Perguntas Frequentes

A Claude Certified Architect — Foundations (CCA-F) é a certificação de nível 301 da Anthropic para arquitetos de soluções que trabalham com Claude.

Após aprovação, você recebe um badge digital para adicionar ao LinkedIn.

O exame é voltado para solution architects com pelo menos 6 meses de experiência prática com o ecossistema Claude, incluindo:

• Claude APIs (Messages API, tool use)
• Agent SDK e padrões de agentes
• Claude Code (CLI, configuração, workflows)
• Model Context Protocol (MCP)

Se você é desenvolvedor, CTO ou tech lead que usa Claude em produção, este é o exame certo.

D1 sozinho vale mais de um quarto do exame — é o domínio mais importante.

Existem 6 cenários no banco do exame. Em cada tentativa, 4 são sorteados:

1. Customer Support Resolution Agent — loops agênticos, tool design, escalation
2. Code Generation with Claude Code — CLAUDE.md, plan mode, slash commands
3. Multi-Agent Research System — coordinator patterns, error propagation, context
4. Developer Productivity with Claude — built-in tools, MCP integration
5. Claude Code for CI/CD — non-interactive mode, structured output, batch
6. Structured Data Extraction — JSON schemas, validation loops, human review

As questões são contextualizadas dentro desses cenários, exigindo julgamento arquitetural aplicado.

O registro é feito na Anthropic Academy (anthropic.skilljar.com). Lá você encontra os cursos preparatórios gratuitos e o link para comprar o voucher do exame ($99).

Sim. A Anthropic disponibiliza um practice exam com 60 questões no Skilljar, gratuito. Ele simula o formato real do exame.

Sim. Após aprovação, a Anthropic emite um badge digital que pode ser adicionado ao seu perfil do LinkedIn como credencial verificável.

Um ferramenta de estudos não-oficial com um simulado interativo para a certificação CCA-F. Criado por e para a comunidade de devs que estão se preparando para o exame.

As questões foram coletadas e deduplicadas de 6 fontes:

Abra o simulado no navegador (funciona offline, zero dependências). Na tela inicial:

1. Selecione domínios — escolha D1–D5 individualmente ou todos
2. Modo de feedback — Imediato (revela ao clicar) ou No final (confirma antes)
3. Ordem — Embaralhar ou Sequencial
4. Clique Iniciar

• Score escalado — 100 a 1000 (mesmo formato do exame real)
• Breakdown por domínio — veja onde está forte e onde precisa melhorar
• Refazer erradas — embaralha apenas as questões que você errou para drill down
• Funciona offline — HTML self-contained, sem server
• Explicações detalhadas — cada questão tem explicação da resposta correta e por que as alternativas estão erradas

Cada questão em all_questions.json segue este schema:

{
  "id": "D1-001",
  "source": "official-exam-guide",
  "scenario": "Customer Support Resolution Agent",
  "task_statement": "1.4",
  "question": "Texto da pergunta...",
  "options": { "A": "...", "B": "...", "C": "...", "D": "..." },
  "correct": "A",
  "explanation": "Explicação detalhada...",
  "domain": "D1"
}

Por peso no exame:

1. D1 Agentic Architecture — 27% (maior peso, comece aqui)
2. D3 Claude Code Config — 20%
3. D4 Prompt Engineering — 20%
4. D2 Tool Design & MCP — 18%
5. D5 Context & Reliability — 15%

Alternativa — por familiaridade: se você já usa Claude Code no dia a dia, comece por D3 para consolidar o que já sabe, e depois ataque D1.

Faça o practice exam oficial no Skilljar. Se você tirar consistentemente 900+, provavelmente está pronto.

Julgamento arquitetural. O exame não testa se você decorou APIs — ele testa se você sabe escolher a abordagem certa para cada situação. Muitas questões apresentam opções que "parecem certas" mas são anti-patterns.

Foque em entender por que cada alternativa errada está errada, não apenas qual é a correta.

1. Parsing natural language para loop termination — usar stop_reason em vez de tentar interpretar texto
2. Arbitrary iteration caps — limites fixos sem critério de convergência real
3. Prompt-only enforcement para business rules — regras críticas precisam de enforcement programático, não apenas instruções no prompt
4. Subagent context leakage — agentes filhos não devem vazar contexto entre si sem controle
5. Ambiguous tool descriptions — descriptions são o mecanismo primário de seleção de tools pelo modelo
6. Self-review no mesmo contexto — o modelo revisando seu próprio output no mesmo context window tende a confirmar erros
7. Progressive summarization sem preservar dados críticos — sumarização que descarta informações essenciais

• Anthropic Academy — cursos oficiais gratuitos + practice exam
• SGridworks RPG — treinamento gamificado
• claudecertifications.com — 25 questões grátis + study guides
• CertSafari — 360 flashcards

• stop_reason — use tool_use vs end_turn para controlar loops agênticos (nunca parse NL)
• Hub-and-spoke — padrão de coordenação com agente central que delega para subagentes especializados
• Task tool — mecanismo para criar e gerenciar subagentes com contexto isolado
• allowedTools — restringe quais tools cada agente/subagente pode usar
• PostToolUse hooks — interceptam resultados de tools para validação, logging ou transformação
• Context isolation — subagentes devem operar com contexto separado para evitar leakage

• Tool descriptions — mecanismo primário de seleção; descriptions claras e específicas > nomes genéricos
• isError flag — indica ao modelo que o resultado da tool é um erro (permite recovery inteligente)
• errorCategory — categorize erros: transient, validation, permission, business_logic
• tool_choice — controla seleção: auto (modelo decide), any (deve usar alguma tool), forced (tool específica)
• .mcp.json vs ~/.claude.json — configuração de MCP servers por projeto vs global

• CLAUDE.md hierarchy — 3 níveis: ~/.claude/CLAUDE.md (user) → projeto/CLAUDE.md (project) → subdir/CLAUDE.md (directory)
• .claude/rules/ — rules com glob patterns para aplicação condicional por tipo de arquivo
• .claude/commands/ vs .claude/skills/ — commands são slash commands customizados; skills têm SKILL.md com frontmatter
• SKILL.md frontmatter — context: fork, allowed-tools, argument-hint controlam execução
• -p flag — modo non-interactive para CI/CD (pipe prompt via stdin ou argumento)

• Explicit criteria > vague instructions — "avalie de 1–5 com estes critérios" > "dê feedback"
• Few-shot para format variation — exemplos concretos são mais eficazes que descrições de formato
• tool_use garante schema compliance mas NÃO semantic accuracy — o JSON vai ser válido, mas o conteúdo pode estar errado
• Enum + "other" + detail field — padrão para categorização flexível sem perder dados inesperados
• Validation-retry loops — valide output programaticamente e peça correção se inválido

• Lost in the middle effect — informações no meio de contextos longos são mais facilmente ignoradas
• Progressive summarization risks — cada rodada de sumarização pode descartar dados que pareciam irrelevantes mas eram críticos
• Information provenance — rastreie a origem de cada dado para auditoria e debugging
• Confidence self-reporting — peça ao modelo para reportar seu nível de confiança junto com a resposta
• Graceful degradation com annotated gaps — quando informação falta, continue operando mas marque explicitamente o que está faltando