Especificidade no Prompt: Por que Instruções Vagas Destroem seus Resultados
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.
Mais artigos
Avalie seus prompts antes de ir para produção
PromptEval pontua prompts de 0–100 em 4 dimensões — clareza, estrutura, contexto e especificação de saída.
Testar grátis →