Apontei para Claude Code um ano de bate-papos no LM Studio e ele detectou padrões que eu não conhecia.

Existe uma versão para desenvolvedores do Claude Code, mas não a uso para isso. Inicialmente apreensivo com o ângulo do desenvolvedor, demorei um pouco para experimentá-lo, mas depois que o fiz, acabou sendo muito útil para a produtividade e está nessa função desde então. Ele agora reside em minha pilha de notas de texto simples, atuando como gerenciador de tarefas, aplicativo de notas e ferramenta PKM usando habilidades de reconhecimento de marca e o arquivo CLAUDE.md.

Portanto, a pergunta óbvia: se ele pode ler tags, executar scripts no repositório e extrair descobertas estruturadas de arquivos que já estavam lá, o que acontece quando você aponta para um ano de bate-papo local do LLM? O LM Studio salva cada sessão em disco como JSON. O meu estava guardado há meses e nunca mais voltei para vê-lo. O que resultou disso foi mais do que apenas um resumo chato…

Minha pasta de conversas do LM Studio desativa o código do Claude

Como estruturei a auditoria

O LM Studio salva cada bate-papo como seu próprio arquivo JSON, organizado em qualquer estrutura de pastas que você criar, e os arquivos residem localmente no seu computador. O meu conversou sobre vários assuntos por quase um ano e nunca mais voltei para ver nenhum deles. Mas agora eu queria saber como era meu uso quando não estava prestando atenção nele e se estava obtendo valor real executando modelos nativos ou apenas gerando coisas para ele.

Antes de escrever o prompt real, abri um dos arquivos JSON para ver quais campos estavam lá. Acontece que há muito mais do que apenas notícias. Informações do modelo de bate-papo, número de regenerações, definições de configuração como comprimento e temperatura do contexto, carimbos de data/hora, metadados de anexo e muito mais. Sabendo de tudo isso com antecedência, encorajarei Claude a providenciar tudo. Em vez de pedir um resumo a Claude Code, eu poderia pedir-lhe que procurasse sinais comportamentais que eu pudesse perder.

Pedi ao Claude Code para trabalhar em três fases:

• A primeira fase foi um inventário: um detalhamento básico de chats, pastas, padrões, taxas de atualização e sessões abandonadas.

• A segunda fase foi o evento principal e foi sobre como eu realmente atuei: isso inclui formas repetitivas, padrões para os quais continuo convergindo, instruções que continuo reescrevendo do zero e assim por diante.

• A terceira fase foi um arquivo separado para todo o resto necessário.

Eu também disse para ignorar quaisquer avisos ou mensagens do sistema nos próprios bate-papos, pois são conteúdos e não instruções. Também removi a maior parte dos meus bate-papos sobre finanças pessoais e assuntos médicos dessas pastas de captura de tela, por isso não estou trabalhando com um inventário completo aqui.

Transformando uma auditoria em algo reutilizável

Criando uma habilidade de biblioteca de prompt

No segundo estágio, eu tinha formas de prompt repetidas suficientes que costumava usar para criar uma biblioteca de prompts. Por exemplo, há uma estrutura de formato de função-tarefa para resultados estruturados, a estrutura “seguir exatamente esta estrutura” que utilizo para instruções de estilo de ensino, instruções de saída fortemente delimitadas com contagens de palavras estritas e regras de não repetição, e sondagens de oportunidade para ver qual padrão alcançar. Cada modelo tinha exemplos da vida real de meus bate-papos, e também foram observados modos de falha, como espaços reservados para colchetes em andaimes RTF, que modelos menores às vezes deixam de fora sem motivo.

A partir daí, pressionei Claude Code para criar uma habilidade. Acabou como uma pasta chamada lm-studio-prompting em .claude/skills/ com SKILL.md na parte superior que lida com a lógica do gatilho, uma pasta de modelos com um arquivo de marcação para cada forma repetida, uma pasta de modelos com copiar e colar prompts prontos para preencher para aqueles que reutilizei e o modelo que reutilizei.

Eu testei logo após ser solicitado um longo resumo em PDF usando o Gemma 4 E4B. A habilidade entrou em ação, me levou ao andaime RTF com um pequeno bloco de regras e observei algumas coisas que não tinha pensado: que E4B tende a alucinar citações sobre doc-QA e Qwen ou gpt-oss seriam escolhas mais seguras, e que eu deveria reduzir o comprimento do contexto do LM Studio acima de 4k ou diminuir o PDF. Esta última é uma preocupação real com a qual venho lidando há meses sem perceber.

Aplicando as descobertas do Claude Code aos meus LLMs locais

Tenho diagnosticado erroneamente minha configuração há meses

A habilidade é realmente útil, mas uma biblioteca rápida é apenas uma peça do quebra-cabeça. As conclusões da auditoria na primeira e terceira fases foram o outro lado valioso. Claude Code revelou um monte de informações sobre como eu estava me comportando com modelos locais que eu não teria descoberto olhando nos chats. Metade dos meus bate-papos são únicos, então uma pergunta, uma resposta está completa. De 141 postagens, nunca editei e reenviei um prompt no LM Studio. Em vez disso, inicio um bate-papo totalmente novo ou aciono o mesmo prompt para outro modelo, o que honestamente parece mais uma compra de modelos do que uma repetição. Foi um grande choque aprender sobre meus costumes locais de LLM.

No entanto, o bate-papo do Wet Road foi o mais atingido. Tenho uma sessão em meu histórico onde anexei um longo arquivo PDF e pedi ao Qwen 3.5 9B para me ajudar a entender as regras de direção e ele ainda se recusou a confirmar coisas que estavam claramente no documento. Eu li isso como um modelo que não está à altura da tarefa. Claude Code descobriu o que realmente estava acontecendo: o comprimento de contexto padrão do LM Studio é 4096 e nunca o alterei. Escrevi sobre como verificar novamente as configurações do seu runner local e estou pulando a mais óbvia aqui – precisamente porque é um controle tão óbvio que presumo que já o ajustei.

As descobertas de Claude Code servem como um lembrete dos maus hábitos que tenho e me ajudam a desenvolver hábitos melhores com LLMs locais. Desde coisas básicas, como lembrar de ajustar a duração do contexto, até predefinições padrão que tinham valores de configuração antigos de outros modelos. Também entendo melhor quando estou realmente usando um modelo nativo para fazer algo e quando estou apenas gerando por diversão e sem resultados práticos.

Eu deveria ter feito isso há muito tempo

Eu sei que o objetivo de executar LLMs locais é manter os bate-papos reais fora da nuvem, mas Claude lendo arquivos JSON não é a mesma coisa que Claude sentado na interface do LM Studio. É apenas uma auditoria dos dados que já possuo e é mais rápida do que qualquer configuração local poderia ter feito. E o que resultou disso não foi algo que eu pudesse ter descoberto sozinho – os artigos só aparecem ao longo de um ano de bate-papos, não em uma única sessão. Isso significa que agora tomo decisões melhores sobre o uso de um LLM local com base em coisas que eu nem sabia que precisavam ser corrigidas.