GUIA · NÍVEL 2 · 8 MIN DE LEITURA
Prompt ou contexto? A diferença que muda o resultado
Engenharia de prompt foca na instrução. Engenharia de contexto gerencia tudo que a IA vê: histórico, documentos, ferramentas e memória.
[gravura: balança antiga com um prato pesado carregando pergaminhos e livros marcados 'CONTEXTO' e outro prato leve com uma pena marcada 'PROMPT']
Engenharia de prompt é escrever a instrução; engenharia de contexto é curar tudo que o modelo acessa ao responder, histórico, documentos, ferramentas, memória e estrutura. Prompt virou parte de um sistema maior.
Desde que comecei a usar IA no trabalho, a pergunta que mais ouço é: "isso é problema de prompt ou de contexto?" A resposta muda o jeito de resolver.
No meu dia a dia, o prompt virou detalhe dentro de uma orquestração maior. Ele importa, mas o poder está no ambiente de informações que a IA acessa: o contexto. É a diferença entre pedir farinha na padaria e entregar à padaria seu livro de receitas, seu histórico de pedidos e suas preferências.
O que é engenharia de prompt?
Engenharia de prompt é criar instruções eficazes para modelos de linguagem (LLMs) como ChatGPT, Claude ou Gemini. Você escolhe palavras, estrutura a pergunta, inclui exemplos (few-shot prompting) e define restrições. A OpenAI ainda foca bastante em prompts bem feitos para extrair o máximo dos modelos.
Eu sempre começo com prompt estruturado. Antes disso, peço à IA para buscar o método que ela usaria para resolver a tarefa. Seja planejamento de marketing, estrutura comercial ou estratégia de vendas, eu faço a IA consultar o que ela sabe (livros, cases, artigos) e me apresentar um formato. Isso garante que o prompt inicial já esteja alinhado com as melhores práticas.
O que é engenharia de contexto?
Engenharia de contexto vai além do prompt. É curar e manter o melhor conjunto de informações que o modelo acessa ao gerar a resposta. A IBM chama isso de "guarda-chuva" sob o qual a engenharia de prompt se encaixa.
Isso inclui:
- Histórico da conversa: memória de interações anteriores.
- Documentos externos (RAG): dados específicos da sua empresa, artigos recentes ou bases de conhecimento que não estavam no treinamento original.
- Ferramentas e APIs: conexão com bancos de dados, planilhas ou sistemas de gestão para buscar dados em tempo real.
- Memória de longo prazo: armazenar e recuperar informações ao longo de muitas interações.
- Estrutura de dados: como você apresenta a informação (JSON, Markdown, texto simples).
A Anthropic define engenharia de contexto como o conjunto de estratégias para curar e manter o melhor conjunto de tokens durante a inferência. Depois de ter o método que a IA me deu, eu adapto ao meu contexto, aos meus objetivos e às minhas limitações. Crio um método único para a necessidade, gerando um agente de IA ou uma habilidade específica. Só então entrego o objetivo final à IA, com toda a informação e o método adequado para executar.
Quando usar prompt vs contexto?
- **Foco**: Engenharia de Prompt: Elaboração da instrução direta; Engenharia de Contexto: Curadoria de todas as informações que o modelo acessa
- **Escopo**: Engenharia de Prompt: Interação imediata; Engenharia de Contexto: Histórico, documentos externos, ferramentas e arquitetura do agente
- **Objetivo**: Engenharia de Prompt: Resposta específica e formatada; Engenharia de Contexto: Raciocínio complexo e consistente ao longo do tempo
- **Técnicas**: Engenharia de Prompt: Few-shot prompting, chain-of-thought, role-playing; Engenharia de Contexto: RAG, gerenciamento de janela de contexto, integração de memória
- **Impacto**: Engenharia de Prompt: Melhora a instrução em uma etapa; Engenharia de Contexto: Melhora a capacidade de raciocínio e performance do agente
- **Exemplo**: Engenharia de Prompt: "Liste os 5 maiores rios do Brasil."; Engenharia de Contexto: Disponibilizar mapa detalhado do Brasil antes de perguntar "Quais rios banham o estado X?"
Por que contexto importa mais em agentes de IA?
Agentes de IA raciocinam, planejam e executam ações autônomas. Para isso, eles precisam de mais do que um bom prompt. Precisam de um ambiente rico em contexto. Um agente que gerencia e-mails precisa de histórico de conversas, preferências, calendário, documentos anexados e talvez acesso a um CRM. Tudo isso é contexto.
No meu trabalho, vejo que muitas vezes o que parece "prompt ruim" é falta de contexto adequado. Os modelos de hoje inferem bastante mesmo com instruções imperfeitas. Mas quando a complexidade aumenta ou a especificidade da informação é vital, o contexto vira o diferencial. Uma IA especialista, com o contexto certo, sempre terá resultado melhor do que uma que eu guie com prompts genéricos repetidamente.
Como eu aplico contexto no dia a dia
Minha abordagem é sempre em camadas, pensando na limitação de tokens e na necessidade de precisão. Depois que a IA me dá o método e eu o adapto, estruturo o prompt para executar a tarefa com todo o contexto pré-definido:
- Definição do formato/método: peço à IA para buscar em si mesma o melhor método (framework de planejamento, estrutura de planilha financeira) validado por fontes robustas.
- Adaptação ao contexto: pego o método encontrado e adapto às minhas necessidades específicas, informando à IA objetivos, restrições e o cenário. Isso pode envolver criação de agente ou habilidade especializada.
- Execução com prompt estruturado: com método e contexto definidos, entrego o objetivo final à IA, usando prompt que reflete toda essa preparação. Isso pode incluir exemplos ou referências diretas ao contexto pré-carregado.
- Comparação e ajuste: sempre comparo a saída da IA com o que eu esperava e forneço exemplos para refinar, se necessário.
Essa abordagem em camadas, onde o prompt é a cereja do bolo de um contexto bem construído, me permite obter resultados muito mais consistentes. É uma mescla das duas, com ênfase cada vez maior no poder do contexto.
Quais os limites da engenharia de contexto?
A engenharia de contexto tem desafios. O principal é o gerenciamento da janela de contexto (context window), o limite de tokens que a IA processa de uma só vez. Embora os LLMs estejam expandindo essa janela, ainda há custo computacional e de latência associado a contextos longos. Além disso, a qualidade do contexto fornecido é vital: lixo entra, lixo sai (garbage in, garbage out). Contextos mal curados ou excessivamente grandes podem diluir a atenção do modelo, levando a respostas genéricas ou alucinações.
Outro risco é a complexidade de implementação. Construir um sistema robusto de engenharia de contexto, com RAGs, memória de longo prazo e integração de ferramentas, exige mais do que escrever bons prompts. Requer conhecimento técnico e visão de arquitetura de sistemas de IA. É por isso que ferramentas como n8n e plataformas de orquestração de agentes são tão valiosas, pois abstraem parte dessa complexidade, permitindo que você se concentre na curadoria do contexto e na definição dos objetivos.
Como começar com engenharia de contexto?
Comece identificando o que a IA precisa saber para responder bem, além do prompt. Pergunte:
- Ela precisa de informações que mudam (preços, estoque, calendário)?
- Ela precisa lembrar de conversas anteriores?
- Ela precisa consultar documentos da empresa?
- Ela precisa executar ações (enviar e-mail, atualizar planilha)?
Se sim para qualquer uma, você precisa de engenharia de contexto. Comece simples: anexe um documento relevante ao prompt (RAG básico), use ferramentas de orquestração como n8n para integrar APIs ou habilite memória de conversa em ferramentas como ChatGPT ou Claude. Depois, expanda.
O prompt continua importante para direcionar a ação, mas o contexto define a qualidade da execução. Pense no prompt como o pedido e no contexto como a cozinha equipada.
Perguntas frequentes
Qual a principal diferença entre engenharia de prompt e engenharia de contexto?
Engenharia de prompt é criar a instrução que você dá à IA. Engenharia de contexto é gerenciar todas as informações que a IA pode acessar para responder: histórico, documentos externos, ferramentas e memória.
Engenharia de prompt está morta?
Não. Prompt continua sendo a base para direcionar a IA, mas virou parte da engenharia de contexto. Modelos avançados mitigam prompts mal feitos, mas instrução clara ainda é essencial.
O que é RAG e como se encaixa na engenharia de contexto?
RAG (Retrieval Augmented Generation) é a técnica que permite à IA buscar informações em bases de dados externas ou documentos e usá-las na resposta. É um componente chave da engenharia de contexto, pois expande o conhecimento disponível além do treinamento original.
Como a engenharia de contexto ajuda na criação de agentes de IA?
Agentes precisam de histórico de interações, acesso a ferramentas e dados externos, e memória de longo prazo. A engenharia de contexto fornece isso, permitindo que agentes raciocinem, planejem e executem ações complexas de forma autônoma.
Quais os desafios da engenharia de contexto?
Os principais são o limite da janela de contexto (tokens que a IA processa de uma vez), curadoria de informações de alta qualidade para evitar ruído, e a complexidade técnica de integrar diversas fontes de dados e ferramentas.