# Claude Code CLI
> Conecte a CLI do Claude Code à API da LMU AI: configuração do settings.json, seleção de modelos, LLMs chineses, ativação do contexto de 1M e correções de erros comuns.
URL: https://docs.lmuai.com/pt/docs/tools/claude-code
O Claude Code é o agente de codificação de IA oficial da Anthropic — ele roda no seu terminal e permite escrever, depurar e refatorar código em linguagem natural.
Se você prefere não editar o `settings.json` manualmente, use a [**importação em um clique do CC Switch**](/pt/docs/tools/cc-switch): clique no botão "Import to CCS" na lista de chaves no console da LMU AI, e a Base URL e a chave são configuradas automaticamente.
***
## Passo 1 — Instalar o Node.js [#passo-1--instalar-o-nodejs]
> Pule isto se já tiver; verifique com `node -v`.
Você precisa do **Node.js 18+** — download: [https://nodejs.org/en/download](https://nodejs.org/en/download)
```bash
# Verify after installing
node -v
# A version number (e.g. v24.4.1) means it installed correctly
```
```powershell
# During install, check "Automatically install the necessary tools"
# Reopen PowerShell after installing and verify
node -v
```
Se você o instalou antes, mas a versão está muito antiga ou o PATH está quebrado, reinstale e reabra o terminal.
***
## Passo 2 — Instalar o Claude Code [#passo-2--instalar-o-claude-code]
```bash
npm install -g @anthropic-ai/claude-code
```
```powershell
npm install -g @anthropic-ai/claude-code
```
Verifique a instalação:
```bash
claude --version
```
```bash
npm config set registry https://registry.npmmirror.com
npm install -g @anthropic-ai/claude-code
```
***
## Passo 3 — Configurar a API da LMU AI [#passo-3--configurar-a-api-da-lmu-ai]
O Claude Code configura um endpoint de API personalizado através do `settings.json`.
### Localização do arquivo de configuração [#localização-do-arquivo-de-configuração]
```bash
~/.claude/settings.json
```
```powershell
C:\Users\YourUsername\.claude\settings.json
```
### Criar o arquivo de configuração [#criar-o-arquivo-de-configuração]
```bash
mkdir -p ~/.claude && touch ~/.claude/settings.json
```
```powershell
mkdir "$env:USERPROFILE\.claude" -Force
New-Item "$env:USERPROFILE\.claude\settings.json" -Force
```
### Escrever a configuração [#escrever-a-configuração]
Abra o `settings.json` em um editor de texto e adicione o seguinte (substitua a chave pela sua):
```json
{
"env": {
"ANTHROPIC_BASE_URL": "https://api.lmuai.com",
"ANTHROPIC_AUTH_TOKEN": "sk-your-lmu-ai-api-key",
"API_TIMEOUT_MS": "3000000",
"CLAUDE_CODE_ATTRIBUTION_HEADER": "0"
}
}
```
* Defina `ANTHROPIC_AUTH_TOKEN` como a chave de API que você gerou no console da LMU AI (começa com `sk-`)
* Não use uma chave de API oficial da Anthropic
* Se você configurou uma chave oficial antes, limpe a configuração antiga primeiro e então escreva esta
* Definir `CLAUDE_CODE_ATTRIBUTION_HEADER` como `"0"` desativa o cabeçalho de atribuição de origem nas requisições, o que ajuda nos acertos de cache e na eficiência de tokens
***
## Ativar o contexto de 1M no Claude Code (opcional) [#ativar-o-contexto-de-1m-no-claude-code-opcional]
O Claude Opus 4.8 / Sonnet 5 suportam uma **janela de contexto longo de 1M token** (200K por padrão), útil para repositórios enormes, logs longos e refatorações entre arquivos. Adicione o sufixo `[1M]` ao ID do modelo para ativá-lo.
### Opção A — troca manual com /model (recomendada para uso ocasional) [#opção-a--troca-manual-com-model-recomendada-para-uso-ocasional]
**Mantenha um settings.json mínimo** (apenas `ANTHROPIC_BASE_URL` + `ANTHROPIC_AUTH_TOKEN`), inicie o Claude Code e digite no prompt:
```
/model claude-opus-5[1M]
```
ou:
```
/model claude-sonnet-5[1M]
```
Isto troca para a versão de 1M sem alterações de configuração. Aplica-se à sessão atual e reverte ao sair.
### Opção B — um padrão fixo no settings.json (recomendada para uso diário de contexto longo) [#opção-b--um-padrão-fixo-no-settingsjson-recomendada-para-uso-diário-de-contexto-longo]
Adicione duas linhas à seção `env` do `settings.json` para que `/model opus` / `/model sonnet` usem a versão de 1M por padrão:
```json
{
"env": {
"ANTHROPIC_BASE_URL": "https://api.lmuai.com",
"ANTHROPIC_AUTH_TOKEN": "sk-your-lmu-ai-api-key",
"ANTHROPIC_DEFAULT_OPUS_MODEL": "claude-opus-5[1M]",
"ANTHROPIC_DEFAULT_SONNET_MODEL": "claude-sonnet-5[1M]",
"API_TIMEOUT_MS": "3000000",
"CLAUDE_CODE_ATTRIBUTION_HEADER": "0"
}
}
```
Salve e reinicie o Claude Code; selecionar opus / sonnet no comando `/model` agora usa a versão de 1M automaticamente.
**Referência de campos**
| Campo | Finalidade |
| -------------------------------- | ----------------------------------------------------------------------------------------- |
| `ANTHROPIC_DEFAULT_OPUS_MODEL` | O ID do modelo realmente enviado quando você escolhe `opus` no Claude Code |
| `ANTHROPIC_DEFAULT_SONNET_MODEL` | O mesmo, para `sonnet` |
| sufixo `[1M]` | Ativa o modo de contexto longo de 1M token do modelo; sem ele, aplica-se o padrão de 200K |
* **Cobrança diferente**: o modo de contexto de 1M é tarifado por faixas de preço da Anthropic, e o preço por token é geralmente **mais alto que o modo padrão de 200K**, então tarefas de texto longo custam significativamente mais — não o deixe ligado a menos que precise
* **Apenas alguns modelos suportam**: os modelos principais Opus / Sonnet `claude-opus-5`, `claude-fable-5`, `claude-opus-4-8`, `claude-opus-4-7`, `claude-sonnet-5` suportam o sufixo `[1M]`; a série Haiku e modelos mais antigos não. A lista da [Galeria de Modelos](/pt/docs/guide/models) é a fonte de verdade
* **Escolha a Opção A para uso ocasional, a Opção B para uso regular** — escolha uma
***
## Usar modelos chineses (opcional) [#usar-modelos-chineses-opcional]
A LMU AI suporta LLMs chineses (ex.: a série Qwen). Definindo `model` no `settings.json`, **você pula a troca manual com `/model` a cada inicialização** e usa o modelo especificado diretamente.
```json
{
"env": {
"ANTHROPIC_BASE_URL": "https://api.lmuai.com",
"ANTHROPIC_AUTH_TOKEN": "sk-your-lmu-ai-api-key",
"CLAUDE_CODE_ATTRIBUTION_HEADER": "0"
},
"model": "qwen3.8-max-preview",
"effortLevel": "medium"
}
```
**Referência de campos:**
| Campo | Descrição |
| -------------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------- |
| `model` | O modelo padrão, carregado na inicialização — sem troca manual toda vez |
| `effortLevel` | Esforço de raciocínio: `low` / `medium` / `high`; `medium` é recomendado para modelos chineses |
| `CLAUDE_CODE_ATTRIBUTION_HEADER` | Defina como `"0"` para desativar o cabeçalho de atribuição de origem, o que ajuda nos acertos de cache, eficiência de tokens e compatibilidade |
* `qwen3.8-max-preview` — Qwen 3.8 Max Preview (mais recente)
* `qwen3.7-max` — Qwen 3.7 Max
* `glm-5.2` — Zhipu GLM-5.2
* `deepseek-v4-pro` — DeepSeek V4 Pro
* `kimi-k3` — Kimi K3
A lista de **Modelos Disponíveis** no console da LMU AI é a fonte de verdade.
| | Modelos chineses | Modelos oficiais do Claude |
| ----------------------------- | ---------------- | -------------------------- |
| Custo | Menor | Maior |
| Compreensão de chinês | Excelente | Boa |
| Capacidade de codificação | Excelente | Excelente |
| Configuração de modelo padrão | ✅ Suportada | ✅ Suportada |
***
## Passo 4 — Iniciar o Claude Code [#passo-4--iniciar-o-claude-code]
Abra um terminal no diretório do seu projeto e execute:
```bash
claude
```
### Modo sem aprovação (recomendado) [#modo-sem-aprovação-recomendado]
```bash
claude --dangerously-skip-permissions
```
> Neste modo, o Claude Code executa comandos automaticamente sem confirmar cada passo — prático dentro de um diretório de projeto.
***
## Verificar a configuração [#verificar-a-configuração]
Após iniciar, digite na interface do Claude Code:
```
/status
```
Ela mostra o atual:
* Nome do modelo
* API Base URL (deve mostrar `https://api.lmuai.com`)
* Status da chave de API
Se a Base URL estiver correta, a configuração está funcionando.
***
## Problemas comuns [#problemas-comuns]
### 401 Unauthorized [#401-unauthorized]
**Causa:** a chave de API está errada, ou a requisição ainda foi para o endpoint oficial da Anthropic.
**Correção:**
1. Confirme que `ANTHROPIC_AUTH_TOKEN` no `settings.json` é sua chave da LMU AI
2. Verifique se uma variável de ambiente do shell está sobrescrevendo a configuração
```bash
echo $ANTHROPIC_BASE_URL
```
```powershell
echo $env:ANTHROPIC_BASE_URL
```
3. Reabra o terminal e então inicie o Claude Code novamente
### stream disconnected [#stream-disconnected]
**Causa:** uma rede local instável, ou uma VPN / proxy / proxy do sistema está ligado — um proxy rotacionando o IP quebra a conexão.
**Correção:** desligue a VPN / proxy / proxy do sistema e tente novamente. A LMU AI é uma conexão doméstica direta e não precisa de VPN; uma conexão direta é a mais rápida e estável.
### 503 No available accounts [#503-no-available-accounts]
**Causa:** geralmente `~/.zshrc` ou `~/.bashrc` define variáveis de ambiente globais como `ANTHROPIC_AUTH_TOKEN` / `ANTHROPIC_BASE_URL`, que sobrescrevem o `settings.json`.
**Correção:** remova essas linhas da configuração do seu shell, ou mova-as para um arquivo separado que você só faz `source` ao iniciar o Claude Code. Veja [FAQ · Problema 6](/pt/docs/guide/faq#issue-6).
### Timeouts de resposta [#timeouts-de-resposta]
**Causa:** o timeout padrão é curto.
**Correção:** confirme que `API_TIMEOUT_MS` está definido como `3000000` (50 minutos) para que tarefas longas não sejam interrompidas.
***
## Dicas [#dicas]
* Inicie o Claude Code a partir da raiz do projeto para que ele reconheça a estrutura do projeto automaticamente
* Passe uma instrução diretamente, ex.: `claude "refatore esta função para mim"`
* `Ctrl+C` interrompe a tarefa atual, `/exit` sai
* Digite `?` ou `/help` para ver todos os comandos
***
## Usar /goal para fazer o Claude Code trabalhar até o objetivo ser cumprido (opcional) [#usar-goal-para-fazer-o-claude-code-trabalhar-até-o-objetivo-ser-cumprido-opcional]
`/goal` é um comando de barra integrado do Claude Code (disponível desde a **v2.1.139**, maio de 2026) que define uma **condição de conclusão** para a sessão atual. Uma vez definido, o Claude **continua ao longo dos turnos por conta própria** até que a condição seja julgada cumprida, em vez de parar quando "parece pronto". É especialmente útil na LMU AI para tarefas longas de execução até a conclusão (refatorações de repositórios grandes, implementação conforme uma especificação de aceitação, limpeza de um backlog de issues).
> Versões mais antigas não têm este comando. Se ele reportar um comando desconhecido, atualize o Claude Code para a versão mais recente primeiro.
### Uso básico [#uso-básico]
| Comando | Finalidade |
| ------------------------------- | ----------------------------------------------------------------------------------------------------------------- |
| `/goal ` | Define um objetivo; o Claude inicia um turno imediatamente e continua automaticamente até a condição ser cumprida |
| `/goal` | Mostra o status e o progresso do objetivo atual (ou mais recente) |
| `/goal clear` | Limpa o objetivo atual antecipadamente (`stop` / `off` / `reset` / `cancel` / `none` são equivalentes) |
Uma sessão tem **apenas um objetivo por vez**; definir um novo substitui o antigo e inicia um novo turno imediatamente.
### Como ele julga "cumprido" [#como-ele-julga-cumprido]
Ao final de cada turno, o Claude Code entrega **sua condição de conclusão + a conversa deste turno** a um modelo pequeno e rápido (**Haiku** por padrão) para julgar. O juiz **só olha as evidências já presentes na conversa** — saída de testes, logs de build, diffs de arquivos — e **não vai re-executar toda a sua CI pelas suas costas**. Então escreva a condição de uma forma em que o Claude possa "produzir evidências" na conversa.
O objetivo é **limpo automaticamente** em qualquer um destes casos:
* a condição é julgada **cumprida**;
* o modelo julga a condição **impossível de satisfazer**;
* um turno **atinge um erro que precisa da sua intervenção**.
### Escrever uma boa condição de objetivo [#escrever-uma-boa-condição-de-objetivo]
* **Use um estado final verificável**: ex.: "`npm test` sai com 0", "`tsc --noEmit` não reporta erros" — não descrições subjetivas como "deixar o código mais bonito";
* **Deixe as evidências chegarem à conversa**: imprima os resultados de teste / build a cada turno para que o modelo juiz possa vê-los;
* **Delimite o escopo + limite os turnos**: ex.: "altere apenas arquivos em `src/auth/`, pare após no máximo 20 turnos" para evitar rodar em círculos;
* Requer um **workspace confiável (hooks ativados)** para ter efeito.
Cada turno extra de `/goal` gasta mais uma rodada de tokens (mais um pouco de sobrecarga do Haiku para o julgamento por turno). Ao rodar um objetivo longo na LMU AI, escreva um **estado final** claro e uma **contagem máxima de turnos** na condição para que ele não queime cota rodando em círculos em um objetivo não verificável. Para um loop de "auto-corrigir repetidamente até os checks passarem", combine `/goal` com `/loop`.