Limpar do manual de prompt o que envelheceu desde 2024

Os truques do manual de prompt de 2024 (pedir passo a passo, pré-preencher a resposta, baixar a temperatura, empilhar exemplos com raciocínio) hoje gastam mais ou devolvem erro nos modelos de 2026, enquanto clareza, contexto e exemplo de formato continuam valendo. Quem cuida do material de prompt da equipe deve auditar hoje um prompt antigo com um prompt revisor.

O prejuízo aparece de dois jeitos. No mais visível, a chamada à API volta com erro 400, a recusa do servidor antes de o modelo ler qualquer coisa: o Claude Opus 5.5 rejeita temperatura fora do padrão e o campo budget_tokens (o teto manual de pensamento), e todo Claude desde a geração 4.6 rejeita a resposta pré-preenchida. No menos visível, a chamada passa e o resultado piora devagar, porque a instrução antiga disputa espaço com o raciocínio que o modelo já faz sozinho.

A limpeza pede critério, porque o reflexo de apagar tudo também erra. Exemplos rotulados seguem recomendados pela Anthropic e pelo Google, e a equipe que corta os exemplos junto com o passo a passo perde o formato da saída e culpa o modelo novo.

Entre 2024 e 2026, os modelos de fronteira passaram a raciocinar antes de responder por padrão. O nome oficial muda por fornecedor: pensamento adaptativo (adaptive thinking) no Claude, raciocínio (reasoning) na OpenAI e na xAI, pensamento (thinking) no Gemini. Em todos, o modelo escreve um rascunho interno, cobrado como saída, e só depois entrega a resposta. Quanto ele pensa passa a ser decidido por um parâmetro de esforço (effort, o equivalente a dizer quanto tempo de reflexão a tarefa merece), com níveis como low, medium e high.

Esse deslocamento explica quase toda a lista do que envelheceu. O “pense passo a passo” (chain-of-thought, a cadeia de raciocínio pedida no texto) era o jeito manual de comprar raciocínio; hoje duplica o trabalho interno, e a OpenAI escreve que o pedido “can sometimes hinder” o resultado. O budget_tokens deu lugar ao nível de esforço. A temperatura, o botão que sorteia palavras menos prováveis, perdeu função em modelo que raciocina: a Anthropic devolve erro, a OpenAI manda remover e o Google recomenda manter o padrão de 1,0.

Sobrevive o que ajudaria um colega recém-chegado a entender a tarefa. A Anthropic resume a regra pedindo que se trate o modelo como “a brilliant but new employee who lacks context”: objetivo, público, dados, formato e restrição continuam no prompt. O papel (“você é um especialista em…”) segue previsto no prompt de sistema, a instrução fixa da conversa, nos guias dos três maiores fornecedores, desde que venha com público e critério de sucesso; sozinho, não supre o contexto que falta.

A direção vale para todos os fornecedores, mas a chamada quebra no detalhe de cada um. Exemplo é o ponto de maior divergência: a Anthropic recomenda de três a cinco, o Google manda incluir sempre, a OpenAI pede começar sem exemplos em modelo de raciocínio e o artigo do DeepSeek-R1 registrou piora com eles. Diante de um exemplo antigo, pergunte o que ele ensina. Formato e tom ficam; passos de raciocínio para imitar saem, porque o modelo copia os passos em vez de aprender a estratégia.

Com o quadro por fornecedor na mão, a triagem do manual cabe em três destinos. Sai primeiro o que devolve erro, porque derruba o fluxo no dia da troca de modelo. Em seguida vem a troca do que só envelheceu por um substituto documentado. O resto fica, de preferência com a data e o modelo em que foi testado anotados ao lado.

O manual da equipe raramente mora num lugar só. Prompts antigos aparecem em slides de treinamento, modelos salvos no painel do fornecedor, automações de marketing e código de integração, e cada cópia carrega os parâmetros de 2024. Comece pelo inventário: onde há prompt em uso, quem responde por ele e em que modelo roda hoje. A ordem da auditoria sai dessa lista, com o que roda em produção à frente do que só aparece em treinamento.

No material de treinamento, troque a lista de truques por orientações carimbadas com o modelo e a data em que foram testadas. Quando o fornecedor muda a regra, como aconteceu com as famílias lançadas em setembro de 2026, a equipe sabe quais páginas revisar e para de discutir opinião.

O campo se chama explicacao de propósito. A Anthropic orienta pedir “explicação” em campos de justificativa, porque a palavra “raciocínio” pode disparar a recusa reasoning_extraction. Na OpenAI, a mesma estrutura entra em text.format com strict: true; no Gemini, em response_format com o esquema; no Grok, em response_format com json_schema.

Faça hoje

Escolha o prompt de 2024 que mais roda em produção na sua equipe, cole-o no revisor com os parâmetros da chamada e aplique as correções marcadas como quebra. Em 30 minutos você deve ter a versão nova respondendo sem erro 400 e um placar dos dez casos reais com acerto igual ou maior que o da versão antiga.