Do prompting à engenharia de contexto: 6 técnicas práticas que economizam horas de ajuste de respostas

• Custo do cirílico em tokens: de 2 a 3 vezes maior que o do texto em inglês (1 token em EN ≈ 4 caracteres)
• Limite prático da janela de contexto: até 1 milhão de tokens nos modelos de ponta, mas com degradação da atenção no trecho do meio
• Número ideal de exemplos few-shot: exatamente 2–3 amostras (com 10 exemplos, o modelo copia ruído superficial)
• Ciclo de ajuste no diálogo: 5–6 iterações consecutivas, do rascunho ao documento final

Desde 2023, quando começamos a levar a produção de livros da Alpina para os trilhos da IA e transformamos o desenvolvimento interno do AlpinaGPT em um produto corporativo externo, milhares de consultas de usuários já passaram pelas minhas mãos. O quadro é o mesmo em todo lugar: dois funcionários abrem o mesmo modelo de ponta, mas o primeiro recebe uma resposta vazia e burocrática, enquanto o segundo, em três minutos, já tem em mãos uma análise financeira completa ou um parecer jurídico pronto.

Para controlar o resultado, é preciso entender a física do processo. Um modelo de linguagem com um trilhão de parâmetros funciona como um gigantesco previsor probabilístico — um T9 aprimorado, treinado com bilhões de textos. Ele não "sabe" fatos no sentido humano, mas calcula a continuação mais provável de uma cadeia de tokens.

Em inglês, um token equivale a cerca de quatro caracteres, enquanto o cirílico é fragmentado de forma muito mais fina e custa de 2 a 3 vezes mais em orçamento e memória. Embora as janelas dos modelos de ponta da Claude, GPT e Gemini tenham crescido para um milhão de tokens, quando o chat é preenchido até o limite, o modelo começa a perder fatos do meio do documento.

Por que a engenharia de contexto substituiu a busca por "palavras

mágicas" em 2026?

Analistas da Gartner e engenheiros da Anthropic apontam que a principal mudança de 2026 é a passagem da escolha clássica de palavras para o context engineering — a construção do ambiente informacional em torno de uma tarefa. Se alguém disser a frase "Era uma vez, numa floresta...", qualquer falante familiarizado completará instantaneamente, porque o contexto cultural estreitou drasticamente as opções. Sem contexto, uma rede neural extrai sua resposta da nuvem mais ampla e genérica de significados da internet.

Um bom prompt funciona como o cinzel de um escultor: corta os ramos probabilísticos desnecessários, deixando ao modelo apenas um corredor estreito em direção às soluções que você realmente precisa. Na minha prática, isso se traduz em duas técnicas básicas:

1. A fórmula de consulta de cinco componentes: Papel (quem responde e com que experiência), Contexto (detalhes do negócio, parâmetros do cliente, histórico), Tarefa (um verbo de ação com um número: "extraia 5 condições e avalie 3 riscos"), Formato (tabela, lista, pitch com exatamente 200 palavras) e Restrições ("sem juridiquês ou burocratês, estritamente com base no arquivo anexado"). Basta fornecer um contexto detalhado — por exemplo, "cliente com faturamento de 500 milhões de rublos no plano básico, estamos escrevendo uma proposta comercial para o CFO sobre processamento de pagamentos com cálculo de economia" — para que o modelo já entregue um documento utilizável.

2. Carregamento completo de contexto: antes de definir a tarefa, eu alimento o modelo com os regulamentos originais, a correspondência e as tabelas na íntegra, para que a assimetria de informação entre mim e a rede neural chegue a zero.

Como funcionam a cadeia de raciocínio, os exemplos few-shot e o

recorte por papel?

Quando a tarefa exige análise complexa ou um padrão corporativo rígido, entram em jogo as três técnicas seguintes:

• Cadeia de raciocínio passo a passo (Chain-of-Thought): se você simplesmente pedir ao modelo para "avaliar a campanha publicitária", vai receber um inútil "a eficiência é alta". Em vez disso, eu defino um roteiro rígido: "passo 1, compare o alcance com o orçamento; passo 2, calcule a conversão de cada etapa do funil; passo 3, compare com os benchmarks do setor; passo 4, formule um veredito". A lógica se torna transparente: se um erro se infiltrar no segundo passo, ele é detectado imediatamente.
• Calibração com 2–3 exemplos (few-shot): para tarefas simples de classificação, basta uma instrução sem exemplos (zero-shot). Mas quando é preciso um layout específico de relatório corporativo ou um tom de marca, é mais fácil mostrar uma referência. Uma regra empírica importante: o ideal é exatamente 2–3 amostras. Se você carregar 10 exemplos no prompt, o modelo se sobreajusta na hora e começa a copiar detalhes aleatórios, como o tamanho dos parágrafos e palavras de transição, em vez de captar a essência da estrutura.
• Foco por papel: atribuir um papel ("você é um advogado especializado em contratos" ou "você é o diretor comercial de uma integradora B2B") não adiciona novo conhecimento aos pesos do modelo, mas muda o registro lexical e o ângulo de abordagem — o modelo passa a olhar o texto pela lente do risco ou da margem.

O que fazer na prática quando não dá para formular uma consulta

complexa de primeira?

Para tarefas atípicas, uso uma sexta técnica, o metaprompting, em que a própria rede neural projeta o prompt para o modelo de destino. Recentemente, em um workshop, uma participante perguntou como restaurar plantas e fachadas de prédios com duzentos anos de idade. Abrimos o Gemini e demos a seguinte tarefa: "Escreva um prompt detalhado em inglês para o modelo gráfico Nano Banana Pro voltado à restauração arquitetônica de plantas antigas de fachadas, preservando as proporções". O modelo gerou um briefing técnico preciso, com terminologia profissional, que já na primeira execução produziu um resultado visual limpo.

E a regra principal do diálogo: uma pesquisa da Anthropic confirma que a maioria dos usuários abandona o chat já após a primeira resposta. É preciso trabalhar com um LLM como se fosse um analista ao vivo, ao longo de 5–6 iterações: aceitar o rascunho, ajustar a estrutura, reforçar a argumentação e lapidar a redação. Reunimos bibliotecas desses prompts de múltiplas etapas com os alunos da [Hamidun Academy](https://academy.hamidun.com) e as testamos em problemas reais de negócios no [Vibe Club](https://hamidun.com/club).