Da engenharia de prompts à engenharia de contexto
Do lançamento do ChatGPT, no final de 2022, até o início de 2024, a indústria de IA girou em torno de uma única ideia: engenharia de prompts. Cursos inteiros, certificações e até cargos foram criados em torno da habilidade de redigir a instrução perfeita para um modelo de linguagem. Mas, por volta de 2024, algo mudou de forma fundamental. A indústria foi além dos prompts e entrou numa nova disciplina: a engenharia de contexto.
Essa mudança não foi arbitrária. Foi impulsionada por uma expansão dramática nas capacidades dos modelos subjacentes. À medida que os modelos de linguagem ampliaram as suas janelas de contexto para além de 200.000 tokens, o jogo mudou por completo. Com esse espaço, era possível caber um romance inteiro, uma base de código completa, um conjunto de artigos científicos ou fluxos de trabalho longos numa única janela de contexto. O gargalo deixou de ser o que dizer ao modelo — passou a ser o que mostrar a ele.
A diferença entre um prompt e um contexto
A engenharia de prompts consiste em instruir o modelo de linguagem a comportar-se de determinada forma. Diz-se a ele para agir como advogado, para ser conciso, para evitar especulações. A engenharia de contexto é fundamentalmente diferente. Trata-se de fornecer ao modelo a informação certa sobre a qual raciocinar. A instrução pode ser perfeita, mas se o contexto estiver errado, o resultado também estará.
Pense assim: um prompt bem escrito com um contexto pobre leva a um resultado pobre. Um prompt medíocre com um contexto excelente costuma levar a um bom resultado. O contexto é a matéria-prima. O prompt é apenas o volante.
Na IA jurídica, essa distinção é crítica. Um advogado pode escrever o prompt perfeito, mas se o sistema alimentar o modelo com jurisprudência desatualizada, documentos irrelevantes ou instruções conflituantes, o resultado será pouco confiável — por mais elegante que seja o prompt.
O que 200.000 tokens realmente significam
Uma janela de contexto de 200.000 tokens é enorme. Para se ter uma ideia, um romance médio tem cerca de 80.000 palavras, o que equivale a aproximadamente 100.000 tokens. Isso significa que os modelos mais recentes conseguem reter o equivalente a dois romances completos numa única conversa. Para o trabalho jurídico, isso permite carregar processos inteiros, quadros regulatórios, memorandos internos e o histórico de conversa, tudo ao mesmo tempo.
Mas essa capacidade traz um novo problema: a gestão do contexto. O facto de ser possível incluir tudo não significa que se deva fazê-lo. A qualidade do raciocínio da IA degrada-se quando o contexto está mal organizado, e surgiram três modos de falha específicos.
Três falhas de contexto que todo advogado deveria conhecer
Contaminação de contexto
A contaminação de contexto ocorre quando informação desatualizada, incorreta ou já superada entra na janela de contexto. Tal como encher a cabeça com informação errada leva a más decisões, alimentar um modelo de IA com jurisprudência ultrapassada ou interpretações regulatórias incorretas faz com que ele raciocine sobre uma base viciada. O modelo não sabe que a informação está desatualizada — trata tudo o que está no seu contexto como igualmente válido.
Distração de contexto
A distração de contexto acontece quando demasiada informação irrelevante é misturada na janela de contexto. Ao contrário da contaminação, a informação não é necessariamente errada — é apenas ruído. O modelo tem de filtrar o que é e o que não é importante, e esse filtro é imperfeito. O resultado é um desempenho mais fraco, respostas menos focadas e maior risco de alucinação, à medida que o modelo se esforça para identificar o sinal em meio ao ruído.
Conflito de contexto
O conflito de contexto ocorre quando informações ou instruções dentro do contexto se contradizem. Se uma parte do contexto diz "seja conciso" e outra diz "cubra cada detalhe", o modelo tem de resolver essa contradição por conta própria — e muitas vezes fá-lo de forma inconsistente. No trabalho jurídico, isso pode manifestar-se como pareceres contraditórios, minutas de contrato internamente inconsistentes, ou análises cujo tom e profundidade mudam de forma imprevisível.
Técnicas de engenharia de contexto que funcionam
A disciplina da engenharia de contexto já produziu várias técnicas comprovadas para gerir estas armadilhas. Não são teóricas — são os métodos usados pelas melhores plataformas de IA jurídica para garantir resultados fiáveis e fundamentados.
Experimente HAQQ AI grátis
Experimente a redação e pesquisa jurídica com IA
RAG: Geração Aumentada por Recuperação
O RAG é a técnica de engenharia de contexto mais amplamente adotada. Em vez de despejar toda a biblioteca de documentos na janela de contexto, o RAG recupera seletivamente apenas os documentos e trechos relevantes para a consulta em causa. É uma forma de contexto seletivo — traz-se o que importa e deixa-se de fora o que não importa. O resultado é uma janela de contexto mais limpa, menor risco de distração e um raciocínio de IA mais focado.
Compressão de contexto
Outra técnica poderosa é comprimir o contexto existente, resumindo-o ou aparando-o. Longos históricos de conversa, documentos extensos e informação redundante podem ser condensados sem perder o conteúdo essencial. Isto é particularmente importante em fluxos de trabalho jurídicos, onde as conversas podem ter dezenas de trocas e os documentos podem ter centenas de páginas.
Camadas e priorização de contexto
Os sistemas mais avançados usam camadas de contexto — organizando a janela de contexto em níveis priorizados. As instruções do sistema ocupam o nível de prioridade mais alto, seguidas dos documentos mais relevantes, depois do contexto de apoio e, por fim, do histórico de conversa. Isso garante que o modelo preste atenção à informação mais crítica mesmo quando a janela de contexto é grande.
Por que isto importa para a IA jurídica
Para os advogados, a engenharia de contexto não é um conceito abstrato. É a diferença entre uma ferramenta de IA que produz citações jurisprudenciais alucinadas e uma que produz análises fiáveis e fundamentadas em fontes. É a diferença entre uma revisão de contrato que perde riscos-chave porque a IA se distraiu com cláusulas irrelevantes, e uma que identifica exatamente as questões que importam.
Na HAQQ, a engenharia de contexto está incorporada na arquitetura central. O motor Justinian usa RAG para extrair documentos relevantes, comprime e organiza o contexto em camadas de forma inteligente, e mantém janelas de contexto limpas e estruturadas ao longo de conversas jurídicas com múltiplas interações. É por isso que os resultados da HAQQ são consistentemente fundamentados nos documentos reais e nas regras jurisdicionais aplicáveis — e não nos dados gerais de treino do modelo.
A era em que o prompt era tudo terminou. Começou a era em que o contexto determina a qualidade. Os advogados que compreenderem esta mudança usarão a IA de forma mais eficaz do que aqueles que ainda estão a otimizar os seus prompts.
