Usuários do Claude Code atingindo os limites de uso mais rápido que o esperado, suspeita-se de bugs

Problemas de cota do Claude Code interrompem fluxos de trabalho de desenvolvedores
A Anthropic confirmou que os usuários do Claude Code estão atingindo os limites de uso "muito mais rápido do que o esperado", causando interrupções em fluxos de trabalho automatizados e na codificação diária. A empresa afirma que esta é sua "principal prioridade" e que está investigando ativamente.
Relatos de usuários e reclamações específicas
Vários usuários em diferentes níveis de assinatura são afetados:
- Assinatura Claude Pro (US$ 200 anuais): "Ela atinge o máximo toda segunda-feira e reinicia no sábado... em 30 dias, consigo usar o Claude 12."
- Plano Max 5 (US$ 100/mês): "Usei o Max 5 em 1 hora de trabalho, antes eu conseguia trabalhar 8 horas."
Causas potenciais e detalhes técnicos
Vários fatores podem estar contribuindo para o aumento do uso de tokens:
- Reduções de cota durante horários de pico: A Anthropic recentemente reduziu as cotas durante horários de pico, afetando aproximadamente 7% dos usuários.
- Término da promoção: 28 de março foi o último dia de uma promoção do Claude que dobrou os limites de uso fora de uma janela de pico de seis horas.
- Bugs suspeitos no cache de prompts: Um usuário afirma ter encontrado "dois bugs independentes que fazem o cache de prompts quebrar, inflacionando silenciosamente os custos em 10 a 20 vezes" após fazer engenharia reversa do binário do Claude Code.
Soluções alternativas e otimização de cache
Alguns usuários encontraram soluções temporárias:
- Reverter para versão mais antiga: "Reverter para a versão 2.1.34 fez uma diferença muito perceptível."
- Limitações do cache de prompts: O cache tem apenas cinco minutos de duração por padrão, o que significa que pausas curtas resultam em custos mais altos ao retomar.
- Opção de cache estendido: Desenvolvedores podem atualizar a duração do cache para uma hora, mas "tokens de gravação de cache de 1 hora custam 2 vezes o preço dos tokens de entrada base". Tokens de leitura de cache custam 0,1 vezes o preço base.
Problemas de transparência e contexto mais amplo
A Anthropic não declara limites exatos de uso para seus planos:
- Plano Pro: "pelo menos cinco vezes mais uso por sessão em comparação com nosso serviço gratuito"
- Plano Team padrão: "1,25x mais uso por sessão do que o plano Pro"
Os usuários precisam verificar seu painel para monitorar o consumo da cota. Problemas semelhantes foram relatados no início deste mês com o Google Antigravity.
Impacto em fluxos de trabalho automatizados
Para desenvolvedores executando o Claude Code em fluxos de trabalho automatizados: "Erros de limite de taxa precisam ser capturados explicitamente – eles parecem falhas genéricas e acionarão silenciosamente novas tentativas. Uma sessão em loop pode esgotar seu orçamento diário em minutos."
📖 Read the full source: HN AI Agents
👀 See Also

Codificação Slurm: O Padrão de Desenvolvimento com IA Onde o Tempo Desaparece
Um desenvolvedor descreve a 'programação Slurm' como um padrão de desenvolvimento intenso possibilitado por ferramentas de IA para programação, onde pequenas ideias rapidamente se transformam em sistemas completos através de um ciclo de feedback de implementação rápida e picos de dopamina.

Benchmark de Cache KV do Qwen 3.6-35B-A3B: f16 vs q8_0 vs Turbo3 vs Turbo4 no M5 Max com Contexto de até 1M
Benchmarks do fork TurboQuant Metal do TheTom no M5 Max mostram f16 e q8_0 OOM além de 256K, enquanto turbo3 atinge 1M a 6,5 tok/s decode. A divisão prefill/decode favorece turbo3 para prefill e turbo4 para decode em contextos longos.

Mistral Medium 3.5 128B Lançado: Modelo Denso com Raciocínio e Visão Configuráveis
A Mistral AI lançou o Mistral Medium 3.5, um modelo denso de 128B com contexto de 256k, esforço de raciocínio configurável e capacidades de visão, sob uma licença MIT modificada.

Decaimento de Restrições: Por que Agentes LLM Falham em Código de Backend Estruturado
Nova pesquisa introduz 'decadência de restrições': conforme requisitos estruturais se acumulam, o desempenho do agente LLM cai drasticamente — agentes capazes perdem 30 pontos nas taxas de aprovação, os mais fracos chegam perto de zero. Insights acionáveis para qualquer pessoa que use agentes de IA para codificação.