Erros por falta de contexto

Os modelos de IA sabem muitas coisas graças aos dados de treinamento — mas não sabem nada sobre a sua situação específica, a menos que você a descreva. Solicitações que pressupõem conhecimentos que o modelo não possui produzem respostas genericamente corretas, mas inúteis para a situação.

"Corrija o erro." — Que erro? Em qual código? O que ele faz atualmente? O que deveria fazer?

O modelo inventará uma resposta em vez de informar que não tem informações suficientes. Essa resposta inventada quase nunca será o que você precisa.

A menos que você o forneça, o modelo não sabe:

• Seu código, projeto ou documento específico
• Sua empresa, produto, marca ou seus clientes
• A conversa que você teve em uma sessão anterior (cada conversa começa do zero)
• O que você tentou antes e por que não funcionou
• Suas preferências pessoais, seu estilo ou seus padrões
• O contexto do seu público
• As restrições do seu ambiente (conjunto de tecnologias, orçamento, prazo)

Tudo o que o modelo sabe sobre sua tarefa precisa vir da conversa atual.

"Corrija o erro" é um exemplo clássico de solicitação sem contexto suficiente. O modelo não recebe informações sobre:

• Qual linguagem ou estrutura está sendo usada
• O que o código deveria fazer
• O que ele está fazendo de fato (o sintoma)
• Qual erro ou resultado incorreto aparece
• O que foi tentado e não funcionou

Uma solicitação completa para corrigir um erro fornece as cinco informações: "Esta função Python deve retornar a soma de todos os números pares de uma lista, mas está retornando 0 para [2,4,6]. Este é o código: [cole o código]. O erro é..."

"Continue de onde paramos." — Um erro comum que revela um mal-entendido fundamental: o modelo não tem memória entre sessões.

Cada nova conversa começa completamente do zero. O modelo não tem acesso a conversas anteriores, mesmo que você tenha usado a mesma conta ou ferramenta. Se for necessário contexto de uma sessão anterior, você precisará colá-lo explicitamente na conversa atual.

Algumas ferramentas, como Claude Projects ou sistemas personalizados de memória, fornecem contexto entre sessões, mas isso é um recurso da ferramenta, não uma capacidade inerente do modelo.

Um erro comum de contexto é presumir que o modelo compartilha seus conhecimentos prévios implícitos:

• "Adapte isso à nossa marca" (que marca? Quais são as diretrizes da marca?)
• "Escreva como da última vez" (o modelo não tem acesso ao que foi feito da última vez)
• "Use o mesmo formato dos outros relatórios" (cole o formato ou um relatório de exemplo)
• "Mantenha a consistência com o que discutimos" (se esta for uma nova conversa, nada foi discutido)

A solução é sempre a mesma: torne explícito o que está implícito. Declare o que você está presumindo que o modelo saiba.

Injeção de contexto significa fornecer explicitamente as informações de contexto de que o modelo precisa para responder corretamente. Há três padrões:

Cole o conteúdo relevante: inclua o código, documento, e-mail ou dados diretamente na solicitação.

Descreva a situação: resuma o contexto relevante em 2 a 5 frases antes da instrução da tarefa.

Declare as restrições: mencione o ambiente, o conjunto de tecnologias, o público e quaisquer decisões anteriores relevantes.

A injeção de contexto transforma o conhecimento genérico do modelo em respostas específicas para a situação.

Para tarefas complexas, estruture o contexto usando seções identificadas antes da instrução da tarefa:

Nem todo contexto tem o mesmo valor. Contexto insuficiente produz resultados genéricos; contexto demais oculta as informações relevantes em meio ao excesso de informações e pode empurrar a instrução real da tarefa para muito longe no texto da solicitação.

Calibre a profundidade do contexto perguntando: o que um especialista humano criterioso precisaria saber para executar bem esta tarefa?

• Inclua: público, finalidade, restrições, terminologia específica do domínio e decisões anteriores relevantes
• Exclua: informações de contexto que qualquer pessoa já saberia, histórico irrelevante e detalhes periféricos

Uma regra útil: o contexto deve ser específico o bastante para que uma pessoa desconhecida não pudesse escrevê-lo para outra empresa ou situação.

Como o modelo não tem memória entre sessões, a solução é um modelo-base de contexto reutilizável — um bloco padrão de contexto que você cola no início de cada sessão sobre um tema recorrente:

Um erro relacionado à falta de contexto é a especificação incompleta: fornecer algum contexto, mas não o suficiente para que o modelo lide com casos-limite.

Exemplo: "Escreva uma função que filtre usuários pelo status de assinatura."

Qual é a estrutura de dados? Quais são os valores válidos do status? O que deve acontecer com usuários sem status? A diferenciação entre maiúsculas e minúsculas deve ser considerada? O que a função deve retornar se a lista estiver vazia?

O modelo fará suposições para todas essas questões. Essas suposições podem estar erradas. Especificações completas antecipam explicitamente os casos-limite.

Para solicitações relacionadas a código, um conjunto mínimo de contexto produz resultados úteis de forma confiável:

• Linguagem e versão: Python 3.11, TypeScript 5.0
• Estrutura: FastAPI, Next.js, React Native
• O que o código deve fazer: entradas e saídas esperadas
• O que ele faz de errado atualmente: sintoma e mensagem de erro
• O que foi tentado: evita repetir abordagens que já falharam
• Restrições: não pode usar dependências externas, deve ser executado em menos de 50 ms

Esse conjunto mínimo elimina as causas mais comuns de sugestões de código da IA que estão corretas em geral, mas erradas para o seu contexto específico.

Um desenvolvedor envia esta solicitação: "Ajude-me a otimizar isto.", sem nenhuma outra informação. Qual é a descrição mais precisa do que acontecerá?

Erros de falta de contexto ocorrem quando uma solicitação pressupõe conhecimentos que o modelo não possui — seu código, sua marca, suas sessões anteriores e as decisões da sua equipe. O modelo preenche essas lacunas com suposições, produzindo resultados genéricos ou incorretos.

A solução é a injeção de contexto: cole o conteúdo relevante, descreva a situação e declare as restrições explicitamente. Para tarefas recorrentes, um modelo-base de contexto reutilizável resolve o problema da memória entre sessões. Para tarefas de código, inclua sempre a linguagem, a estrutura, as entradas e saídas, o comportamento atual e as restrições.

Na última lição deste curso, você reunirá tudo o que aprendeu em uma lista de verificação sistemática para depurar solicitações.