Rotule cada documento em um prompt para o modelo não confundi-los

Você colou dois textos em uma única mensagem e pediu ao modelo que os comparasse. A menos que você tenha dito qual é qual, ele precisa adivinhar. A correção é pequena: dê um nome e uma função a cada texto, e envolva cada um em sua própria tag. O guia de prompting da Anthropic (uma página viva, verificada em 31 de outubro de 2026) recomenda marcar cada tipo de conteúdo com tags para que o modelo não interprete errado o que é instrução, o que é contexto e o que é entrada. Abaixo há um prompt de antes/depois e uma requisição de chat completion funcional que você pode enviar para a CheapTokens API.

O que dá errado quando você apenas cola#

Pegue o caso mais simples. Um fornecedor envia uma nova descrição de produto, e você quer saber o que mudou em relação à que está na página da sua loja. Você cola as duas sob "O que mudou?" e aperta enviar. Para você a ordem é óbvia. Para o modelo são dois blocos de texto sem nada entre eles, e a pergunta nunca diz qual é o antigo. Ele pode acertar. Também pode chamar o texto novo de antigo e te entregar uma lista de mudanças ao contrário, com uma voz perfeitamente confiante.

A mesma armadilha se esconde em tarefas do dia a dia:

• duas versões de um contrato, e você pergunta o que o outro lado mudou;
• três notas de reunião, e você pergunta quais decisões se contradizem;
• uma amostra de estilo mais um rascunho: qual imitar, qual reescrever?
• um log de erro colado junto com o código, e a pergunta é "corrija isso".

Em cada um deles o modelo precisa de duas coisas por texto: um nome (o que é e de onde veio) e uma função (o que você quer fazer com ele).

Dê a cada texto um nome e uma função#

Três movimentos pequenos:

1. Coloque cada texto em sua própria tag. O guia da Anthropic sugere um invólucro <documents> com um <document index="1"> por texto, e dentro dele um <source> para o nome e <document_content> para o texto em si.
2. Diga o que cada um é na instrução, fora das tags: "Documento 1 é o texto ANTIGO da nossa loja. Documento 2 é o texto NOVO do fornecedor."
3. Faça a pergunta com as mesmas palavras. "Liste todo fato que mudou, como antigo -> novo" agora tem um antigo e um novo para apontar.

Aqui está o exemplo da garrafa antes e depois:

What changed?

Steel water bottle, 500 ml. Keeps drinks cold for 12 hours. Dishwasher safe.

Steel water bottle, 750 ml. Keeps drinks cold for 24 hours. Hand wash only.

Document 1 is the OLD text from our shop. Document 2 is the NEW text from the supplier. List every fact that changed, one per line, as old -> new.

<documents>
<document index="1">
<source>old description (current shop page)</source>
<document_content>
Steel water bottle, 500 ml. Keeps drinks cold for 12 hours. Dishwasher safe.
</document_content>
</document>
<document index="2">
<source>new description (from the supplier)</source>
<document_content>
Steel water bottle, 750 ml. Keeps drinks cold for 24 hours. Hand wash only.
</document_content>
</document>
</documents>

Os rótulos custam alguns tokens e eliminam a adivinhação. A Anthropic escreveu esse conselho para seus modelos Claude, mas os rótulos são texto puro, então nada impede você de enviar o mesmo layout para outro modelo de chat.

Envie como uma requisição real#

Aqui está o prompt "depois" como uma chamada de API. O endereço é https://api.cheaptokens.dev/v1, a API é compatível com OpenAI, e o modelo é deepseek-ai/DeepSeek-V4-Flash-0731. Pegue os ids de modelo na documentação da CheapTokens: os nomes variam entre provedores. O DeepSeek-V4-Flash tem uma janela de contexto de 380K e até 32.768 tokens de saída por resposta, o que deixa espaço para um monte de textos longos. A chave vem de uma variável de ambiente, nunca do código.

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.cheaptokens.dev/v1",
    api_key=os.environ["CHEAPTOKENS_API_KEY"],
)

old = "Steel water bottle, 500 ml. Keeps drinks cold for 12 hours. Dishwasher safe."
new = "Steel water bottle, 750 ml. Keeps drinks cold for 24 hours. Hand wash only."

prompt = f"""Document 1 is the OLD text from our shop. Document 2 is the NEW text from the supplier. List every fact that changed, one per line, as old -> new.

<documents>
<document index="1">
<source>old description (current shop page)</source>
<document_content>
{old}
</document_content>
</document>
<document index="2">
<source>new description (from the supplier)</source>
<document_content>
{new}
</document_content>
</document>
</documents>"""

response = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-V4-Flash-0731",
    messages=[{"role": "user", "content": prompt}],
    max_tokens=300,
)
print(response.choices[0].message.content)
print(response.usage)

curl https://api.cheaptokens.dev/v1/chat/completions \
  -H "Authorization: Bearer $CHEAPTOKENS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-ai/DeepSeek-V4-Flash-0731",
    "max_tokens": 300,
    "messages": [{
      "role": "user",
      "content": "Document 1 is the OLD text from our shop. Document 2 is the NEW text from the supplier. List every fact that changed, one per line, as old -> new.\n\n<documents>\n<document index=\"1\">\n<source>old description (current shop page)</source>\n<document_content>\nSteel water bottle, 500 ml. Keeps drinks cold for 12 hours. Dishwasher safe.\n</document_content>\n</document>\n<document index=\"2\">\n<source>new description (from the supplier)</source>\n<document_content>\nSteel water bottle, 750 ml. Keeps drinks cold for 24 hours. Hand wash only.\n</document_content>\n</document>\n</documents>"
    }]
  }'

A resposta é texto puro em choices[0].message.content, e usage ao lado conta os tokens. Uma boa resposta lista três mudanças: 500 ml -> 750 ml, 12 horas -> 24 horas, pode ir à lava-louças -> lavar somente à mão. Se as setas correrem ao contrário, o modelo perdeu o rastro dos rótulos. Verifique se a instrução chama os documentos pelo mesmo nome que as tags usam.

Quanto custam os rótulos#

Tags são texto, e texto é cobrado. Digamos que um líder de equipe insira três notas de reunião de cerca de 2.000 tokens cada e pergunte quais decisões conflitam. Três notas: 3 × 2.000 = 6.000 tokens. Adicione cerca de 150 tokens para a instrução e as tags (uma suposição) e a requisição carrega 6.150 tokens de entrada, com uma resposta de 300 tokens de saída. No DeepSeek-V4-Flash essa única requisição custa $0.00012, e as tags em si são um erro de arredondamento perto das notas. Aqui está a mesma requisição enviada 1.000 vezes, com o OpenRouter ao lado:

Todos os 6.150 tokens cabem na janela de 380K com folga (o que é uma janela de contexto). Contado no total, entrada e saída juntas, a requisição sai mais barata que no OpenRouter. Entrada e saída são cobradas a taxas diferentes, e tokens de entrada vs saída explica por quê. Os números atuais de cada modelo estão na página de preços.

Hábitos para pilhas maiores de texto#

Quando há mais de dois textos, números sozinhos não bastam: cada um precisa do seu próprio nome. A imagem abaixo mostra o layout do exemplo: a instrução com a pergunta primeiro, depois cada documento em sua própria tag.

• Nomeie pelo conteúdo, não só pelo número. <source>contract v2, sent by the client</source> é melhor que document 2 quando a resposta cita isso de volta para você.
• Mantenha sua instrução fora das tags, para que uma linha dentro de um texto colado não seja tomada como uma ordem.
• Um texto, uma tag. Um arquivo longo ainda é uma tag; dois arquivos são duas.
• Reutilize os nomes na pergunta: "quais decisões em monday-notes contradizem wednesday-notes?"
• Dê funções aos exemplos também. "Documento 1 é uma amostra de estilo: copie o tom, não os fatos. Documento 2 é o rascunho a reescrever."

Para o básico do resto do prompt (objetivo, contexto, formato), veja como escrever um bom prompt.