Foto: Taylor Flowe / Unsplash
IA
Colocar a informação mais crítica no meio de um prompt longo, em vez de no início ou no fim, ignora que o modelo de linguagem recupera pior informação posicionada no meio do próprio contexto, mesmo com janela grande o suficiente pra caber tudo
Pedro Toledo · 3 de setembro de 2026 · 4 min de leitura
Colocar a informação mais crítica de um prompt longo em algum ponto no meio dele, entre instrução inicial e pergunta final, ignora que o modelo de linguagem recupera pior informação posicionada no meio do próprio contexto — o fenômeno conhecido como 'perdido no meio' — mesmo quando a janela de contexto disponível é grande o suficiente pra caber toda a informação sem nenhum problema técnico de limite. Por que a posição da informação parece irrelevante quando cabe tudo na janela, o que caracteriza uma estruturação de prompt que evita essa perda, e como identificar se o próprio prompt já sofre desse problema específico.
Assumir que toda informação cabendo dentro do limite técnico da janela de contexto vai ser acessada com a mesma qualidade pelo modelo costuma parecer uma suposição razoável sobre como um sistema de IA generativa funciona. Testar o mesmo prompt com a informação crítica movida pro início, pro meio e pro final revela uma diferença real de qualidade que a suposição inicial nunca deixaria prever.
Colocar a informação mais crítica de um prompt longo em algum ponto no meio dele, entre instrução inicial e pergunta final, ignora que o modelo de linguagem recupera pior informação posicionada no meio do próprio contexto — o fenômeno conhecido como "perdido no meio" —, mesmo quando a janela de contexto disponível é grande o suficiente pra caber toda a informação sem nenhum problema técnico de limite.
Por que a posição parece irrelevante
A suposição intuitiva é que, uma vez que toda a informação está tecnicamente disponível dentro do limite de token da própria janela de contexto, o modelo deveria acessar qualquer parte dela com a mesma qualidade real de recuperação. Isso não considera que o mecanismo de atenção interno do modelo trata posições diferentes do texto processado com pesos efetivamente diferentes, favorecendo naturalmente o início e o final do conteúdo em detrimento do que está posicionado no meio dele.
O que caracteriza estruturação que evita perda
Uma estruturação genuinamente eficaz posiciona a informação mais crítica pro resultado esperado logo no início ou logo no final do próprio prompt, reservando o meio pra informação de apoio menos determinante pra qualidade da resposta final. Reforçar informação essencial repetindo ela numa dessas duas posições privilegiadas, quando o prompt precisa ser genuinamente longo por necessidade real de contexto, é o que sustenta uma recuperação confiável mesmo diante dessa limitação real do próprio mecanismo de atenção do modelo. Isso tem relação direta com confiar na memória de uma conversa longa com IA generativa sem perceber que a janela de contexto já descartou informação real do início faz o modelo contradizer decisão que já tinha sido tomada — os dois casos apontam pro mesmo princípio de fundo: a janela de contexto de um modelo de IA generativa não trata toda informação disponível de forma igualmente confiável, seja porque o limite técnico eventualmente descarta informação mais antiga por completo, seja porque a posição da informação dentro de um contexto ainda ativo já influencia a qualidade real de recuperação dela.
Por que persiste mesmo em janela grande
Pesquisa recente mostra que mesmo modelo com janela de mais de um milhão de token ainda apresenta queda real de precisão ao recuperar informação posicionada no meio do próprio contexto processado. Isso revela que o problema não é falta de capacidade técnica de armazenar a informação dentro do limite disponível, mas uma limitação real de como o próprio modelo prioriza atenção entre diferentes posições do texto, independente do tamanho total da janela de contexto configurada.
Como identificar esse problema no próprio prompt
A forma prática de identificar se o próprio prompt já sofre desse problema específico é testar o mesmo prompt longo com a informação crítica movida deliberadamente pro início, pro meio e pro final dele, mantendo o restante do conteúdo idêntico entre as três versões testadas. Comparar a qualidade da resposta gerada em cada uma dessas versões — uma queda de qualidade consistente na versão com a informação posicionada no meio confirma que o próprio prompt está sofrendo desse problema de posicionamento específico.
Um exemplo prático
Uma equipe monta um prompt longo pra um agente de análise de contrato, colocando a instrução mais crítica sobre qual cláusula priorizar bem no meio de um documento extenso incluído no próprio contexto. O agente ignora repetidamente essa instrução específica, mesmo com ela tecnicamente presente dentro do limite de token disponível. Ao mover essa mesma instrução crítica pro início do prompt, antes do documento completo, e repetir ela de forma resumida logo no final, a taxa de acerto do agente em seguir aquela instrução específica sobe de forma consistente nas execuções seguintes.
O ponto central
Antes de posicionar qualquer informação crítica no meio de um prompt longo só porque ela cabe tecnicamente dentro do limite da janela de contexto, vale lembrar que posição influencia recuperação, mesmo quando o tamanho técnico nunca foi um problema real. Início e final continuam sendo as posições mais confiáveis pra informação que realmente precisa ser seguida com precisão pelo próprio modelo.
