O Claude Certified Architect — Foundations (CCAR-F) é a certificação técnica de referência da Anthropic para arquitetos de soluções, engenheiros de IA e líderes técnicos que desenham sistemas em produção com a família Claude 3.5 e 3.7.
Diferente de certificações tradicionais de nuvem que cobram memorização de nomes de serviços, a prova da Anthropic na Pearson VUE é 100% focada em decisões de arquitetura em cenários reais de produção.
Este guia reúne tudo o que você precisa saber para passar de primeira: o formato oficial, a distribuição dos 5 domínios, as principais armadilhas e um plano prático de estudos.
1. Visão Geral e Formato da Prova Oficial
A prova segue o padrão oficial da Pearson VUE:
| Característica | Detalhe Oficial |
|---|---|
| Código do Exame | CCAR-F (anteriormente chamado de CCA-F) |
| Preço | US$ 125 (aproximadamente R$ 680 a R$ 750 conforme câmbio) |
| Quantidade de Questões | 60 questões de múltipla escolha e múltipla resposta |
| Duração | 90 minutos (+ 30 min extras para falantes não-nativos se solicitado) |
| Nota de Corte (Passing Score) | 720 / 1000 (aproximadamente 72% de acerto ponderado) |
| Estrutura da Prova | A prova sorteia 4 dos 6 cenários oficiais do Exam Guide |
| Validade da Credencial | 12 meses (renovação online) |
2. A Matriz dos 5 Domínios Ponderados
A pontuação do exame não é uma média simples. Cada questão possui um peso atrelado ao seu domínio:
Domínio 1: Agentic Architecture & Orchestration (27%) — O Mais Pesado
- O que cai: Padrões de orquestração agêntica (Router, Orchestrator-Workers, Evaluator-Optimizer), controle de loops infinitos, critérios de parada e handoff determinístico para humanos.
- Decisão-chave de arquitetura: Quando usar um único agente com ferramentas versus um coordenador com subagentes especializados.
Domínio 2: Claude Code Configuration & Workflows (20%)
- O que cai: Configuração de arquivos
CLAUDE.md, criação de Slash Commands customizados, restrições duras via.claude/settings.json(permissões dedenye hooks) e execução headless em CI/CD. - Decisão-chave de arquitetura: Como forçar plan mode em alterações com alto raio de impacto (blast radius) sem depender do bom senso do operador humano.
Domínio 3: Prompt Engineering & Structured Output (20%)
- O que cai: Uso de tags XML estruturadas (
<context>,<instructions>,<examples>), output JSON tipado via Tool Use (tool_choice: { type: "tool", name: "..." }) e validação defensiva em duas camadas. - Decisão-chave de arquitetura: Um JSON Schema garante tipo e formato, mas nunca honestidade ou consistência cruzada. Validações de negócio devem rodar no código de runtime (ex: Zod
superRefine).
Domínio 4: Tool Design & MCP Integration (18%)
- O que cai: Arquitetura do Model Context Protocol (MCP), transporte via Stdio vs. SSE, separação clara entre ferramentas genéricas (Read, Bash) e ferramentas customizadas de domínio, e envio de sinais tipados em caso de erro.
- Decisão-chave de arquitetura: Ferramentas não devem lançar exceções genéricas de texto quando um limite de negócio for atingido; devem retornar estruturas como
{ "needs_escalation": true, "reason": "over_limit" }.
Domínio 5: Context Management & Reliability (15%)
- O que cai: Prompt Caching (tokens mínimos de 1.024, posicionamento fixo de cabeçalhos estáticos, desconto de 90% em leitura de cache), mitigação de poluição de contexto e degradação graciosa.
- Decisão-chave de arquitetura: O coordenador multi-agente nunca deve ler as transcrições brutas dos subagentes, apenas resumos de fatos estruturados.
3. As 5 Armadilhas Clássicas que Reprovam Candidatos
- Confiar em Regras de Negócio Apenas no Texto do Prompt:
- Erro: Colocar no System Prompt: "Nunca aprove reembolsos acima de $100".
- Solução Correta no Exame: Configurar a ferramenta MCP para checar o valor e retornar status determinístico de escalonamento.
- Poluição de Contexto em Sistemas Multi-Agente:
- Erro: Passar o histórico de mensagens de um subagente de pesquisa para o agente coordenador.
- Solução Correta no Exame: O subagente devolve apenas uma lista estruturada
{ subtopic, findings, sources }.
- Errar as Regras do Prompt Caching:
- Erro: Tentar cachear blocos menores que 1.024 tokens ou colocar mensagens dinâmicas antes do bloco de cache.
- Solução Correta no Exame: O cache exige 1.024+ tokens e deve ser posicionado de forma estática no início do prompt.
- Falta de Critério Rígido de Parada em Loops Agênticos:
- Erro: Deixar o agente rodar enquanto o modelo achar necessário.
- Solução Correta no Exame: Limite estrito de iterações (
max_turns) + timeout + fallback para revisão humana.
- Tratar Falsos Positivos em CI/CD apenas com Prompts:
- Erro: Instruir o Claude Code em CI: "Seja muito cuidadoso e evite apontar falsos positivos".
- Solução Correta no Exame: Fazer o modelo retornar um score numérico de confiança e filtrar no pipeline apenas itens com
confidence >= 0.8.
4. Plano de Estudos Prático de 14 Dias
- Dias 1 a 3 (Fundamentos & Prompt Engineering):
- Estude a sintaxe de tags XML e o Messages API da Anthropic.
- Faça as lições 00 a 05 da Trilha Gratuita do CCAR-F.
- Dias 4 a 7 (MCP & Claude Code):
- Configure um servidor MCP local e implemente comandos no Claude Code.
- Clone o repositório aicertstudy/labs e execute os cenários 1, 2 e 4.
- Dias 8 a 10 (Arquitetura Agêntica & Multi-Agentes):
- Execute os cenários 3 e 5 do repositório prático.
- Entenda o fluxo de isolamento de contexto e pipelines CI/CD headless.
- Dias 11 a 14 (Simulados Cronometrados & Diagnóstico de Fraquezas):
- Faça simulados completos de 60 questões cronometradas no AICert Study.
- Use o relatório de desempenho para identificar seus domínios com pontuação abaixo de 75% e faça treinos focados.
5. Como Começar a Praticar Agora
No AICert Study, estruturamos a preparação completa em duas etapas:
- Trilha de Estudos 100% Gratuita: 21 lições conceituais com labs práticos e quizzes por domínio.
- Simulados Ponderados Oficiais: Mais de 1.049 questões baseadas em cenários, com cronômetro real de 90 minutos, gabarito detalhado com referências oficiais e diagnóstico instantâneo de pontos fracos.