Tirar do prompt as instruções que quebram nos modelos de 2026

Pedir "pense passo a passo", baixar a temperatura, forçar o uso de ferramenta e mais nove hábitos de 2024 hoje devolvem erro 400, recusa, resposta pior ou fatura maior nos modelos de 2026. Se você mantém prompt em produção, passe hoje o detector deste capítulo no prompt mais usado e corrija primeiro o que quebra a chamada.

O dano entra por portas diferentes, cada uma com prazo próprio. O erro 400 (o servidor recusa a chamada antes de o modelo ler o prompt) aparece no primeiro minuto de produção. A recusa do modelo chega como reclamação de usuário e costuma ser debitada ao fornecedor, embora a causa esteja no texto da equipe. Resposta pior e custo extra levam semanas para aparecer, porque só surgem quando alguém compara saídas ou abre a fatura.

Quase todas essas instruções nasceram para empurrar modelos que pensavam pouco, esqueciam regras e deixavam ferramentas de lado. Os modelos de 2026 raciocinam antes de responder e seguem o prompt ao pé da letra, então o empurrão virou excesso. Quem trocou só o nome do modelo na configuração descobre a lista pelo registro de erros.

Antipadrão de prompt (prompt anti-pattern) é a instrução ou o parâmetro que já foi recomendado e hoje produz o efeito contrário. A virada tem causa conhecida: entre 2025 e 2026, Anthropic, OpenAI, Google e xAI passaram o controle do raciocínio para um parâmetro de esforço, o botão que diz quanto o modelo pensa antes de responder. Ele se chama output_config.effort no Claude, reasoning.effort na OpenAI, thinking_level no Gemini e reasoning_effort no Grok. O que tentava cumprir esse papel por texto ou por parâmetro antigo ficou redundante ou proibido.

O "pense passo a passo", cujo mecanismo o capítulo anterior explica, é o exemplo típico: no Opus 5.5, a Anthropic relata que apagar a linha fez a resposta começar antes sem perda de qualidade.

Quem quer mais ou menos cuidado mexe no nível de esforço da chamada, sem gritar no texto; o capítulo seguinte mostra como escolher esse nível. A tabela reúne as 12 instruções que mais aparecem em prompts herdados.

As quatro primeiras linhas entram na correção de hoje, porque derrubam a chamada. As outras pioram a resposta ou o custo e podem esperar a próxima revisão, desde que cada troca seja medida contra a versão anterior.

A família Claude concentra as quebras porque a Anthropic removeu recursos que os outros fornecedores apenas desaconselham, como o prefill (começar você mesmo a resposta do modelo) e o budget_tokens (o teto manual de tokens de raciocínio). O Sonnet 5.5, de 28/09/2026, acrescentou duas mudanças para quem migrou do Sonnet 5 trocando só o nome do modelo.

Cada fornecedor aposentou o mesmo hábito por um caminho próprio, e a troca certa depende do modelo. O prefill, proibido no Claude, continua recomendado no Gemini como prefixo de resposta. A temperatura (o botão que dosa o acaso na escolha das palavras) dá erro no Opus 5.5, é aceita pelo Grok e não tem efeito no DeepSeek em modo de raciocínio. Antes de corrigir um prompt, escreva o modelo de destino no topo do arquivo.

Os antipadrões de tom não geram erro e por isso duram mais. Maiúsculas, exclamações e "SEMPRE" foram escritos para modelos que ignoravam regras; nos modelos atuais, que seguem a letra, a ênfase empurra para o excesso. A Anthropic registra o efeito nas instruções contra preguiça: desde a geração 4.6, "se em dúvida, use a ferramenta" faz o Claude chamar a ferramenta sem necessidade. Ameaças e gorjetas não aparecem como recomendação em nenhum guia oficial de 2026, e o Google avisa que técnicas de prompt de modelos antigos podem fazer o Gemini analisar demais.

Contradição custa raciocínio. Quando o prompt pede "seja breve" e, três linhas abaixo, "explique cada decisão em detalhe", o modelo gasta tokens tentando conciliar as duas ordens, como descreve o guia de prompting do GPT-5 publicado pela OpenAI em 2025. O conserto é escolher uma regra e dizer qual vence quando elas colidem.

Exemplos resolvidos dentro do prompt (few-shot) seguem a dose por família vista no capítulo anterior. O dado novo é um estudo de 2025 que mediu, em modelo de raciocínio, a acurácia caindo conforme entram mais exemplos, porque o modelo copia os passos do exemplo em vez de resolver o caso novo.

Em produção, cada classe de dano aparece num tipo de fluxo. Nos três cenários ilustrativos abaixo, a migração quebra no jurídico, a conta sobe no atendimento e a resposta piora sem aviso na conciliação financeira.

O detector abaixo é um prompt que lê outro prompt. Ele recebe o texto e a configuração da chamada, aponta cada antipadrão com a severidade e a troca para o modelo de destino e devolve a versão corrigida. Rode-o num modelo atual com esforço high e confira as linhas de severidade QUEBRA contra a tabela por modelo antes de mexer na produção.

Faça hoje

Exporte o prompt de sistema e a configuração real do fluxo mais usado, cole os dois no detector com o modelo de destino escrito e corrija as linhas QUEBRA antes de qualquer outra. Em 30 a 40 minutos você terá a lista de trocas e uma chamada que roda sem erro 400. A faxina deu certo quando 20 casos reais mantêm a taxa de acerto da versão antiga com menos tokens de saída.