Anti-padrões a Evitar
Nesta página
- Erros que Sabotam os Seus Prompts
- Anti-padrão 1: Linguagem Subjetiva
- Anti-padrão 2: Instruções Contraditórias
- Anti-padrão 3: Pedir ao Modelo para Contar
- Anti-padrão 4: Geração Excessiva de Tokens
- Anti-padrão 5: Escalas Numéricas
- Anti-padrão 6: Instruções Vagas
- Anti-padrão 7: Ignorar o Pré-preenchimento
- Pontos-chave
Erros que Sabotam os Seus Prompts
Dominar a criação de prompts significa também saber o que não fazer. Certos hábitos, perfeitamente naturais na comunicação humana, produzem resultados medíocres com os modelos Mistral — precisamente porque dependem de uma compreensão implícita que o modelo não possui. Esta lição enumera os sete anti-padrões mais frequentes, apresentando para cada um a versão defeituosa, a versão corrigida e a lógica por trás da correção. É provável que reconheça alguns dos seus próprios hábitos ao longo do caminho.
Anti-padrão 1: Linguagem Subjetiva
Entre colegas, «escreve-me um texto não muito longo» funciona porque partilham contexto: o colega conhece o caso de uso, o leitor e os hábitos da empresa. O modelo não percebe palavras subjetivas como você. Termos como «curto», «longo», «muitos», «interessante» ou «não muito» são ambíguos e produzem resultados imprevisíveis de uma execução para outra.
Mau:
Write a text not too long about AI.
Include many interesting examples.
Bom:
Write a text of 200 to 300 words about generative AI.
Include 3 concrete examples of application in business
(marketing, HR, customer service).
A regra de correção é mecânica: substitua cada termo subjetivo por uma medida objetiva. «Não muito longo» torna-se «200 a 300 palavras», «muitos exemplos» torna-se «3 exemplos» e «interessante» torna-se uma descrição precisa do tipo de exemplos esperados.
Anti-padrão 2: Instruções Contraditórias
Quando o seu prompt contém instruções incompatíveis — «seja exaustivo e aborde todos os aspetos» seguido de «responda no máximo em 3 frases» — o modelo tem de escolher qual seguir, e essa escolha é imprevisível. Num dia obtém três frases superficiais, no seguinte um muro de texto abrangente. A correção consiste em reconciliar os dois requisitos numa única instrução coerente: «Aborde os 3 principais aspetos do tema. Para cada aspeto, forneça uma frase de resumo (máx. 25 palavras)». A exaustividade torna-se um âmbito definido, a brevidade uma restrição por elemento — sem mais conflitos.
Se as suas regras forem verdadeiramente complexas, com comportamentos diferentes consoante o caso, não as acumule: estruture-as como uma árvore de decisão, onde cada ramo é explícito:
If the client is an individual:
→ Use an accessible tone, avoid technical jargon
→ Propose the Starter offer first
If the client is a business:
→ Use a professional and technical tone
→ Propose the Enterprise offer first
If you are unsure:
→ Politely ask if this is for personal or professional use
Anti-padrão 3: Pedir ao Modelo para Contar
Os modelos de linguagem são maus a contar. Não contam efetivamente palavras, carateres ou frases — eles estimam, porque manipulam tokens e não unidades de texto. Pedir «exatamente 150 palavras» ou «verifique se cada frase tem menos de 20 palavras» é como exigir que um pintor meça em mícrons: não é a ferramenta deles.
Mau:
Write a text of exactly 150 words.
Check that each sentence is less than 20 words.
Bom:
Write a short text (around 150 words, 2-3 paragraphs).
Use concise and direct sentences.
E se a contagem for verdadeiramente crítica para a sua aplicação — um limite de carateres imposto por uma interface, por exemplo — realize-a no código após receber a resposta do modelo, não no prompt. A sua linguagem de programação conta perfeitamente; o modelo não.
Anti-padrão 4: Geração Excessiva de Tokens
Cada token gerado tem um custo, tanto financeiro como em latência. Pedir ao modelo que produza informação que não vai utilizar é puro desperdício: paga mais para esperar mais tempo por um texto que não vai ler. O caso típico é a análise de código onde pede «explique cada linha em detalhe», mais «a história da linguagem» e «alternativas possíveis», quando apenas os bugs lhe interessam.
Bom:
Analyze this code and identify:
1. Potential bugs (with the line concerned)
2. A proposed fix for each bug
Nothing else.
O «nada mais» final é uma instrução surpreendentemente poderosa: diz explicitamente ao modelo para não adicionar os complementos, avisos e expansões que produz espontaneamente. A sua resposta chega mais rápido, custa menos e vai direto ao assunto.
Anti-padrão 5: Escalas Numéricas
Pedir ao modelo para avaliar numa escala de 1 a 5 ou de 1 a 10 parece rigoroso — na realidade, é o oposto. O modelo não possui uma calibração interna fiável para estas escalas: o mesmo texto poderia receber 6/10 hoje e 8/10 amanhã, sem critérios que expliquem a diferença. A solução consiste em substituir os números por escalas verbais com critérios explícitos:
Evaluate the quality of this text according to these levels:
- Insufficient: factual errors, incoherent structure
- Acceptable: correct but lacks depth or clarity
- Good: well structured, clear, with relevant examples
- Excellent: publication-ready, original, brings clear added value
Choose one level and justify in 2 sentences.
Sendo cada nível definido por critérios observáveis, a avaliação torna-se reproduzível e justificada — sabe por que razão um texto é «Aceitável» em vez de «Bom», e o modelo aplica os mesmos critérios em cada chamada.
Anti-padrão 6: Instruções Vagas
«Melhore este texto» é o exemplo perfeito de uma instrução que parece clara e não o é de todo. Melhorar o quê? A ortografia? O estilo? A estrutura? O modelo escolherá por si, e corre o risco de reescrever passagens que queria manter intactas. A versão profissional delimita tanto o que corrigir como o que deixar intocado:
Improve this text by correcting:
1. Spelling and grammar mistakes
2. Sentences longer than 30 words (simplify them)
3. Word repetitions within a range of 3 sentences
Do NOT modify:
- The meaning of sentences
- Technical terms (even if synonyms exist)
- Paragraph structure
O bloco «NÃO modifique» é tão importante como o primeiro: sem ele, um modelo zeloso substituirá os seus termos técnicos por sinónimos aproximados.
Anti-padrão 7: Ignorar o Pré-preenchimento
O último anti-padrão é uma oportunidade perdida rather than um erro ativo: muitos utilizadores ignoram a possibilidade de pré-preencher a resposta através da função assistant, vista na lição sobre funções. No entanto, é uma alavanca poderosa para forçar um formato. Com uma simples mensagem de utilizador a pedir JSON, o modelo pode adicionar uma frase introdutória, crases, um comentário final — tantos elementos que quebrarão a sua análise sintática. Ao terminar as suas mensagens com um início de resposta do assistente, o formato torna-se quase garantido:
Sem pré-preenchimento (formato imprevisível):
messages = [
{"role": "user", "content": "List 3 advantages of remote work in JSON."}
]
Com pré-preenchimento (formato garantido):
messages = [
{"role": "user", "content": "List 3 advantages of remote work in JSON."},
{"role": "assistant", "content": "{\"advantages\": [", "prefix": True}
]
O modelo encontra-se já «no processo de escrita» do objeto JSON: só lhe resta completá-lo.
Pontos-chave
- Substitua a linguagem subjetiva e as instruções vagas por instruções mensuráveis e delimitadas
- Evite instruções contraditórias — estruture casos complexos como uma árvore de decisão
- Nunca peça ao modelo para contar: as contagens críticas são feitas no código
- Limite a geração à informação efetivamente utilizada, com escalas verbais em vez de numéricas
- Aproveite o pré-preenchimento do assistente para garantir o formato de saída