Anthropic acelera Claude: conversas longas ficam 35% mais rápidas com Message Threads
A nova função Message Threads otimiza a comunicação com a API do Claude. Isso reduz o tempo de resposta em interações complexas.
A Anthropic acaba de lançar o Message Threads em beta público para a API do Claude. Essa função muda a forma como as conversas são processadas, prometendo mais agilidade. Até agora, cada pedido à API precisava reenviar todo o histórico da conversa, o que consumia tempo e recursos. A inovação está na otimização desse processo.
Com o Message Threads, o sistema transmite apenas o que mudou desde a última mensagem. A maior vantagem aparece em interações extensas, com volumes entre 500 mil e um milhão de tokens. Nesses casos, o tempo para a primeira resposta pode cair em cerca de 35%. É uma melhoria significativa para quem lida com tarefas complexas que exigem muitas trocas de mensagens.
Quem ganha com a novidade?
Os maiores beneficiados são agentes de codificação, agentes que usam o computador e fluxos de trabalho que processam muitos documentos ou imagens. Em cenários onde o contexto da conversa é gigantesco e precisa ser mantido, a economia de tempo pode ser crucial. Isso se traduz em mais eficiência e menos espera para o usuário final ou para os sistemas automatizados.
Como funciona e onde usar?
Apesar da transmissão otimizada, o Claude ainda lê o histórico completo da conversa para manter o contexto, então o consumo de tokens não muda. A thread da mensagem fica criptografada na memória entre os pedidos e expira após cinco minutos de inatividade. A função está disponível na plataforma Claude e também através de parceiros como AWS, Microsoft Foundry e Google Cloud, ampliando seu alcance.
- Acelera a resposta em conversas longas.
- Reduz o tempo de espera em até 35%.
- Ajuda quem usa o Claude para programação ou análise de documentos.
- Disponível na plataforma Claude e em nuvens parceiras.
Uma limitação importante é que a redução de tempo se aplica a conversas realmente longas. Para interações mais curtas, o impacto pode não ser tão perceptível. Além disso, o custo por token permanece o mesmo, já que o modelo ainda processa o contexto completo. É uma otimização de performance, não de custo direto por uso.