Contexto e Restrições
Nesta página
Contexto: Dê ao modelo o que ele não sabe
Os modelos Mistral possuem um conhecimento geral extenso, mas não sabem nada sobre a sua situação específica: a sua empresa, o seu projeto, o seu público, as suas restrições comerciais. O contexto que fornece no seu prompt colmata esta lacuna. É isto que faz a diferença entre uma ferramenta de uso geral e um assistente especializado. Sem contexto, o modelo produz respostas genéricas — corretas na média, inutilizáveis no particular. Com o contexto certo, produz respostas adaptadas.
Três tipos de contexto a fornecer
O primeiro é o contexto situacional: a situação que envolve o seu pedido. Um diretor de marketing que escreva simplesmente “proponha um plano de marketing” receberá um plano de livro didático. Se especificar a sua situação, tudo muda:
Contexto: Sou o diretor de marketing de uma PME com 50 colaboradores
especializada na venda de mobiliário de escritório B2B.
Vamos lançar uma nova linha ecológica em setembro de 2026.
O nosso orçamento anual de marketing é de 80.000 €.
Cada frase neste contexto elimina dezenas de respostas fora de tema: sem estratégias B2C, sem orçamentos de sete dígitos, sem recomendações desligadas do lançamento.
O segundo é o contexto documental: os dados que o modelo deve analisar ou utilizar. O modelo não conhece os seus números internos — tem de lhos fornecer, idealmente delimitados por tags para os separar das instruções:
Aqui estão os resultados trimestrais para analisar:
<data>
Q1 2026: Receita 1,2 M€, margem 23%, 145 novos clientes
Q2 2026: Receita 1,5 M€, margem 21%, 178 novos clientes
Q3 2026: Receita 1,1 M€, margem 19%, 112 novos clientes
</data>
Identifique tendências e proponha 3 ações corretivas para o Q4.
O terceiro é o contexto de audiência: para quem se destina o conteúdo gerado. Não explica o mesmo tópico da mesma forma a um iniciante e a um especialista. Especifique, por exemplo: “O texto destina-se a programadores Python experientes (mais de 5 anos de experiência) que descobrem as APIs de modelos de linguagem pela primeira vez. Não é necessário explicar os fundamentos de Python, mas detalhe os conceitos de LLM.” O modelo calibrará então o seu nível de detalhe exatamente onde o seu leitor precisa.
Definir o formato esperado
O formato de saída é uma das restrições mais poderosas. Sem orientação, o modelo escolherá um formato padrão — muitas vezes prosa — que terá de retrabalhar. Ao especificar o formato, obtém exatamente o que precisa, pronto a usar.
Para uma lista, diga-o: “Liste as vantagens em pontos (máximo 5).” Para uma tabela: “Apresente os resultados numa tabela Markdown com as colunas Funcionalidade | Disponibilidade | Prioridade.” Para integração de software, o JSON estruturado é rei, e merece ser especificado campo por campo:
Devolver a resposta no seguinte formato JSON:
{
"summary": "string (máx. 100 palavras)",
"keywords": ["string"],
"sentiment": "positive | neutral | negative",
"confidence_score": "number (0-1)"
}
O mesmo princípio aplica-se ao código: “Escreva a função em Python 3.11+. Adicione docstrings no estilo Google e dicas de tipo. Inclua 2 exemplos de utilização em comentários no final.” Quanto mais precisamente descrever o formato, menos retrabalho terá de fazer.
Restringir o comprimento
Os modelos Mistral tendem a ser exaustivos se não definir limites. Pode restringir o comprimento por contagem de palavras (“Responda em no máximo 150 palavras”), por estrutura (“Responda em exatamente 3 parágrafos de 2-3 frases cada”) ou por elementos (“Dê exatamente 5 recomendações, cada uma numa frase”).
Um aviso, no entanto: os modelos de linguagem contam palavras e caracteres mal. Pedir “exatamente 150 palavras” produzirá um texto de cerca de 150 palavras, raramente exato. Se o comprimento for realmente importante para si, prefira restrições estruturais — número de parágrafos, pontos, secções — que o modelo segue com muito mais fidelidade do que contagens precisas.
Restringir o tom e o registo
O tom da resposta influencia diretamente a sua utilidade: texto com o tom errado é texto que tem de reescrever. Seja explícito, mesmo que isso signifique acumular especificações: “Tom: profissional mas acessível. Evite jargão técnico a menos que inevitável (nesse caso, defina-o). Use linguagem formal. Sem emojis ou linguagem informal.”
Dica profissional: as diretrizes de tom mais eficazes comparam frequentemente a tarefa a uma situação profissional conhecida. “Responda como um consultor sénior a apresentar a um comité executivo”, “Adote um tom pedagógico, como um professor a explicar a estudantes de mestrado” ou “Seja direto e conciso, como um relatório de auditoria interna”: cada uma destas frases condensa todo um conjunto de escolhas de vocabulário, comprimento e postura numa única imagem que o modelo sabe descodificar.
Restringir o âmbito
Delimitar o âmbito significa dizer ao modelo onde parar. Eis um exemplo de restrições:
Restrições de âmbito:
- Foque APENAS no mercado francês
- NÃO mencione regulamentações dos EUA ou do Reino Unido
- Ignore aspetos fiscais (outro especialista trata disto)
- Se faltar informação, indique-o explicitamente
em vez de a inventar
Preste muita atenção à última restrição: é a sua melhor defesa contra alucinações. Um modelo a quem se pede uma resposta completa tende a preencher lacunas com informação plausível; ao autorizá-lo explicitamente a admitir os seus limites, transforma a invenção silenciosa numa bandeira visível que pode depois tratar.
Combinar contexto e restrições
Na prática, um prompt profissional combina naturalmente tudo o que foi referido acima: contexto e regras permanentes no prompt do sistema, dados e formato esperado na mensagem do utilizador. Eis um exemplo completo de análise de RH:
messages = [
{
"role": "system",
"content": """Você é um analista sénior de RH numa empresa de tecnologia.
Regras:
- Inglês formal, tom profissional
- Baseie a sua análise apenas nos dados fornecidos
- Se faltar dados, sinalize com [MISSING_DATA]
- Formato: secções com títulos, pontos, sem prosa"""
},
{
"role": "user",
"content": """Analise os dados de absentismo abaixo e proponha um plano de ação.
Dados do Q1 2026:
- Taxa global de absentismo: 7,2% (+1,8 pontos face ao Q1 2025)
- Departamento mais afetado: Apoio ao Cliente (12,1%)
- Motivo principal: baixa por doença de curta duração (< 5 dias)
- Antiguidade média dos colaboradores ausentes: 2,3 anos
Formato esperado:
1. Diagnóstico (máx. 3 pontos)
2. Causas prováveis (3 hipóteses)
3. Plano de ação (5 medidas concretas com cronograma)"""
}
]
Observe como cada elemento abordado nesta lição encontra o seu lugar: papel e registo no sistema, dados delimitados na mensagem do utilizador, formato numerado no final da mensagem e a salvaguarda anti-invenção ([MISSING_DATA]) definida de uma vez por todas.
Pontos-chave
- O contexto transforma uma resposta genérica numa personalizada
- Forneça contexto situacional, documental e de audiência conforme necessário
- Defina sempre o formato de saída esperado (JSON, lista, tabela, etc.)
- Restrinja o comprimento pela estrutura em vez da contagem de palavras
- Delimite o âmbito e autorize o modelo a sinalizar informação em falta