Instruções vagas como "seja conciso" geram outputs inconsistentes porque o modelo interpreta adjetivos com base no contexto, não na sua intenção. A solução é substituir adjetivos por restrições mensuráveis: em vez de "resposta curta", use "máximo 20 palavras". Se a instrução não pode ser verificada mecanicamente, ela é vaga.
Se você já ficou frustrado porque o modelo ignorou suas instruções, a causa mais provável é simples: suas instruções eram vagas demais.
O problema com adjetivos
Palavras como "conciso", "detalhado", "simples" ou "profissional" não têm significado fixo para um LLM. Elas são interpretadas com base no contexto e nos padrões de treinamento. O que significa que o modelo vai preencher as lacunas com seu próprio julgamento, não com o seu.
"Seja conciso" pode resultar em uma resposta de 2 frases ou de 10 parágrafos dependendo do contexto. Já "máximo 15 palavras" é inequívoco.
Substitua descrições por restrições
A regra é simples: se a instrução não pode ser verificada mecanicamente, ela é vaga.
- ❌ "Responda de forma clara" → ✅ "Use frases com no máximo 20 palavras"
- ❌ "Seja detalhado" → ✅ "Inclua pelo menos 3 exemplos concretos"
- ❌ "Tom profissional" → ✅ "Evite gírias; use voz passiva quando possível"
Por que isso importa na produção
Prompts vagos produzem outputs inconsistentes. Em produção, inconsistência é um bug. O modelo que funcionou perfeitamente nos seus testes pode produzir respostas completamente diferentes com inputs ligeiramente variados, e a causa quase sempre é uma instrução ambígua.
A especificidade é o principal driver de consistência em sistemas baseados em LLM. Quer entender as outras dimensões que determinam se um prompt funciona em produção? Veja o framework completo de 4 dimensões.
Perguntas frequentes
Por que instruções vagas prejudicam prompts de LLM?
Palavras como "conciso", "detalhado" ou "profissional" não têm significado fixo para um LLM. O modelo interpreta adjetivos com base no contexto de treinamento, não na sua intenção. O que significa que vai preencher as lacunas com seu próprio julgamento, gerando outputs inconsistentes.
Como tornar um prompt mais específico?
Substitua adjetivos por restrições mensuráveis. A regra: se a instrução não pode ser verificada mecanicamente, ela é vaga. "Seja conciso" → "máximo 15 palavras". "Seja detalhado" → "inclua pelo menos 3 exemplos concretos". "Tom profissional" → "evite gírias; use voz passiva quando possível".
O que é especificidade em prompt engineering?
Especificidade é a propriedade de um prompt que garante que suas instruções sejam inequívocas e verificáveis. Um prompt específico usa restrições concretas (números, formatos, limites) em vez de adjetivos subjetivos. É o principal driver de consistência em sistemas baseados em LLM.