Engenharia de Contexto
Ir para notas que citam estaEngenharia de Contexto é a prática de fornecer a um modelo de IA informação completa, qualificada e específica do domínio, para aumentar a assertividade da resposta e reduzir saídas genéricas ou equivocadas.
A regra geral é direta: quanto mais informação qualificada e contexto específico chegam ao modelo, mais coerente e aproveitável é o que volta. O inverso também vale, e é onde mora a maior parte das frustrações cotidianas com IA. Um pedido curto, sem domínio nem restrições, devolve uma resposta plausível e inútil, porque o modelo preenche as lacunas com o que é estatisticamente comum.
Contextualizar é também a principal defesa contra a invenção de informação. Dar fatos e documentos concretos ao modelo reduz o espaço em que a Alucinação acontece, embora não o elimine. E é o reconhecimento de que a ferramenta depende do que recebe que a mantém no lugar de IA como Ferramenta Não Determinística, em vez de oráculo.
Quando o código não carrega o contexto: otimização de jobs
Um caso típico de falha por falta de contexto é pedir ajuda para otimizar um job Spark entregando apenas o código-fonte. O código não guarda o contexto todo, e boa parte dele está fora do arquivo: onde o job roda (AWS, Databricks ou Azure), como a máquina virtual que o executa está configurada, que volume de dados atravessa cada etapa. Sem isso, o modelo diverge em direções contraditórias e a solução final não corresponde a nenhuma das sugestões que ele deu.
O contraste com tarefas objetivas de programação é instrutivo. Pedir um teste automatizado costuma funcionar bem com pouco contexto, porque o problema está quase inteiro no que foi escrito. Otimização de infraestrutura é o oposto: as variáveis decisivas não aparecem no código, então quem pergunta precisa ter conhecimento suficiente do ambiente para conseguir descrevê-lo.
O que fontes qualificadas mudam numa proposta técnica
Do lado dos acertos, o padrão se repete invertido. Elaborar uma proposta técnica para um cliente de governo apoiando o modelo em leis, normas e portarias públicas, somadas ao conhecimento prévio do processo, gera sugestões visivelmente mais ricas e coerentes do que um pedido genérico sobre o mesmo tema. O ganho não vem do modelo, vem do material que ele recebeu.
O mesmo mecanismo aparece em situações de conversa: uma interação já contextualizada sobre o cenário do cliente permite identificar em poucos minutos um gancho de abordagem comercial que levaria muito mais tempo para ser construído sem esse apoio. O que se paga adiantado em preparo de contexto se recupera na qualidade e na velocidade da saída.
Fontes verificáveis e específicas do setor (legislação, normas, documentos públicos) fazem mais pela assertividade da resposta do que qualquer refinamento de formulação do pedido.
O que o contexto não resolve: a data de corte
Contexto melhora muito, mas não vence todos os limites do modelo. Um agente construído para fazer clipping de notícias ilustra bem a fronteira. A própria ferramenta ajudou a levantar fontes de dados confiáveis e, quando questionada, recomendou a si mesma um modelo como o mais adequado para a tarefa. Mesmo com orientação explícita de período, pedindo notícias dos últimos sete ou dez dias, o resultado voltava com muito material antigo misturado ao recente.
A explicação é a data de corte: todo modelo tem um limite temporal até o qual seu conhecimento foi atualizado, e instrução de período no pedido não estende esse limite. Recuperar conteúdo realmente novo exige uma fonte externa de dados atuais, não uma instrução mais bem escrita.
Desse episódio sai uma segunda lição, mais ampla: por mais que a IA afirme que determinada escolha de modelo ou de abordagem é a melhor, isso nem sempre é verdade. A recomendação que a ferramenta dá sobre ela mesma é mais um insumo a validar, nunca uma decisão pronta.