Como escrever melhores Prompts para modelos de IA locais
Um modelo local não é uma cópia mais pequena de um produto de conversa de ponta. Tem uma janela de contexto útil mais curta, segue instruções com menos firmeza e tem menos paciência para formulações ambíguas. As correções abaixo são as que mudam o resultado num PC doméstico normal: ponha o trabalho primeiro, feche o formato, mantenha a tarefa pequena, escreva o prompt em linguagem simples, acrescente uma verificação só quando a tarefa precisar e limite o tamanho.
Versões prontas a copiar destes padrões estão em Melhores modelos de Prompt para LLMs locais. As notas de teste mais longas estão em O que funciona de facto.
1. Ponha as instruções antes do texto de origem
Muitos modelos locais dão mais peso ao início do prompt do que ao fim. Se colar um artigo longo e só depois disser «resume isto», o modelo pode continuar o artigo, resumir apenas a abertura ou responder a uma pergunta que aparecia dentro da origem. Indique primeiro o papel, a tarefa e as regras. Depois cole o texto sob uma etiqueta clara, como Texto:.
Exemplos que funcionam
Contraexemplo
Porque é que falha: a instrução chega tarde, é curta e é vaga. O modelo já esteve «a ler» como se o artigo fosse a tarefa. «Faça com que fique bom» não diz o que é bom. Mova uma instrução de resumo concreta para as primeiras linhas e apague «faça com que fique bom».
2. Nomeie o formato, não a sensação
Palavras como «agradável», «profissional» e «perspicaz» não são um formato. Um formato é uma contagem, uma forma ou uma proibição. Os modelos locais seguem contagens e proibições mais vezes do que seguem o gosto.
Exemplos que funcionam
Contraexemplo
Porque é que falha: não há tamanho, não há número de pontos e não há proibição de uma introdução. Muitas vezes recebe um título, uma introdução entusiasmada, cinco parágrafos desiguais e um «espero que ajude». Substitua por uma contagem e um limite de frases.
3. Peça um único resultado
Um único prompt que pede um rascunho, uma tradução, uma lista de títulos e uma legenda para redes sociais são quatro trabalhos. Num modelo pequeno, os trabalhos seguintes caem ou misturam-se no primeiro. Separe-os. Pode encadeá-los você mesmo: pegue no rascunho, comece um prompt novo e peça apenas a tradução.
Exemplos que funcionam
Contraexemplo
Porque é que falha: quatro saídas, sem tamanho, e «seja criativo» luta contra a consistência. O modelo costuma escrever um artigo curto em português e depois acenar vagamente ao resto. Execute quatro prompts, ou no máximo dois se tiver um modelo maior e numerar as saídas.
4. Escreva o prompt numa linguagem mais simples do que a saída
Pode pedir um memorando formal. As próprias instruções devem continuar a ser frases curtas. Orações encaixadas, negativas empilhadas e jargão no prompt de sistema são onde os modelos mais pequenos perdem o fio.
Exemplos que funcionam
Contraexemplo
Porque é que falha: a instrução é mais difícil do que a tarefa. O modelo pode ecoar o jargão ou ficar preso num ensaio vago. Diga para quem é, qual é o tamanho e o que incluir.
5. Acrescente uma autoverificação só para tarefas frágeis
Uma autoverificação ajuda quando a saída tem de corresponder a uma forma: JSON, um número fixo de pontos ou código que não deve incluir prosa. Não ajuda numa reescrita simples e, em modelos pequenos, pode fazer o modelo imprimir a verificação em vez da resposta. Use uma linha, no fim.
Exemplos que funcionam
Contraexemplo
Porque é que falha: a verificação pesa mais do que a tarefa. Você queria uma nota. Muitas vezes recebe um parágrafo sobre raciocínio e uma nota rígida no fim. Para uma nota de aniversário, salte a autoverificação e defina um limite de palavras.
6. Limite o tamanho no prompt e no programa
Os modelos locais divagam quando nem o prompt nem a aplicação definem um teto. Defina os dois. No prompt, use uma contagem de palavras ou de pontos. Em Ollama, LM Studio ou Jan, defina um limite máximo de tokens um pouco acima dessa contagem, para o modelo conseguir terminar a última frase sem ser cortado a meio de uma palavra. Se não tiver a certeza do tamanho do próprio prompt, passe-o pelo Contador de Tokens antes de colar um documento de origem longo.
Exemplos que funcionam
Contraexemplo
Porque é que falha: não há fim. Um modelo local continua a listar dicas genéricas até bater no máximo de tokens do programa, muitas vezes a repetir-se. Nomeie o público e um tamanho: «Dê a um utilizador de PC em casa 6 passos de cópia de segurança, uma frase cada.»
Um antes e depois curto
É o mesmo pedido. O primeiro é como as pessoas costumam escrever. O segundo é a versão que um modelo de 7B consegue seguir.
Se quiser uma segunda passagem, não peça ao mesmo modelo para «também tornar isto mais agradável» no mesmo prompt. Comece um prompt novo com as notas limpas e uma única instrução nova.
O que isto não resolve
- Um modelo que nunca foi treinado para escrever a língua que pediu não fica fluente só porque o prompt está arrumado.
- Um modelo de 3B continua a ter dificuldade com uma revisão de código longa. Encurte o fragmento ou use um modelo local maior.
- Factos que o modelo não conhece não se impõem com um formato mais rígido. Peça-lhe que use apenas o texto que colou.
- Uma temperatura alta continua a baralhar a formulação mesmo quando o prompt é bom. Para tarefas repetíveis, veja Como obter resultados consistentes de modelos locais.