--- title: "Prompt e Contexto" source: "https://systems-analysis.info/int/Prompt_e_Contexto" wiki: "systems-analysis.info/int" article: "Prompt_e_Contexto" language: "pt" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Portuguese" - "Category:Prompt engineering" revision_id: 6011 wiki_created_at: 2026-09-06T23:57:08Z wiki_modified_at: 2026-09-06T23:57:08Z downloaded_at: 2026-09-07T23:11:32Z --- # Prompt e Contexto **Prompt** e **contexto** são conceitos fundamentais na engenharia de prompt para grandes modelos de linguagem (LLMs). O contexto é um componente criticamente importante do prompt, determinando a capacidade do LLM de gerar respostas precisas, relevantes e úteis. A engenharia de prompt eficaz consiste em grande parte na arte de coletar, filtrar, estruturar e apresentar o contexto correto ao modelo no momento certo, superando ao mesmo tempo as limitações dos LLMs modernos. ## Definição de Prompt **Prompt** (do inglês *prompt*) é o conjunto completo de dados de entrada fornecido a um LLM para gerar uma resposta. Não é apenas uma pergunta ou um comando, mas um texto estruturado que pode incluir: - **Instruções:** Orientações diretas ao modelo sobre o que fazer, em que formato, estilo ou tom. - **Consulta principal (Query):** A pergunta direta do usuário ou a descrição da tarefa principal. - **Contexto:** Informações adicionais necessárias para a correta execução da consulta. - **Exemplos (*Few-shot examples*):** Demonstração do formato ou estilo de resposta desejado em tarefas semelhantes. A qualidade e a completude do prompt determinam diretamente a relevância, a precisão e a utilidade da resposta do LLM. ## Definição de Contexto **Contexto**, no âmbito da engenharia de prompt, é qualquer informação **dentro do prompt** que ajuda o modelo a entender melhor a tarefa, as especificidades da situação ou as expectativas do usuário, mas que **não faz parte** de seus dados de treinamento originais. O contexto fornece os detalhes situacionais necessários para gerar uma resposta adequada. O contexto pode incluir: - Histórico do diálogo anterior (em chatbots). - Dados extraídos de fontes externas (documentos, bancos de dados, páginas da web) — a base do RAG. - Informações sobre o usuário (perfil, preferências). - Detalhes específicos da tarefa ou situação atual. - Exemplos de execução de tarefas semelhantes (como parte do *few-shot prompting*). É importante distinguir o contexto fornecido no prompt do conhecimento geral adquirido pelo modelo durante seu pré-treinamento. A engenharia de prompt foca na provisão eficaz de contexto especificamente **situacional**. ## Relação e Influência **Prompt e contexto** são conceitos fundamentais no funcionamento dos transformadores, determinando como o modelo percebe os dados de entrada e com base em que gera o resultado. Arquitetonicamente, um transformer não distingue especificamente entre "prompt" e "contexto" – ambos são partes da sequência de tokens de entrada, que são convertidos em embeddings, enriquecidos com informações posicionais e processados coletivamente pelas camadas de autoatenção. Prompt e contexto estão intrinsecamente ligados: **o contexto é uma parte integrante do prompt**. - **O contexto molda o prompt:** O engenheiro seleciona e estrutura o contexto relevante para inclusão no prompt. - **O contexto direciona o modelo:** A informação fornecida permite que o LLM restrinja o espaço de respostas possíveis, foque nos aspectos relevantes e evite [alucinações](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs "Alucinações e respostas incorretas de LLMs"). - **A qualidade do contexto determina a qualidade da resposta:** Um contexto insuficiente, irrelevante ou contraditório leva a respostas imprecisas, genéricas ou errôneas. Um contexto preciso e completo aumenta a especificidade e a utilidade da geração. - **Influência na interpretação das instruções:** O contexto pode refinar ou modificar a interpretação de instruções gerais no prompt. A eficácia de um prompt depende em grande parte do sucesso do engenheiro em coletar, filtrar e apresentar o contexto relevante ao modelo. ## Tipos de Contexto O contexto pode ser classificado por diferentes critérios: **Por fonte:** - Fornecido pelo usuário: A entrada explícita do usuário, sua pergunta ou descrição da tarefa. - Do histórico do diálogo: Mensagens anteriores do usuário e do assistente (memória de curto prazo). - Recuperado (*Retrieved*): Dados de fontes externas (documentos, bancos de dados, web) por meio de RAG. - Do perfil/base de conhecimento: Informações de longo prazo sobre o usuário ou o domínio. - Estático/Instrutivo: Informações inseridas pelo engenheiro no template do prompt (instruções, exemplos, definições de papéis). **Por dinamicidade:** - Contexto estático: Parte invariável do prompt (instruções, definições, exemplos). Define a tarefa geral. - Contexto dinâmico: Informações que mudam de uma consulta para outra (dados do usuário, resultados de RAG, hora atual). Fornece detalhes específicos. **Por tempo de armazenamento (Memória):** - Contexto de curto prazo: Histórico da sessão de diálogo atual. - Contexto de longo prazo: Dados salvos sobre o usuário ou interações anteriores, que exigem mecanismos de armazenamento e recuperação. ## Gerenciamento de Contexto O gerenciamento eficaz do contexto é uma tarefa chave na engenharia de prompt, especialmente à luz das limitações da janela de contexto dos LLMs. Os principais métodos são: - **RAG:** O método mais comum para trabalhar com grandes volumes de informação. Permite encontrar e incluir dinamicamente no prompt apenas os fragmentos mais relevantes de uma vasta base de conhecimento. Requer um banco de dados vetorial e mecanismos de busca eficientes (lexicais ou semânticos). - **Chunking (Divisão em blocos):** Divisão de documentos grandes em partes semanticamente relacionadas ou de tamanho fixo para indexação e posterior recuperação via RAG. - **Sumarização:** Compressão de um longo histórico de diálogo ou de documentos volumosos para transmitir o sentido principal dentro da janela de contexto limitada. - **Gerenciamento de Memória (*Memory Management*):** Uso de várias estratégias para armazenar e recuperar o histórico de diálogos em chatbots e agentes (por exemplo, ConversationBufferMemory, ConversationSummaryBufferMemory em LangChain). - **Janela deslizante (*Sliding Window*):** Manter apenas as N últimas mensagens do diálogo no contexto. - **Filtragem e Priorização:** Seleção dos fragmentos de contexto mais relevantes com base em sua importância (por exemplo, usando pontuações de relevância fornecidas pela busca) antes de montar o prompt final. ## O Papel do Contexto na Engenharia de Prompt - **Aumento da Relevância:** O contexto permite que o modelo gere respostas que correspondem precisamente à consulta e à situação do usuário. - **Redução de Alucinações:** Fornecer informações factuais (via RAG) força o modelo a se basear nelas em vez de inventar fatos. - **Personalização:** O contexto sobre o usuário (preferências, histórico) permite adaptar as respostas. - **Gerenciamento de Estado:** Em diálogos e processos de múltiplos passos, o contexto (histórico) garante a continuidade e a consciência do modelo sobre os passos anteriores. - **Superação das Limitações de Conhecimento do Modelo:** O RAG permite que o modelo responda a perguntas sobre eventos que ocorreram após seu treinamento ou sobre dados específicos/privados. ## Limitações - **Limite da Janela de Contexto:** Apesar do aumento para 1-2 milhões de tokens nos modelos modernos, o processamento de tais volumes pode ser caro e lento. Exige estratégias eficientes de compressão e seleção (RAG, sumarização). - **Busca por Contexto Relevante:** A eficácia do RAG depende da qualidade da busca. Um contexto recuperado incorretamente pode confundir o modelo ("lixo na entrada, lixo na saída"). - **"Vale da Indiferença" (*Valley of Meh*):** Informações localizadas no meio de um prompt muito longo podem ser ignoradas pelo modelo. Requer a estruturação do prompt (por exemplo, a "técnica do sanduíche"). - **Risco de Injeção de Contexto:** Se o contexto for extraído de fontes não confiáveis (por exemplo, páginas da web), ele pode conter instruções maliciosas (injeções de prompt). ## Ver também - Grandes modelos de linguagem - Janela de contexto - Bancos de dados vetoriais - LangChain ## Literatura - Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. arXiv:2005.11401. - Wei, J. et al. (2022). *Chain of Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916. - Chen, S. et al. (2023). *Extending Context Window of Large Language Models via Positional Interpolation*. arXiv:2306.15595. - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761. - Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687. - Packer, C. et al. (2023). *MemGPT: Towards LLMs as Operating Systems*. arXiv:2310.08560. - Wang, Y. et al. (2023). *Self-Instruct: Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560. - Sahoo, P. et al. (2024). *A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications*. arXiv:2402.07927. - Kim, S. H. et al. (2024). *Theanine: Revisiting Memory Management in Long-term Conversations with Timeline-augmented Response Generation*. arXiv:2406.10996. - Chen, S. et al. (2024). *StruQ: Defending Against Prompt Injection with Structured Queries*. arXiv:2402.06363. - Zhong, M. et al. (2024). *Understanding the RoPE Extensions of Long-Context LLMs: An Attention Perspective*. arXiv:2406.13282. - Han, H. et al. (2025). *Retrieval-Augmented Generation with Graphs (GraphRAG)*. arXiv:2501.00309. - Self-Instruct (2025). *Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560.