Na semana passada, apaguei metade do meu prompt favorito e o resultado melhorou.
Isto não é uma ostentação humilde. Sou eu a admitir que tenho desperdiçado tokens – e provavelmente piorado os meus resultados – há cerca de dois anos. O prompt em questão tinha tudo o que o antigo manual dizia que um bom prompt deveria ter: uma função (“é um analista de dados sénior”), um bloco de contexto longo, seis passos numerados, três exemplos trabalhados e um parágrafo final que lembrava o modelo de “pensar com cuidado, não se apressar e verificar novamente o seu trabalho”. Era o tipo de pedido que encontraria em qualquer curso de engenharia da 2024.
Então eu li Nova orientação da OpenAI para o GPT-5.6, e disse-me para deitar a maior parte disso fora.
O conselho doeu porque o paguei – com tempo, não apenas com fichas. E quanto mais aceitava isso, mais fazia sentido.
Porque é que o conselho “quanto mais, melhor” foi finalmente quebrado
Durante dois anos, o conselho de engenharia padrão apontou numa direção: adicione mais. Adicione uma persona. Adicione contexto. Adicione passos. Adicione exemplos. Adicione um empurrãozinho final para que o modelo não fique preguiçoso. Os modelos eram suficientemente fracos naquela altura e isso ajudou realmente – cada instrução extra era uma estrutura que o modelo não conseguia construir sozinho.
GPT-5.6 não é esse modelo.
O próprio enquadramento da OpenAI é contundente: os modelos mais recentes são melhores para inferir o seu objetivo subjacente e o padrão de trabalho que espera do contexto, sem que explique cada passo. Quando entrega instruções passo a passo a um modelo de que ele já não precisa, não está a ajudar. Está a adicionar ruído.
Continuo a voltar à mesma analogia, porque é a forma mais clara de explicar a mudança. A maneira antiga tratava o modelo como um novato que precisa de cada movimento planeado – pé esquerdo, pé direito, note-se o defensor. GPT-5.6 é mais parecido com Messi. Grite-lhe instruções passo a passo da linha lateral e ele simplesmente pensará que é um idiota. O jogador atualizou. O manual de formação não.
O que dizem realmente os números da OpenAI
Normalmente reviro os olhos a benchmarks publicados por fornecedores, mas são suficientemente específicos para serem levados a sério.
Nas avaliações internas do agente de codificação da OpenAI, as configurações com um sistema mais enxuto geram pontuações de avaliação melhoradas em aproximadamente 10–15% enquanto corta o total de tokens em 41–66% e custo por 33–67%.
Leia isto de novo, porque é raro o caso em que duas coisas se movem a seu favor ao mesmo tempo. Solicitações mais curtas pontuadas mais alto e custo menos. Não precisa de trocar qualidade por eficiência. O prompt inchado estava a perder em ambos os eixos.
A OpenAI tem o cuidado de chamar a estes números “direcionais” e solicitar que valide as suas próprias tarefas. Justo. Mas é difícil contestar a direção e corresponde ao que vi quando realmente tentei.
Há uma segunda descoberta menos óbvia enterrada no guia, e é a que explica muitas das falhas estranhas que as pessoas estão a cometer. GPT-5.6 segue um contrato de prompt muito estritamente. Enquanto os modelos mais antigos escolheriam silenciosamente uma das duas instruções conflituantes e ignorariam a outra, o GPT-5.6 pode tentar honrar ambas – queimando tokens de raciocínio e tornando-se mais lento e mais caro no processo. Um aviso que diz “seja detalhado” num parágrafo e “seja conciso” noutro já não é apenas redundante. É ativamente desestabilizador.
Isto reformula um prompt inchado. Não é apenas um desperdício. Cada regra extra é mais uma hipótese de contradizer uma regra que escreveu três parágrafos antes.
Um antes e depois que me convenceu
Tinha uma tarefa real diante de mim quando li tudo isto, por isso usei-a como um teste.
A maneira antiga - da forma como venho escrevendo instruções há dois anos:
"Primeiro, crie uma lista de todas as descrições de transações exclusivas. Em seguida, agrupe descrições semelhantes e atribua uma categoria a cada grupo. Crie uma tabela de pesquisa de descrições e categorias. Em seguida, adicione uma coluna Categoria à folha de transações e utilize XLOOKUP para atribuir cada transação à categoria correta. Certifique-se de que a fórmula é preenchida automaticamente quando são adicionadas novas transações. "
Esse prompt funciona. Também sou eu que estou a pensar no modelo - passo um, passo dois, passo três, com o nome da ferramenta incluído para garantir.
A nova forma — resultado primeiro:
"Tenho uma lista de transações com descrições inconsistentes. Quero categorizar cada uma delas automaticamente e a solução precisa de continuar a funcionar à medida que chegam novas transações. Qual é a melhor abordagem?"
Mesmo objetivo. Mesmas restrições. Mas o primeiro prompt informa o modelo como andar. O segundo conta onde estou a tentar chegar e permite-lhe encontrar a rota.
O segundo deu-me uma resposta melhor – e, mais importante, disse-me porquê escolheu esta abordagem, que o primeiro prompt nunca teria. Quando se deixa de ditar o método, por vezes aprende-se algo sobre o método em que se vinha insistindo.
Como escrever um prompt mais enxuto sem perder o que interessa
Cortar um prompt não é o mesmo que destruí-lo. O que vale a pena é aquilo que não se consegue inferir do contexto: o resultado, as restrições e a aparência de “pronto”. Tudo o resto é candidato à exclusão.
Eis a forma que sobrevive, na prática:
- O resultado que pretende. Não os passos. Não o método. O que deveria existir quando este acabar.
- As restrições. Os limites que não podem ser ultrapassados — não invente recursos, não apague nada, apenas olhe para estes ficheiros.
- Os critérios de aceitação. Como o modelo verifica o seu próprio trabalho antes de o devolver.
Geralmente é isso. Sem personalidade, sem “pensar passo a passo”, sem lembrete para não ser preguiçoso. Estas coisas foram a base para um modelo mais fraco. GPT-5.6 não precisa deles e custam tokens para serem declarados.
Vale a pena gravar a lista de acabamento da OpenAI no seu monitor: declarações repetidas da mesma regra, instruções de estilo que não alteram o comportamento, exemplos que não alteram o comportamento e instruções de processo para coisas que o modelo já faz de forma fiável. A lista de manutenção é curta: o resultado visível para o utilizador, critérios de sucesso, condições de paragem e restrições de segurança ou provas.
Uma nota prática se estiver a fazer isto num prompt que já funciona: cut uma coisa de cada vez. Remova um grupo de instruções, execute novamente a mesma avaliação e compare. Se retirar tudo de uma vez e a saída se degradar, não saberá qual o corte que foi o que importou.
É a mesma regra que utilizo quando testei ferramentas para o NSFWAITool: manter a tarefa estável, alterar uma variável e ver se o resultado melhora realmente. O nosso metodologia de revisão é construído em torno da distinção entre o que um fornecedor afirma e o que um teste repetível mostra.
Quando as instruções detalhadas ainda ganham o seu sustento
Quero ter cuidado aqui, porque “quanto mais curto, melhor” se torna o seu próprio tipo de culto da carga se o aplicar cegamente.
O guia da OpenAI diz mesmo para manter exemplos e orientações de estilo quando codificam um requisito real do produto ou corrigem uma lacuna medida. Se a sua produção tiver de atingir uma voz específica, um formato específico ou uma restrição legal específica, esta mantém-se. Se um exemplo de algumas cenas for a única forma fiável de ensinar um formato, mantenha-o. Não está a procurar o menor número de tokens; está a procurar o menor número de tokens que ainda fazem o trabalho.
Pode ver por que razão isto é importante quando sai dos chatbots de uso geral. Um Companheiro de IA pode realmente precisar de carácter, tom e contexto de memória, enquanto um Gerador de vídeo IA precisa de restri??es concretas de imagem e movimento. Reduzir ambos os prompts ? mesma f?rmula de tr?s linhas seria n?o perceber a quest?o. O prompt certo ? o mais curto que preserve aquilo de que essa ferramenta espec?fica necessita.
A verdadeira mudança é a sequenciação. O antigo reflexo era antecipar tudo - colocar todas as instruções no prompt de abertura, só para garantir. O novo reflexo é “soltar primeiro, apertar depois”. Dê a tarefa ao modelo, observe como ele a executa e apenas adicione instruções onde ela realmente falhar. É mais rápido do que escrever um prompt de mil palavras antecipadamente e informa quais instruções estavam pesando em primeiro lugar.
A distinção que todos erram: persona versus caminho
Desde que o guia foi lançado, tenho visto pessoas a irem demasiado longe para o outro lado - assumindo que isso significa que a persona está morta. Não é, e confundir as duas ideias causa erros reais.
Uma persona controla como soa a saída. Tom, registo, papel, a voz na página. Uma instrução passo a passo controla como o modelo chega lá - o caminho de execução. São alavancas diferentes.
A nova orientação está a dizer-lhe para parar de especificar demasiado o caminho. Não diz nada sobre abdicar do controlo da voz. Se estiver a escrever um texto orientado para o cliente e quiser que soe como uma marca específica, ainda diz isso - isto é um requisito do produto, não um guião passo a passo. O estilo é seu para definir. O caminho cabe ao modelo escolher.
Dito de outra forma: indique ao modelo o destino e os limites; depois, deixe de lhe dizer como deve conduzir.
Comece mais curto, não mais
Se tirar uma coisa de tudo isto, transforme-a na sequela. Escreva primeiro o resultado pretendido e os seus critérios de aceitação. Em seguida, reduza a contagem de palavras para metade. Depois corte novamente ao meio. Se ainda estiver nervoso, envie-o e veja o que volta - pode sempre adicionar uma linha em que a saída fica realmente aquém.
Essa é a parte que tive de aprender da maneira mais difícil. A maioria das instruções que adicionei não ajudaram o modelo. Eles foram tranquilizadores eu. E GPT-5.6 é bom o suficiente agora que minha garantia é apenas um ruído entre mim e a resposta.
A lição 2023 foi como escrever prompts mais longos. A lição 2024 foi como gerir a janela de contexto. A lição 2026 é mais simples e mais difícil: aprenda a calar-se, descreva o resultado e deixe o modelo fazer o trabalho para o qual foi construído.
Perguntas frequentes
Os prompts mais curtos s?o sempre melhores no GPT-5.6?
Não – e é aqui que o título se pode transformar num mau conselho. Os prompts mais curtos venceram na amostra de avaliações internas do agente de codificação da OpenAI, mas a OpenAI chama o resultado de direcional. Se a remoção de uma linha piorar a sua tarefa real, volte a colocá-la.
O que devo cortar primeiro?
Comece pelas coisas embaraçosas: a mesma regra enunciada duas vezes, funções genéricas que não mudam nada, exemplos de que o modelo já não precisa e lembretes para pensar com cuidado. Deixe o resultado, as restrições e a definição de concluído em paz.
Quando é que um prompt longo ainda se justifica?
Quando o comprimento contém informações de que o modelo realmente necessita – um estilo de casa, um esquema de saída fixo, contexto especializado, limites legais ou exemplos que corrigem uma falha que realmente observou. Longo não é o problema. Desnecessário é.
Devo deixar de usar personas?
Apenas se a persona for decorativa. Se controlar a voz, o público ou o padrão profissional da resposta, estará a fazer um trabalho real. O que se deve questionar é o caminho do guião, não o seu controlo sobre a personalidade do resultado.
O mesmo conselho se aplica às ferramentas de chat, imagem e vídeo da IA?
Não automaticamente. Estes produtos leem os avisos de forma diferente e falham de formas diferentes. Uma ferramenta de chat pode necessitar de contexto de relacionamento e memória; uma ferramenta de vídeo pode necessitar de ações precisas e restrições da câmara. Teste cada fluxo de trabalho em vez de carregar um modelo universal.
Como posso testar se um aviso mais curto é realmente melhor?
Utilize o mesmo conjunto de tarefas, remova um grupo de instruções e compare a qualidade, falhas, utilização de tokens, latência e custo. Uma resposta de sorte não prova quase nada. O prompt ganha a parte quando a melhoria sobrevive à repetição.