Uma pessoa pede à IA: “Mostre as compras acima de R$ 20 mil que ainda precisam de aprovação”. Essa frase é o prompt. Para responder direito, porém, o sistema também precisa saber quais regras seguir e quais informações usar.
As instruções cuidam das regras. O contexto traz os dados da operação. Misturar tudo sob o nome de prompt funciona em algumas plataformas, mas dificulta entender o que aconteceu quando a resposta sai errada.
O prompt muda a cada pedido
Prompt é o que a pessoa solicita naquele momento. Pode ser uma pergunta, uma ordem ou uma tarefa.
“Resuma este relatório”, “classifique este documento” e “liste as compras pendentes” são exemplos de prompts. O pedido muda a cada execução.
As instruções continuam valendo
Instruções definem como a IA deve trabalhar. Podem determinar o idioma e o formato da resposta, além dos limites de atuação e dos cuidados que a execução precisa respeitar.
No exemplo das compras, elas poderiam exigir valores em reais e resultados do maior para o menor. Outra regra impediria a IA de preencher informações ausentes por conta própria.
Como essas regras valem para várias solicitações, não precisam ser repetidas em cada prompt.
O contexto vem da operação
Contexto é o conteúdo disponível para realizar a tarefa. Pode vir de documentos, registros de um sistema e resultados de ferramentas. Partes anteriores da sessão ou regras do projeto também podem entrar.
Para encontrar compras pendentes, o sistema precisa fornecer valores e fornecedores, além do status de aprovação e dos limites definidos pelo processo. Sem isso, a IA conhece o pedido, mas não tem os dados para respondê-lo.
Se o sistema recupera esse contexto em documentos antes da resposta, o processo pode fazer parte de uma implementação de RAG.
A mesma consulta, separada
No pedido das compras, a separação ficaria assim:
O prompt seria “Quais compras acima de R$ 20 mil aguardam aprovação?”. As instruções pediriam valores em reais, ordenação por valor e somente informações encontradas. O contexto viria dos registros de compras, com fornecedores, valores e status trazidos pelo sistema interno.
Cada parte responde a uma pergunta diferente: o que fazer, quais regras aplicar e com quais informações trabalhar.
A separação facilita a manutenção
As regras podem mudar sem alterar os dados. O sistema também consegue atualizar o contexto sem reescrever as instruções, enquanto cada pessoa continua livre para fazer pedidos diferentes.
Essa divisão ajuda no diagnóstico de uma resposta ruim. O problema pode estar no pedido, nas regras ou no conteúdo disponível. Quando tudo recebe o mesmo nome, fica mais difícil localizar a correção.
Chamar tudo de prompt esconde a origem
Algumas plataformas usam a palavra prompt para representar todo o conteúdo enviado ao modelo, incluindo regras e dados de apoio. Esse uso não está necessariamente errado.
Em uma aplicação real, a distinção mostra o que muda a cada execução, quais regras permanecem e de onde vieram as informações usadas na resposta.