Como fazer prompting num modelo de raciocínio
Nesta página
Lição reescrita em 2 de novembro de 2026. Esta lição abordava anteriormente o prompt de sistema Magistral, que foi descontinuado em 31 de julho de 2026. A documentação atual sobre raciocínio (Reasoning) já não exige um prompt de sistema dedicado:
reasoning_efforté suficiente. As secções seguintes distinguem o que a documentação do Magistral afirmava, o que mudou e as regras de prompting que permanecem úteis.
O que mudou desde o Magistral
O Magistral funcionava melhor com um prompt de sistema predefinido, que a documentação reproduzia (agora arquivado na página Native reasoning (deprecated)). Essencialmente, instruía o modelo a redigir primeiro o seu raciocínio, como um monólogo interno, seguido de uma resposta autónoma; a escrever em Markdown, usando LaTeX para equações; e a responder na língua da consulta. Incluía até um modelo de raciocínio, sob a forma de um fragmento thinking colocado na mensagem de sistema. Um parâmetro, prompt_mode, permitia forçar este prompt predefinido ("reasoning") ou desativá-lo (None).
Com os modelos atuais, nada disto é necessário: a página de raciocínio não menciona nem um prompt de sistema dedicado nem prompt_mode. Ativa o raciocínio com reasoning_effort e o seu prompt de sistema regressa a um prompt de sistema clássico, dedicado ao papel, ao método e ao formato esperado. Se estiver a migrar do Magistral, remova o modelo de raciocínio das suas mensagens de sistema e o prompt_mode das suas chamadas, comparando depois os resultados (Lição 8).
Separar o raciocínio da resposta
O modelo dispõe agora de dois espaços distintos: o raciocínio, que o utilizador muitas vezes não vê, e a resposta final. Um bom prompt tem isso em conta. Descreve o método esperado, aquilo que um especialista do domínio verificaria, e define o formato da resposta: a resposta deve ser compreensível sem o raciocínio, uma vez que este será geralmente ocultado.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
system_prompt = """You are a senior Python debugging expert.
METHOD
- Read all the code before formulating a diagnosis.
- Formulate at least two hypotheses before concluding.
- Verify that your fix does not create a new problem.
FINAL RESPONSE
1. The precise diagnosis
2. The root cause
3. The corrected code
4. A test that proves the fix"""
response = client.chat.complete(
model="mistral-small-2603",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": "My code crashes with a RecursionError: def fibonacci(n): return fibonacci(n-1) + fibonacci(n-2)"},
],
reasoning_effort="high",
)
Nesta função fibonacci que carece de um caso base, a exigência de duas hipóteses exclui o diagnóstico reflexo “aumentar o limite de recursão” e conduz à causa real.
Adaptação por domínio
A mesma estrutura, método seguido de formato de resposta, adapta-se ao domínio específico. Em matemática, o método foca-se nas hipóteses e no tipo de prova:
math_prompt = """You are a rigorous mathematician.
METHOD
- State the hypotheses before every proof.
- Explicitly choose between induction, contradiction, or direct calculation.
- Verify the result on a specific case.
FINAL RESPONSE
Formal proof: hypotheses, justified steps, conclusion."""
Na análise estratégica, o foco recai sobre as partes interessadas e a quantificação, e a resposta esperada torna-se uma recomendação acompanhada de um plano:
strategy_prompt = """You are a strategy consultant.
METHOD
- Evaluate each option based on feasibility, impact, and risk.
- Quantify whenever possible, even if only as an order of magnitude.
- Seek the strongest objection to your own recommendation.
FINAL RESPONSE
A clear recommendation, the pros and cons of each option, an action plan with dated steps."""
Três erros comuns
O prompt é demasiado vago. “És um assistente prestativo” nada diz sobre o método: o modelo raciocina segundo os seus hábitos e não os seus. Descreva o que um especialista verificaria.
O prompt é contraditório. “Sê muito conciso. Detalha cada passo em profundidade.” coloca o modelo perante uma injunção impossível. Resolva a contradição distribuindo papéis: o detalhe pertence ao raciocínio, a concisão à resposta final.
good_prompt = """Be concise in your final response: conclusions and essential figures only.
Explore details in your reasoning, not in the response."""
Solicitar o processo na resposta. Pedir para “raciocinar passo a passo” na resposta visível faz com que o modelo escreva uma segunda vez o que já fez no seu raciocínio: a resposta alonga-se e paga duas vezes pelos mesmos passos em tokens de saída. Só solicite os passos na resposta se o utilizador precisar de os ler, por exemplo, num tutor educativo.
Pontos-chave
- O prompt de sistema predefinido e o
prompt_modeeram específicos do Magistral: já não são necessários - Ative o raciocínio com
reasoning_efforte mantenha o prompt de sistema no seu papel clássico - Descreva o método esperado e o formato de uma resposta legível sem o raciocínio
- Distribua os papéis: detalhe no raciocínio, concisão na resposta
- Não faça o modelo reescrever o processo na resposta se ninguém precisar de o ler