Como usar frase de determinação em prompts de IA
A frase de determinação é aquele trecho que você coloca no início ou no meio de um prompt para definir exatamente como o modelo deve se comportar. Parece simples, mas a diferença entre um prompt que funciona e um que produz resultados imprevisíveis costuma estar em como essa frase é construída. A maioria dos guias ensina a escrever prompts genéricos. O problema real é que a frase de determinação exige precisão gramatical e escolhas lexicais específicas, senão o modelo interpreta de formas diferentes a cada execução. Eu trabalho com prompts desde 2023, e já vi muita gente perder horas ajustando temperatura e seed quando o problema na verdade era uma frase de determinação mal estruturada. Vou explicar o método direto, sem rodeio.
O que é frase de determinação na prática
No contexto de LLMs, frase de determinação se refere a uma instrução estrutural que reduz a variabilidade interpretativa do modelo. Ela não é o pedido principal — é o molde que o pedido vai seguir. Um exemplo básico: "Responda apenas com dados numéricos, sem explicações adicionais. Se não souber, escreva N/A."
Isso é uma frase de determinação. O que vem depois disso é o que você quer de fato. Mas sem essa primeira estrutura, o modelo pode decidir que uma explicação longa é mais útil, ou pode inventar números quando não tem informação suficiente. O erro mais comum que vejo é usar frases de determinação vagas como "seja profissional" ou "responda bem". Essas instruções não determinam nada. O modelo já foi treinado com milhões de exemplos do que significa "profissional", e cada um desses exemplos tem nuances diferentes. O resultado é inconsistência. Substitua por critérios observáveis: tom, formato, comprimento máximo, restrições explícitas do que não incluir.
Método de construção passo a passo
O processo que eu uso funciona assim: 1. Defina a saída esperada com restrições concretas. Não diga "seja claro". Diga "use no máximo 3 frases por parágrafo e evite jargões técnicos". Restrições mensuráveis reduzem a superfície de interpretação.
2. Posicione a frase de determinação no início do prompt. A posição importa porque os primeiros tokens têm peso maior no mecanismo de atenção do modelo. Uma frase de determinação colocada no final muitas vezes é ignorada ou tratada como contexto secundário. Coloque-a nos primeiros 5% do prompt, idealmente antes de qualquer detalhe secundário. 3. Use negativas explícitas. Dizer o que NÃO fazer é frequentemente mais eficaz do que dizer apenas o que fazer. Modelos tendem a ter mais alucinação quando precisam gerar algo novo do que quando precisam evitar algo conhecido. "Não inclua fontes não verificadas" é mais eficaz do que "forneça apenas informações verificáveis".
4. Teste com variação de(seed. A frase de determinação perfeita em uma geração pode falhar em outra. Execute o mesmo prompt 3 a 5 vezes com seeds diferentes para validar a estabilidade. Se a saída variar muito, sua frase de determinação precisa de mais restrições, não de mais palavras. Um detalhe que quase ninguém menciona: a frase de determinação funciona melhor quando é autocontida. Se você precisa que ela dependa de uma definição que aparece cinquenta tokens depois, ela perdeu o efeito. Tudo o que a frase precisa para funcionar deve estar dentro dela mesma ou nos primeiros trezentos tokens do prompt.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Problema real que eu encontrei com frase de determinação
Estava construindo um pipeline de extração de dados para um cliente que precisava de resumos estruturados de contratos jurídicos em lotes de mil documentos. A frase de determinação inicial era algo como "Extraia cláusulas relevantes e organize em tópicos". O modelo funcionava bem nos primeiros dez documentos e depois começava a incluir informações irrelevantes, pular cláusulas importantes e, em dois casos, criar conteúdo que não existia no texto original. O problema era que a frase de determinação não tinha limite de escopo definido. Ela dizia o que fazer, mas não onde parar. A solução foi reescrever a frase de determinação com restrições de negação e delimitação espacial:
"Extraia apenas cláusulas que contenham os termos 'multa', 'rescisão' ou 'prazo'. Ignore todo o restante do documento. Para cada cláusula extraída, indique a página de origem entre colchetes. Se nenhuma cláusula for encontrada, responda 'Nenhuma cláusula relevante detectada.' Não produza mais de cinco cláusulas por documento." Com essa versão, a taxa de precisão subiu de cerca de 62% para 94% nos testes de validação. O ganho não veio de mudar o modelo ou ajustar hiperparâmetros — veio inteiramente de refinar a frase de determinação.
Erros avançados que iniciantes cometem
Sobrecarga de restrições. A tentativa de controlar tudo na frase de determinação gera prompts que o modelo não consegue processar coherentemente. Uma regra geral prática: não exceda sete restrições na mesma frase de determinação. Oitocentos tokens de instrução são piores que duzentos tokens diretos. Cada restrição adicional adiciona atrito computacional e aumenta a probabilidade de conflito interno entre regras. Conflito entre frase de determinação e exemploFew-shot. Se você fornecer exemplos e sua frase de determinação contradiz algum padrão mostrado nos exemplos, o modelo prioriza o exemplo. Isso é documentado em vários estudos de interpretabilidade. Sempre alinhe a frase de determinação com o formato dos exemplos que você fornece, nunca contra.
Ilução de especificidade. Frases como "analise profundamente" ou "seja criativo" parecem específicas para quem as escreve, mas são estatisticamente vagas. Palavras como "profundamente" não têm vetor fixo no espaço semântico do modelo. Use verbos de ação concretos: "enumerate", "classifique", "compare lado a lado", "priorize por ordem decrescente".
Quando frase de determinação não resolve
Existe um cenário em que a frase de determinação simplesmente não funciona: quando a tarefa depende de conhecimento factual que o modelo não possui ou que está além do seu corte de treinamento. Nenhum ajuste na frase de determinação vai fazer um modelo responder corretamente sobre eventos posteriores à data dele. Nesse caso, o problema não é a frase — é a falta de dados. A solução é integrar busca externa ou RAG, não refinamento de prompt. Outro cenário de falha: tarefas que exigem raciocínio matemático complexo ou lógica formal em múltiplas etapas. A frase de determinação ajuda a formatar a resposta, mas não melhora a capacidade de cálculo do modelo. Para esses casos, ferramentas externas de execução são mais confiáveis do que prompts.
O tempo médio para iterar uma frase de determinação até estabilizar varia conforme a complexidade da tarefa. Tarefas simples de formatação levam de cinco a quinze minutos de ajustes. Tarefas de extração estruturada com múltiplas restrições podem exigir de trinta minutos a duas horas, dependendo da qualidade dos dados de entrada. Não tente resolver problemas de dados ruins com frases de determinação melhores. Isso raramente funciona e gasta tempo que poderia ser usado corrigindo a fonte dos dados. Se quiser testar na prática, a abordagem mais eficiente é começar com uma frase curta, rodar cinco iterações, observar onde a saída diverge do esperado e adicionar apenas uma restrição por vez. Múltiplas mudanças simultâneas impedem que você identifique qual ajuste foi responsável pela melhoria — ou pelo piora.
