IA · Pleno

Como organizar o contexto que você dá aos assistentes de IA

25 de outubro de 2026

Três autores mostram que o resultado de um agente de IA depende do contexto que ele recebe: como classificá-lo, documentá-lo e mantê-lo enxuto.

Gerado por IA
Este texto foi gerado automaticamente por IA a partir dos artigos listados no fim da página, curados pelo Sidebar.io, e revisado por Felipe Arena antes de publicar. As ideias são dos autores originais.

Quem trabalha com produto e design já está usando assistentes de IA para escrever, pesquisar e até programar protótipos. A qualidade do resultado depende menos da frase perfeita no chat e mais do material que o assistente tem à disposição: regras, notas, documentos. Saber organizar esse material virou uma habilidade de trabalho, e ela é bem parecida com organizar a documentação de um time.

Contexto tem papéis diferentes

Em um estudo com pessoas que usam o Claude todos os dias, Tanner Kohler, do Nielsen Norman Group, notou que elas montam uma "biblioteca de contexto" (arquivos, bancos de dados e conexões com ferramentas). Cada informação ali cumpre um de três papéis:

  • Global: muda pouco e vale para quase tudo. Exemplos do estudo: preferências salvas, regras de marca (como códigos de cor) e a instrução fixa de fazer perguntas antes de agir.
  • Local: pertence a uma tarefa ou projeto. Pode ser uma lista de prioridades em um arquivo Markdown, um resumo de conversa levado para um chat novo ou um registro de mudanças atualizado ao fim de cada sessão.
  • Ambiente: o fluxo bruto em volta do trabalho, como e-mails, transcrições de reunião e mensagens de chat. Ninguém tem tempo de organizar isso, então a pessoa conecta o assistente à fonte e deixa que ele filtre.

Os papéis mudam com o tempo: uma mensagem do Slack começa como contexto de ambiente, vira local quando você aponta o assistente para ela e pode virar global se for consultada sempre. A conclusão do artigo é que curar o contexto certo importa ainda mais do que escrever um bom prompt, que é o texto que você digita para pedir algo.

Memória automática ou documentação?

Kevin Liao, no artigo Agents don't need memory. They need documentation, critica os plugins de "memória". Segundo ele, quase todos funcionam do mesmo jeito: guardam trechos das conversas passadas em um banco de busca por similaridade e, a cada pedido, anexam os cinco mais parecidos. O problema, diz Liao, é que similaridade não diz o que está correto ou atual, o trecho perde o motivo da decisão e ninguém consegue auditar milhares de registros para achar os desatualizados.

A alternativa dele é a que pessoas já usam: escrever as coisas. Liao defende uma pasta de documentos que o agente lê antes de trabalhar e atualiza depois, com requisitos, decisões e restrições, ou seja, o que o código sozinho não conta. Ele dá algumas regras: um índice enxuto para o agente saber qual documento abrir, reescrever um fato quando a verdade muda (em vez de acrescentar notas), e registrar só o que o código não mostra, para a documentação não inchar. Como é só Markdown, a revisão funciona como revisão de código. Ele mesmo admite que ainda precisa intervir manualmente para criar, reescrever ou enxugar documentos.

Repare como isso encaixa na divisão do NN/g: o que Liao descreve é, na prática, contexto global e local mantido de forma deliberada, e não um acúmulo automático de lembranças.

Mais contexto não é melhor contexto

Se documentar é bom, o risco é exagerar. Addy Osmani, no artigo Audit your agent files, argumenta que a configuração de um agente tem "meia-vida": o modelo melhora, o projeto muda, mas os arquivos de instruções (como CLAUDE.md ou AGENTS.md) continuam como foram escritos. O padrão que ele descreve é um ciclo: o agente erra, você adiciona uma regra, o arquivo cresce, a aderência cai. Nas palavras dele, você queria um guia curto de decisões e construiu uma base de conhecimento.

Osmani cita estudos para ilustrar o ponto. Em um levantamento de 100 repositórios populares, 42% apresentavam inchaço de contexto. Em outro experimento, resumos em prosa responderam 4 de 45 perguntas sobre o comportamento de um código, enquanto o próprio código respondeu 27. Ele ressalva que alguns resultados são específicos de certos modelos e ferramentas, ou provisórios.

O que vale guardar, segundo ele, é o que o modelo não consegue deduzir sozinho: como rodar as verificações certas, quais operações são caras, o que não deve ser tocado e convenções fora do comum. Regras que nunca podem ser quebradas devem virar teste ou permissão, não um parágrafo que o modelo pode ignorar. Sua rotina de auditoria: guardar uma cópia da configuração, remover o que ninguém lembra de ter instalado, testar uma tarefa real sem aqueles itens e decidir se mantém a remoção.

Para levar

  • Separe o que você dá ao assistente em três gavetas: o que vale sempre (global), o que vale para este projeto (local) e o fluxo bruto que ele deve filtrar (ambiente).
  • Escreva decisões, restrições e o "porquê" do projeto em arquivos simples. O que está só na sua cabeça, ou perdido em conversas antigas, o assistente não encontra.
  • Registre só o que não dá para descobrir olhando o produto ou o código, e reescreva o fato quando a realidade mudar, em vez de empilhar notas.
  • Revise seus arquivos de instruções de tempos em tempos: cada regra precisa justificar sua presença de novo.
  • Regra inegociável não deve ficar só em texto. Quando possível, transforme em teste, permissão ou checagem automática.

Fontes

  1. 01 The 3 roles of context for AI agents — Tanner Kohler, Nielsen Norman Group
    via Sidebar.io
  2. 02 Agents don't need memory. They need documentation. — Kevin Liao, liao.gg
    via Sidebar.io
  3. 03 Audit your agent files — Addy Osmani, addyosmani.com
    via Sidebar.io
← Todos os textos do The Token Corp