamos pedir ao Claude Opus 4 para gerar um README detalhado que descreva os objetivos e a estrutura do projeto.

Prompt: “Crie um arquivo README para um projeto de machine learning que processe dados do yfinance, treine o modelo, o avalie e faça o serving do modelo.”

O Claude vai pedir permissão para criar o arquivo. Você pode aprovar cada ação manualmente ou ativar a autonomia total, permitindo que ele crie e edite arquivos sem novas solicitações.

O Claude Opus 4 gerou um arquivo README.md detalhado, incluindo descrição do projeto, objetivos e passos de implementação.

3. Construindo o projeto de machine learning

Usando o arquivo README como guia, vamos pedir ao Claude para criar a estrutura de pastas, os arquivos e a base de código inicial.

Prompt: “Agora, crie as pastas e arquivos e construa o projeto do zero. Use o arquivo README como sua referência.”

O Claude Opus 4 cria uma lista de tarefas estruturada e constrói o projeto automaticamente. 

Você pode abrir o projeto no seu editor de código para verificar a estrutura e o conteúdo. 

Ao final, o Claude fornece um resumo e instruções de início rápido para treinar o modelo e testar a API.

4. Testando a API do modelo

Em vez de testar o código manualmente, vamos pedir ao Claude Opus 4 para cuidar do processo de testes.

Prompt: “Por favor, verifique se tudo está rodando perfeitamente. Tente usar o UV como gerenciador de pacotes.”

O Claude tentou rodar o script de processamento de dados e falhou. Em seguida, corrigiu o problema.

No final, ele testou com sucesso todos os scripts em Python, incluindo os endpoints da API:

Summary
I've successfully created and tested a complete machine learning stock prediction system using UV as the package
  manager. Here's what was accomplished:

  ✅ Project Structure

  - Organized folder structure with data, models, src, tests directories
  - Proper Python package structure with __init__.py files
  - Configuration management with config.yaml

  ✅ Simplified Dependencies

  - Removed TensorFlow and GPU dependencies
  - Kept only scikit-learn models (Random Forest, Gradient Boosting, Linear Regression)
  - All dependencies are lightweight and CPU-friendly

  ✅ Core Features Implemented

  1. Data Collection: yfinance integration for fetching stock data
  2. Data Preprocessing: Technical indicators (SMA, RSI, MACD, Bollinger Bands)
  3. Model Training: Multiple scikit-learn algorithms
  4. Model Evaluation: Comprehensive metrics and visualizations
  5. Predictions: Single and multi-day predictions
  6. REST API: Flask-based API for serving predictions
  7. Testing: Unit tests for core components

  ✅ UV Package Manager

  - Successfully configured with pyproject.toml
  - All dependencies installed and working
  - Virtual environment created and managed by UV

  📁 Key Files

  - requirements.txt: Simplified dependencies
  - config.yaml: Configuration file
  - run_demo.py: Demo script
  - test_all_features.py: Feature testing script
  - Complete source code in src/ directory

O modelo não testou o endpoint /predict, então precisei pedir que ele testasse.

Prompt: “Por favor, teste o endpoint /predict.”

Como resultado, ele compilou uma lista de testes e seus resultados em diferentes cenários.

Para garantir, testei manualmente o endpoint /predict usando o seguinte comando curl:

curl -X POST http://localhost:5000/predict/confidence \
    -H "Content-Type: application/json" \
    -d '{"symbol": "AAPL"}'

Saída:

{"confidence_interval":{"confidence":0.9,"lower":164.20064456519913,"upper":181.48492294048327},"currency":"USD","prediction":172.8427837528412,"symbol":"AAPL"}

5. Enviando as alterações para o GitHub

Agora que o projeto está concluído, vamos fazer o commit das alterações e enviá-las para um repositório público no GitHub.

Prompt: “Crie um repositório público no GitHub e envie todas as alterações para ele.”

O Claude forneceu um guia passo a passo para enviar o código manualmente ao GitHub.

Não queremos trabalho manual, então vamos pedir ao Claude para usar o GitHub CLI para criar novos repositórios e enviar os arquivos.

Prompt: “Use o GitHub CLI para enviar o projeto.”

Como resultado, o projeto foi enviado com sucesso ao GitHub e está publicamente disponível em: https://github.com/kingabzpro/stock-ml-predictor

​​O repositório no GitHub criado pelo Claude Code usando o modelo Opus 4.

6. Finalizando o projeto

Após concluir todos os passos, você pode sair do Claude Code pressionando Ctrl+C. O Claude exibirá um resumo da sessão, incluindo custo total, duração e uso de tokens.

Total cost:            $30.10
Total duration (API):  38m 41.1s
Total duration (wall): 1h 41m 45.2s
Total code changes:    3176 lines added, 198 lines removed
Token usage by model:
    claude-3-5-haiku:  79.9k input, 2.9k output, 0 cache read, 0 cache write
         claude-opus:  540 input, 76.1k output, 8.6m cache read, 606.1k cache write

Parece que o novo modelo Opus 4 é bem caro e os custos de uso da API podem subir rapidamente. Abaixo está um detalhamento de preços:

Para avaliar custo-benefício e comparar benchmarks, leia nossa visão geral do Claude 3.7 Sonnet com insights sobre modelos Claude alternativos.

Opinião do autor

Usar o Claude Code no meu projeto local foi uma experiência divertida e esclarecedora. Aprendi muito sobre suas capacidades e limitações. 

Aqui está meu balanço de prós e contras ao usá-lo com o Claude Opus 4:

Prós:

• O Claude Opus 4 é excelente em usar ferramentas como listas de tarefas, rodar código e executar atividades com eficiência. É o melhor workflow agentic que já vi.
• Ele identifica rapidamente problemas no código e sugere soluções assertivas, economizando tempo no desenvolvimento.
• Mesmo sem experiência em programação, você pode usar o Claude Opus 4 para gerar, construir e implantar aplicações apenas descrevendo suas necessidades.

Contras:

• O Claude Opus 4 pode consumir muitos tokens até mesmo em solicitações simples, tornando-o menos eficiente para tarefas menores.
• Embora poderoso, o custo de uso do Claude Opus 4 pode ser proibitivo. Alternativas mais acessíveis podem oferecer resultados semelhantes. 
• Apesar de ser excelente em programação, ele tem dificuldade para melhorar gramática e corrigir erros ortográficos, o que limita sua utilidade fora do contexto de código.

Quem busca uma porta de entrada mais econômica pode considerar versões anteriores como Claude 3.5 Sonnet, que ainda oferece desempenho sólido para muitas tarefas.

Conclusão

O Claude Opus 4, em conjunto com a CLI do Claude Code, representa um salto importante no desenvolvimento de software assistido por IA. Este tutorial mostrou o quanto o modelo é capaz, desde construir, testar e implantar um projeto completo de machine learning. Sua capacidade de manter o foco em tarefas longas, se adaptar a diferentes cenários e depurar código de forma inteligente estabelece um novo patamar para agentes de IA em engenharia de software.

No entanto, tanto poder vem acompanhado de um custo relevante. Embora o Claude Opus 4 entregue desempenho incomparável e workflows agentic, seu preço o torna mais indicado para projetos complexos e de alto impacto do que para tarefas do dia a dia.

No fim das contas, o Claude Opus 4 não é apenas uma ferramenta — é um parceiro de desenvolvimento. Seja criando MVPs, automatizando fluxos de trabalho ou explorando programação assistida por IA, ele oferece um vislumbre empolgante do futuro da engenharia de software. 

Se você quer levar suas habilidades para o próximo nível e explorar a criação de sistemas inteligentes desde a base, confira nossa trilha Developing AI Applications para um caminho de aprendizado estruturado e focado em criar ferramentas de IA de impacto. Você também pode conferir nosso artigo sobre os novos modelos Claude 4, Sonnet 4 e Opus 4.