Imperativo vs Pedido: Como o Tom Afeta o Output do LLM

Existe uma diferença mensurável entre "liste os principais riscos" e "você poderia me listar os principais riscos?". Não é só estilo — é performance.

Como o modelo interpreta pedidos educados

LLMs são treinados em texto humano, onde pedidos educados geralmente precedem respostas longas e contextualizadas. Quando você escreve "você poderia...", o modelo ativa padrões de resposta social — o que inclui introduções, qualificações e conclusões que você provavelmente não quer.

Imperativo é mais eficiente

Verbos no imperativo — "liste", "explique", "gere", "calcule" — comunicam uma tarefa direta. O modelo processa isso como instrução, não como interação social.

• ❌ "Você poderia me ajudar a entender X?" → resposta conversacional, verbosa
• ✅ "Explique X em 3 pontos" → resposta estruturada, direta

A exceção: quando o tom importa

Se o output é texto destinado a um usuário humano — um e-mail, uma mensagem de suporte — o tom do prompt pode influenciar o tom da resposta. Nesse caso, use imperativo para instruções estruturais e ajuste o tom apenas para a parte narrativa.

Em prompts de sistema para pipelines automatizados, sempre prefira o imperativo. Você está programando uma função, não conversando.

Score your prompts before they hit production

PromptEval scores prompts 0–100 across 4 dimensions — clarity, structure, context, and output spec — and tells you exactly what to fix.