A Anthropic lançou o Claude Opus 5.5 em 22 de setembro. As partes que importam para uma equipe que já roda vários agentes de código não estão na tabela de benchmarks. São estas: a Anthropic afirma que ele custa 40% menos para rodar que o Opus 5, gera resultados cerca de 30% mais rápido e permanece na tarefa por 18 horas ou mais. O preço de tabela é US$ 4 por milhão de tokens de entrada e US$ 20 por milhão de saída, contra US$ 5 e US$ 25 do Opus 5.
Um modelo mais barato que trabalha por mais tempo sem parar não simplifica a sua semana. Significa mais execuções concluídas chegando diante do mesmo número de revisores. Colocar o Opus 5.5 no board é uma tarefa de dez minutos; decidir o que o board faz com a capacidade extra é o trabalho de verdade. Este guia segue o menor caminho útil pela primeira parte e é honesto quanto à segunda: coloque o Opus 5.5 no Claude Code em um Computer, crie um Agent, atribua uma Task real.
TL;DR
Defina claude-opus-5-5 como o modelo no Claude Code em um Computer conectado, confirme que o Runtime aparece como Available, crie um Agent com um timeout por Task compatível com o tempo que o Opus 5.5 realmente vai trabalhar, mantenha o diretório de trabalho como Temporary e atribua uma Task. O Sharkly não vai exibir o nome do modelo. Ele vai mostrar a execução, o log, as perguntas e o resultado na Task. Os agentes pesquisam, executam, testam e relatam. As pessoas definem a direção, concedem autoridade e aceitam o resultado.
Onde fica a configuração do modelo
O Sharkly não escolhe modelos. A documentação de Agents diz isso diretamente: “O Agent segue o modelo padrão do Runtime. Ele não promete nem exibe um nome de modelo específico. Altere os modelos na configuração do Runtime ou da ferramenta do Computer, não no Agent.”
Vale deixar clara essa fronteira antes de você sair procurando um menu suspenso que não existe. Quatro papéis, um trabalho cada. O Agent define como o trabalho deve ser tratado. O Computer fornece o host e os recursos locais. O Runtime executa a sessão de agente propriamente dita, e o Claude Code é o Runtime aqui. A Task continua sendo o registro compartilhado da equipe. O Opus 5.5 chega ao Sharkly como qualquer outro modelo: por meio da ferramenta que o executa, configurada no host que roda essa ferramenta.
Passo 1: coloque o Opus 5.5 no Claude Code do Computer
No Computer que vai executá-lo, atualize o Claude Code e faça login com uma conta ou chave de API que tenha acesso ao Opus 5.5. A Anthropic lista o modelo na Claude Platform, Amazon Web Services, Google Cloud e Microsoft Azure, então uma equipe que usa um provedor de nuvem aponta o Claude Code para lá. Se claude --model claude-opus-5-5 inicia uma sessão em um terminal comum nesse host, o Sharkly consegue usá-lo.
Depois, defina o padrão para que toda execução nesse Computer o utilize:
// ~/.claude/settings.json
{
"model": "claude-opus-5-5"
}
Confirme a chave exata de configuração e a versão mínima do Claude Code na referência atual de configuração do Claude Code antes de aplicar isso a um Computer compartilhado. [VERIFY]
De volta ao Sharkly, abra os detalhes do Computer e execute o rescan ou o teste de conexão. O Runtime do Claude Code deve aparecer como Available. Um Computer aparecendo apenas como online significa que o serviço local dele está enviando heartbeats. O status de capacidade do Runtime é o que indica que uma execução pode começar.
Um Computer, dois níveis de modelo. Um Agent não tem seletor de modelo, mas carrega variáveis de ambiente comuns e secretas e argumentos adicionais de Runtime, e esses valores chegam à invocação do Runtime. É assim que você mantém um padrão barato no Computer e coloca o Opus 5.5 apenas no Agent que precisa dele, em vez de pagar tarifas de líder em toda execução de triagem. Teste em um Agent antes de padronizar. [VERIFY]
Passo 2: monte o Agent em torno do comportamento do Opus 5.5
Abra Agents, selecione New Agent e escolha o Computer e o Runtime do Claude Code. Depois, defina três coisas que importam mais para este modelo do que para o anterior.
Timeout por Task. A Anthropic afirma que o Opus 5.5 permanece na tarefa por 18 horas ou mais. Um timeout calibrado para corrigir um defeito de 20 minutos transforma isso em uma execução truncada e um log confuso. Aumente-o de forma seletiva, não em todo lugar: um timeout longo no Agent que cuida de migrações e grandes refatorações, e o curto no Agent que corrige pequenos defeitos de frontend. Um timeout longo em um Agent de escopo estreito, na maioria das vezes, só compra falhas mais lentas.
Diretório de trabalho. Modo Temporary. Cada Task recebe um diretório isolado, e execuções vinculadas a repositórios preparam uma worktree nova, de modo que duas execuções do Opus 5.5 no mesmo repositório não podem sobrescrever uma à outra. Para diretórios temporários, a concorrência padrão é 50% do limite do Computer. Deixe assim até que o Computer tenha lidado com algumas execuções reais.
Tamanho da saída. O Opus 5.5 suporta até 128k tokens de saída em uma única resposta. Uma execução que pode trabalhar por horas e responder com esse tamanho retorna um diff que ninguém lê com atenção. Delimite a Task para que o resultado seja revisável, não para manter o modelo ocupado.
As instruções permanecem estáveis e curtas:
Read the Task description and recent comments before editing.
Keep changes limited to the requested behavior.
Ask a question only when different interpretations would
materially change the result; otherwise proceed with a stated
assumption and record it in your report.
Run the closest relevant checks and report failures without hiding them.
Stop and ask before anything destructive or outside the repositories
attached to this Agent.
Passo 3: atribua uma Task e depois aponte um Crew para ela
Escolha uma Task com um critério de aceite claro. Selecione o Agent como Assignee e mova a Task de Backlog para um status cuja categoria seja de pronta para trabalho; uma Task atribuída no Backlog fica esperando. A execução passa por queued, dispatched e running, e a aba Executions transmite o log em tempo real.
Use um único Agent nessa primeira Task. Um Crew é um grupo reutilizável de People e Agents coordenado por um Agent líder, e ele justifica seu uso quando o líder precisa interpretar um objetivo e reunir os resultados de vários membros em uma única Task. Para uma mudança delimitada, um Agent é a escolha certa e as peças móveis ficam em zero.
Quando um Crew faz sentido, o Opus 5.5 é um líder mais defensável do que era uma faixa de preço atrás. Um líder basicamente lê, planeja, distribui e revisa — o formato de trabalho mais difícil de justificar no topo de uma tabela de preços:
| Modelo do Runtime | ID da API | Entrada / saída por 1M | Onde ele se encaixa em um Crew |
|---|---|---|---|
| Claude Opus 5.5 | claude-opus-5-5 |
$4 / $20 | Líder, revisor, migrações longas |
| Claude Opus 5 | claude-opus-5 |
$5 / $25 | O padrão anterior que ele substitui |
| GPT-6 Sol | gpt-6-sol |
$2 / $10 | Um segundo Runtime para membros de rotina |
As leituras de entrada em cache no Opus 5.5 custam US$ 0,20 por milhão e as gravações de cache custam US$ 5, e é isso que decide se uma sessão longa que relê o mesmo prefixo de repositório sai barata ou cara. Existe um modo rápido a US$ 8 e US$ 40 quando a latência importa mais que o custo. O uso do modelo continua pelas assinaturas ou chaves de API configuradas nessas ferramentas, então essas tarifas caem na sua fatura do provedor, não no Sharkly.
O que realmente muda no board
Três coisas, e só uma delas tem a ver com o modelo.
As execuções ficam mais baratas; a revisão, não. Vinte por cento a menos na tarifa de tokens e 40% menos para rodar que o Opus 5 significam que o mesmo orçamento mensal compra mais execuções de agente nesta semana do que na anterior. Nada nessa frase acrescenta horas de revisor. A restrição em uma equipe com vários agentes nunca foi o custo do modelo; era quantos diffs concluídos uma pessoa consegue de fato aceitar em um dia. Modelos mais baratos apertam essa restrição. Planeje em torno da capacidade de revisão, não da escolha do modelo.
Execuções longas mudam o que significa supervisão. Um agente que segura uma tarefa por boa parte do dia não pode ser supervisionado olhando para um terminal. Você precisa de um status legível de relance, de uma pergunta que chegue até uma pessoa em vez de passar batido, e de um lugar onde o resultado chegue. No Sharkly, uma pergunta volta para a Task como comentário, a Task mostra waiting for human reply, e isso é encaminhado para a sua Inbox.
Menos contornos de limite bem-sucedidos é progresso, não um guardrail. A Anthropic relata 85% menos tentativas bem-sucedidas de contornar limites do que o Opus 5. É uma melhoria real de comportamento, e não um sistema de permissões. Os repositórios anexados ao Agent, suas variáveis de ambiente e a etapa de aceite humana são o que delimita uma execução. Deixe a melhoria do modelo ser uma segunda camada, nunca a única.
Quando uma execução para cedo
Uma execução que termina cedo não está perdida. Abra o log de execução, leia o título e os detalhes técnicos, e execute novamente a partir da Task com um escopo mais estreito. O diretório e o registro da Task persistem, então a próxima tentativa parte de evidências, não da memória. Mantenha as Tasks pequenas o suficiente para que uma parada custe minutos.
Essa é a parte que vale manter estável. O modelo mudou nesta semana, e a atribuição, o contexto, o progresso, os bloqueios, os resultados e a revisão humana continuaram onde a equipe pode vê-los. Se você já roda vários agentes de código, conecte um Computer, crie um Agent e atribua a ele algo chato.
