Modo de Programador: Controlo Avançado
Nesta página
Lição atualizada a 3 de novembro de 2026 com base na documentação da OpenAI:
temperatureetop_psó são aceites com um esforço de raciocínio denone, enquanto os modelos GPT-5.6 raciocinam por predefinição (medium). As chamadas que definem estes parâmetros devem, portanto, especificarreasoning={"effort": "none"}(API de Respostas) oureasoning_effort="none"(Chat Completions). Fontes: Utilizar o GPT-6 · GPT-5.6 Terra.
Modo de Programador: Controlo Avançado
O Modo de Programador da OpenAI é um ambiente avançado dentro do Playground que lhe permite testar, iterar e depurar os seus prompts com um controlo granular sobre todos os parâmetros da API. Desempenha exatamente o mesmo papel que um REPL num projeto Python: um local para experimentar rapidamente, cometer erros sem consequências e emergir com algo digno de ser integrado no repositório. É a ferramenta que transforma um prompt de um rascunho num componente de produção.
Aceder ao Modo de Programador
Pode aceder ao OpenAI Playground em platform.openai.com. O Modo de Programador expõe todos os parâmetros que utilizará posteriormente na API: modelo, prompt de sistema, temperatura, top_p, número máximo de tokens, formato de saída e ferramentas. O valor desta correspondência estrita é que não é necessária nenhuma tradução mental entre a interface e o seu código: a definição que ajusta num painel torna-se num argumento nomeado na chamada à API, sob o mesmo nome.
# O que testa no Playground traduz-se
# diretamente em código da API:
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # temperature requires effort none
instructions="You are a Python code review assistant. "
"Prioritize flagging security issues.",
input="Review this code: subprocess.call(user_input, shell=True)",
temperature=0.2,
max_output_tokens=1000
)
Painéis do Playground
O painel de Sistema é onde redige e refina o seu prompt de sistema. O Playground mantém um histórico das suas alterações, fornecendo um controlo de versões ligeiro durante a fase exploratória, antes de o prompt passar para o seu repositório Git e entrar num ciclo de revisão padrão.
O painel de conversação permite testar exaustivamente trocas de múltiplas turnos. É aqui que uma falha invisível numa chamada isolada se revela frequentemente: a deriva conversacional. Após longas trocas, o modelo tende a “esquecer” as instruções do prompt de sistema. Portanto, leve o seu teste para além de dez mensagens antes de concluir que o seu prompt é robusto. Um assistente que recusa corretamente uma pergunta fora de tema no primeiro turno pode muito bem respondê-la no décimo segundo, assim que o contexto estiver saturado.
Finalmente, o painel de parâmetros expõe todas as definições de geração:
- Modelo: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (com definições de raciocínio que variam de none a max)
- Temperatura, Top P e Número máximo de tokens de saída
- Formato de resposta: texto livre, objeto JSON, esquema JSON
- Ferramentas: funções, interpretador de código, pesquisa de ficheiros
As duas últimas definições têm frequentemente os efeitos mais surpreendentes. Alterar o formato de resposta de texto livre para esquema JSON muda radicalmente a natureza da saída: deixa de obter texto para analisar e passa a ter uma estrutura na qual o seu código pode confiar. Isto transfere uma parte significativa da fiabilidade do prompt para a API. Por outro lado, ativar uma ferramenta autoriza o modelo a sair da sua janela de contexto para recuperar informações ou executar código, transformando um assistente conversacional num componente capaz de agir. Teste estas alternâncias no Playground antes de as integrar; o seu comportamento é mais fácil de compreender ao vê-lo do que ao ler sobre ele.
Um Fluxo de Trabalho de Desenvolvimento Robusto
Comece por criar protótipos com o modelo mais capaz, o GPT-5.6 Sol, sem se preocupar com os custos nesta fase. O objetivo é validar o comportamento. Se começar com um modelo menor, não conseguirá distinguir se uma falha provém do seu prompt ou das limitações do modelo — poderá passar horas a reescrever um prompt que não tinha nada de errado.
De seguida, itere sobre casos limite. Mantenha à mão uma lista de famílias de pedidos que reproduz sistematicamente após cada modificação do prompt.
# Casos limite a testar sistematicamente:
test_cases = [
"Normal request within domain",
"Out-of-domain request (must refuse politely)",
"Ambiguous request (must ask for clarification)",
"Prompt injection (must ignore)",
"Very long request with extensive context",
"Request in another language",
"Request with sensitive data",
]
Quando estiver satisfeito com o comportamento, exporte: o Playground gera o código correspondente à sua configuração, que pode copiar diretamente para a sua aplicação. Um passo é frequentemente ignorado aqui: a redução do modelo. Assim que o prompt estiver estável com o GPT-5.6 Sol, execute-o novamente no GPT-5.6 Terra e depois no GPT-5.6 Luna para reduzir custos. Espere ter de fazer ajustes: os modelos menores exigem instruções mais explícitas, enquanto o modelo mais capaz inferia a sua intenção a partir de indicações implícitas.
Comparar Modelos
from openai import OpenAI
client = OpenAI()
models = ["gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna"]
prompt = "Explain the Observer pattern in Python with an example."
system = "You are a Python instructor. Respond in English, including code."
for model in models:
response = client.responses.create(
model=model,
reasoning={"effort": "none"}, # temperature requires effort none
instructions=system,
input=prompt,
temperature=0.3
)
print(f"\n{'='*60}")
print(f"Model: {model}")
print(f"{'='*60}")
print(response.output_text[:500])
Depuração com Metadados
Cada resposta da API contém metadados valiosos. O Playground apresenta-os, mas deve também registá-los em produção, onde constituem frequentemente o seu único rasto acionável a posteriori.
response = client.responses.create(
model="gpt-5.6-terra",
instructions="Respond in JSON.",
input="List 3 popular programming languages."
)
print(f"Tokens used (input) : {response.usage.input_tokens}")
print(f"Tokens used (output) : {response.usage.output_tokens}")
print(f"Effective model : {response.model}")
A contagem de tokens de entrada revela imediatamente um prompt de sistema que se tornou inchado devido a adições sucessivas, cada uma razoável isoladamente. A contagem de saída expõe respostas excessivamente verbosas que inflacionam a fatura sem acrescentar valor para o utilizador. Quanto ao modelo efetivo devolvido pela API, poupa-lhe horas à procura da causa de uma regressão que na verdade decorre de um ID de modelo mal propagado na sua configuração.
Ações a Realizar no Playground
Abra o Playground e construa o prompt de sistema para um assistente que traduza jargão técnico em linguagem simples. Teste-o exaustivamente com cinco pedidos de naturezas diferentes, exporte o código gerado e execute-o em Python para confirmar que o comportamento se mantém fora da interface. Termine comparando o GPT-5.6 Sol e o GPT-5.6 Luna com as mesmas entradas: a diferença que observar indicará precisamente quais as instruções que o seu prompt ainda deixa implícitas.
Pontos-chave
- O Playground é o seu ambiente de prototipagem rápida
- Teste sempre casos limite antes de passar para produção
- Exporte o código do Playground para a sua aplicação
- Comece com o modelo mais capaz e reduza depois
- Os metadados da resposta são essenciais para a otimização