Engenharia de contexto é o trabalho de selecionar, organizar e atualizar as informações que uma IA recebe para executar uma tarefa. Isso inclui o pedido do usuário, regras do negócio, dados operacionais, histórico relevante, ferramentas disponíveis e permissões. Um prompt melhor pode esclarecer a instrução. A engenharia de contexto cuida do ambiente inteiro em que a resposta será produzida.
Para quem opera um negócio digital, a diferença aparece em perguntas simples. “Como foram as vendas?” exige saber o período, a moeda, quais canais entram no cálculo, como reembolsos são tratados e qual fonte contém o dado mais recente. Sem isso, a IA pode escrever uma resposta convincente e ainda assim responder à pergunta errada.
Qual é a diferença entre engenharia de contexto e prompt engineering?
Prompt engineering organiza a instrução dada ao modelo. Engenharia de contexto decide quais informações, ferramentas e registros estarão disponíveis quando o modelo interpretar essa instrução.
A distinção segue a definição publicada pela Anthropic sobre engenharia de contexto. A empresa trata o contexto como um recurso limitado que precisa ser curado. Ele pode incluir instruções de sistema, ferramentas, dados externos e histórico de mensagens. Acrescentar tudo indiscriminadamente não garante uma resposta melhor.
Considere um pedido como “compare o desempenho dos dois últimos lançamentos”. O prompt contém a pergunta. O contexto precisa trazer as datas corretas, receita, reembolsos, investimento em mídia, critério de atribuição e eventuais mudanças de preço. Também precisa indicar o que não está disponível. É esse conjunto que permite uma comparação útil.
Por que enviar mais dados não resolve o problema?
Porque volume e relevância são coisas diferentes. Uma pasta com relatórios antigos, planilhas duplicadas e conversas sem data pode aumentar a ambiguidade. A IA passa a lidar com definições conflitantes, valores vencidos e informações sem origem clara.
O problema costuma aparecer de quatro formas:
- Conflito de fontes: a plataforma de pagamentos mostra um valor e a planilha financeira mostra outro.
- Falta de recência: a resposta usa uma meta ou regra que já mudou.
- Definição ambígua: “receita” pode significar vendas brutas, valor aprovado ou caixa recebido.
- Ausência de permissão: a IA encontra um dado, mas não deveria expô-lo ou usá-lo naquela decisão.
Um exemplo divulgado pela OpenAI mostra essa preocupação na prática. O agente de dados interno da empresa foi organizado em camadas de contexto, incluindo uso de tabelas, anotações humanas, conhecimento institucional, memória e contexto de execução. O caso não prova que toda empresa precise reproduzir essa arquitetura. Ele mostra que responder sobre dados internos exige mais do que conectar um modelo ao banco.
Um framework de engenharia de contexto para negócios digitais
Antes de automatizar uma decisão, responda a cinco perguntas. Elas ajudam a separar um problema de prompt de um problema real de contexto.
1. Qual decisão a resposta deve apoiar?
Comece pela decisão, não pela lista de integrações. “Quero analisar o negócio” é amplo demais. “Quero decidir se mantenho o orçamento da campanha na próxima semana” delimita o período, as métricas necessárias e a consequência da resposta.
Registre também quem decide e qual margem de erro é aceitável. Uma sugestão de pauta tolera mais incerteza do que a liberação de um reembolso ou uma projeção de caixa.
2. Quais fontes são necessárias?
Liste somente as fontes que podem mudar a conclusão. Para avaliar uma campanha, talvez sejam necessárias a plataforma de anúncios, a página de checkout e o sistema financeiro. O calendário editorial provavelmente não ajuda.
Para cada fonte, registre o responsável, a frequência de atualização e o significado dos campos usados. Quando duas fontes medem a mesma coisa de formas diferentes, defina qual prevalece ou apresente a divergência ao decisor.
3. O que precisa entrar no contexto agora?
Contexto de execução é a informação necessária para concluir a tarefa atual: período analisado, filtros, dados recuperados, plano de trabalho e resultados recentes de ferramentas. Ele pode ser descartado depois da tarefa.
Prefira recuperar a informação no momento em que ela se torna necessária. Isso reduz a chance de carregar documentos irrelevantes desde o início. Também facilita mostrar qual fonte sustentou cada parte da resposta.
4. O que deve persistir entre uma execução e outra?
Memória deve guardar informações que continuarão úteis, como definições aprovadas, preferências operacionais e decisões com validade conhecida. O histórico completo de conversas não é automaticamente uma boa memória.
Uma regra prática é separar três categorias:
- Regra estável: como a empresa define cliente ativo.
- Decisão com validade: manter o preço atual até a próxima revisão mensal.
- Dado de execução: o resultado de uma consulta feita apenas para a análise atual.
As duas primeiras categorias podem merecer persistência. A terceira costuma pertencer apenas ao contexto da tarefa. Essa separação evita transformar memória em depósito de informação vencida.
5. Quais lacunas e permissões precisam aparecer?
Uma resposta confiável não esconde o que faltou. Se os reembolsos ainda não foram consolidados, a IA deve indicar que a receita líquida permanece provisória. Se não houver acesso ao financeiro, ela não deve tratar vendas aprovadas como caixa recebido.
Permissão também faz parte do contexto. A ferramenta precisa saber quem pode consultar, alterar ou aprovar cada informação. A Anthropic observa, em seu guia sobre ferramentas para agentes, que agentes dependem da qualidade das ferramentas disponíveis. No negócio, essa qualidade inclui descrições claras, entradas bem definidas e limites de ação.
Como saber se o contexto está funcionando?
Teste com decisões reais e respostas verificáveis. Não avalie apenas se o texto parece bom. Verifique se a IA consultou a fonte correta, aplicou a definição combinada, respeitou o período e revelou as lacunas relevantes.
- Escolha uma pergunta recorrente, como “qual produto teve a maior receita líquida no mês?”
- Registre a resposta correta e as fontes usadas por uma pessoa.
- Execute a mesma pergunta com o contexto disponível para a IA.
- Compare fonte, cálculo, recência e ressalvas, não apenas o resultado final.
- Corrija a origem do erro: instrução, recuperação, definição, permissão ou dado ausente.
Esse diagnóstico importa porque cada erro pede uma correção diferente. Se a definição está ambígua, reescreva a regra. Se a informação não foi recuperada, ajuste a busca ou a ferramenta. Se a fonte está desatualizada, corrija o processo de dados. Trocar o modelo antes de identificar a causa pode apenas produzir o mesmo erro com uma redação melhor.
Checklist antes de conectar a IA ao negócio
- A decisão que a resposta apoiará está definida.
- As fontes necessárias têm responsável e frequência de atualização.
- Métricas importantes possuem uma definição comum.
- Conflitos entre fontes têm uma regra de tratamento.
- O sistema distingue contexto temporário de memória persistente.
- Permissões de leitura, alteração e aprovação estão explícitas.
- A resposta consegue citar fontes e revelar dados ausentes.
- Há perguntas de teste com resultados que uma pessoa pode verificar.
O próximo passo não é escrever um prompt maior
Escolha uma decisão recorrente do negócio e mapeie o contexto mínimo necessário para tomá-la. Identifique a fonte de cada dado, as definições em conflito, a validade das informações e as permissões envolvidas. Só depois decida como a IA deve receber esse material.
Essa é a ponte entre uma IA que apenas conversa e uma camada de gestão que responde com contexto real. O SOCEO parte do mesmo problema: reunir fontes, mostrar lacunas e transformar uma pergunta sobre o negócio em próximos passos que possam ser conferidos.