Como escrever prompt para o GPT-6 Astra: o que muda em um modelo de raciocínio

Você colou aquele prompt caprichado, aquele que funcionava lindamente, e a resposta do GPT-6 Astra veio PIOR que antes?

Calma, provavelmente não é o modelo que está ruim, é o prompt que envelheceu

A OpenAI anunciou e começou a liberar o GPT-6 Astra em 3 de setembro de 2026, apresentando ele como seu modelo mais capaz, voltado a raciocínio complexo, programação, uso de computador, pesquisa e criação de documentos

E aqui mora o detalhe que muda tudo: ele é um modelo de raciocínio

Na documentação da OpenAI, modelos de raciocínio se comportam de forma diferente dos modelos de chat e respondem melhor a prompts diferentes

Ou seja, aquele prompt cheio de "primeiro faça isso, depois aquilo" que você lapidou por meses pode estar remando contra o modelo agora

E não para no texto: além de reescrever o prompt, você vai precisar ajustar o reasoning.effort certo (medium, low, high, xhigh), porque é ele que decide o quanto o modelo pensa antes de responder

Bora ver o que muda na prática? 🙂

Por que um modelo de raciocínio pede outro tipo de prompt

A própria documentação da OpenAI usa uma analogia que mata a charada

Modelo de raciocínio é o colega sênior: você entrega o objetivo e ele resolve os detalhes sozinho

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 114 aulas
• 4 projetos
• 9h 18min

Conhecer formação

Modelo GPT tradicional é o colega júnior: ele vai muito bem quando recebe instrução explícita, precisa e passo a passo

A doc é direta nisso: modelos de raciocínio entregam melhores resultados com orientação de alto nível, enquanto modelos GPT se beneficiam de instruções muito precisas

Se você já apanhou pra escrever prompts que aproveitam o Claude Opus, a sensação é a mesma: modelo forte demais sendo usado como se fosse autocomplete

O que muda de verdade no seu texto:

E tem um ponto central que resolve metade dos problemas de quem só copiou o prompt antigo

A documentação da OpenAI recomenda EVITAR prompts de cadeia de pensamento em modelos de raciocínio

Pedir pra "pensar passo a passo" ou "explicar seu raciocínio" é desnecessário e pode até prejudicar o desempenho, porque o raciocínio já acontece internamente

Estranho né? Depois de anos ouvindo que essa era a instrução mágica… pois é

O que você precisa antes de escrever o prompt

Acesso: quem consegue usar agora

O rollout começou em 3 de setembro de 2026, primeiro para empresas do Trusted Access Program

O acesso via API e pelos planos Plus, Pro, Business e Enterprise ficou previsto para os dias seguintes

A OpenAI não anunciou acesso ao GPT-6 Astra para os planos Free e Go no lançamento, então se você está num deles, é esperar

Preparação técnica: três coisas que te pegam de surpresa

Primeira: a documentação afirma que modelos de raciocínio têm desempenho melhor e demonstram mais inteligência quando usados com a Responses API, e isso vale pro GPT-6 Astra

Segunda: a partir do o1-2024-12-17, os modelos de raciocínio da OpenAI passaram a suportar developer messages no lugar das system messages, alinhando com a cadeia de comando descrita no model spec

Terceira: o gpt-6-astra não suporta valores customizados de temperature nem de top_p, e também não suporta logprobs

Se o seu wrapper manda esses parâmetros por hábito, é hora de limpar

Custo: o pano de fundo de cada teste

A janela de contexto do GPT-6 Astra é de 1.050.000 tokens, o que é bastante espaço pra você jogar coisa dentro sem pensar

Só que pensar continua sendo bom, porque o preço de API no modo Standard é de US$ 10 por milhão de tokens de entrada, US$ 50 por milhão de tokens de saída e US$ 1 por milhão de tokens de entrada em cache

E esse valor é a base, não um número fixo: o modo Fast é cobrado ao dobro das taxas aplicáveis, enquanto Batch e Flex custam 50% das taxas Standard

Ou seja: cada rodada de teste do seu prompt tem conta, e o modo que você escolhe mexe direto nela

Tome cuidado! Iterar prompt com contexto gigante é o jeito mais fácil de queimar orçamento sem perceber

Como escrever prompt para o GPT-6 Astra passo a passo

A sequência abaixo segue a orientação da própria OpenAI para modelos de raciocínio: objetivo claro, restrições fortes e contrato de saída explícito, sem prescrever cada passo intermediário

E fecha com a calibragem do reasoning.effort, que é onde muita gente erra a mão

1. Declare o objetivo final, não o roteiro

A doc recomenda ser específico sobre o objetivo final

Então troque a lista de tarefas por uma frase que diga onde você quer chegar

# Prompt antigo (estilo modelo de chat)
Primeiro leia o arquivo de vendas
Depois calcule a média por região
Depois compare com o trimestre anterior
Depois escreva um resumo

# Prompt para o GPT-6 Astra
Objetivo: identificar onde a receita caiu no último trimestre
e explicar as causas mais prováveis com base nos dados fornecidos

O erro comum deste passo: manter o roteiro "por segurança" e deixar o objetivo implícito, achando que o modelo vai deduzir onde você quer chegar

2. Escreva o critério de sucesso

A documentação orienta dar parâmetros do que é uma resposta bem-sucedida, o que incentiva o modelo a continuar raciocinando até bater esse critério

Isso é o que separa uma resposta "ok" de uma resposta que resolve

Critério de sucesso:
- toda causa apontada tem um número do dataset que a sustenta
- as regiões estão ordenadas por impacto absoluto na receita
- nenhuma conclusão depende de dado que não está no arquivo

O erro comum deste passo: escrever critério vago tipo "seja detalhado" ou "faça um bom trabalho", que não dá pro modelo nenhum sinal de parada

3. Liste as restrições de forma explícita

A doc pede pra detalhar restrições explicitamente no prompt

Nada de deixar a regra na sua cabeça e reclamar depois

Restrições:
- não usar bibliotecas externas além das já instaladas no projeto
- não alterar arquivos fora da pasta indicada
- se faltar informação, listar a lacuna em vez de assumir

O erro comum deste passo: só descobrir a restrição depois que a resposta veio errada, e aí culpar o modelo

4. Defina o contrato de saída

A orientação de prompt da OpenAI fala em contrato de saída explícito, sem microgerenciar os passos

Ou seja: você manda no FORMATO, ele manda no caminho

Formato da resposta:
1. Diagnóstico em até 5 linhas
2. Tabela: regiao | variacao | causa provavel
3. Lista de riscos e lacunas de dados

O erro comum deste passo: confundir contrato de saída com roteiro de execução e voltar a descrever cada etapa intermediária dentro do formato

5. Corte as instruções de cadeia de pensamento

Agora a faxina

Procure no seu prompt antigo por "pense passo a passo", "explique seu raciocínio", "mostre o passo a passo do seu pensamento" e apague

A documentação diz que isso é desnecessário em modelos de raciocínio e pode até prejudicar o desempenho

O erro comum deste passo: apagar a frase óbvia e esquecer as variações espalhadas pelo template, que fazem exatamente a mesma coisa com outras palavras

6. Separe as seções com delimitadores e seja curto

A recomendação é manter os prompts simples e diretos, usando delimitadores (markdown, tags XML, títulos de seção) pra separar as partes distintas da entrada

<contexto>
Dados de vendas do último trimestre, formato CSV
</contexto>

<objetivo>
Identificar quedas de receita e causas prováveis
</objetivo>

<restricoes>
Apenas dados do arquivo, sem estimativas externas
</restricoes>

<saida>
Diagnóstico + tabela + riscos
</saida>

O erro comum deste passo: achar que prompt maior é prompt melhor e empilhar três páginas de contexto sem nenhuma marcação de seção

7. Ponha as regras persistentes na developer message

Aquelas regras que valem pra TODA requisição (tom, política, limites do produto) não precisam ser repetidas em cada turno do usuário

Nos modelos de raciocínio da OpenAI, a developer message substitui a system message

O erro comum deste passo: continuar mandando system no payload por costume, sem perceber que a cadeia de comando mudou

8. Calibre o reasoning.effort

No GPT-6 Astra, o parâmetro reasoning.effort aceita os valores low, medium, high, xhigh e max, e o modelo não suporta o nível none

model: gpt-6-astra
reasoning.effort: medium

A orientação é clara: comece em medium, use low quando latência pesa, e só suba pra high ou xhigh quando houver ganho medido

xhigh não deve virar padrão sem evidência de evals

O erro comum deste passo: subir o effort no chute porque "quanto mais pensa, melhor", e pagar mais sem nenhum ganho comprovado

9. Em fluxo agêntico, escreva a definição de pronto e a verificação

Pra fluxos agênticos ou pesquisa pesada, a orientação da OpenAI é definir o que conta como concluído e como o modelo deve verificar o próprio trabalho

Pronto quando:
- os testes da pasta indicada passam
- nenhum arquivo fora do escopo foi alterado

Verificação:
- rodar a suíte de testes antes de declarar concluído
- listar o que foi alterado e por quê

Quem já escreveu um bom prompt para o Claude Code reconhece o padrão na hora: sem definição de pronto, o agente para cedo demais ou nunca para

O erro comum deste passo: dizer o que fazer e esquecer de dizer como o modelo confirma que fez direito

Três prompts prontos: código, pesquisa e documento

Os três seguem o mesmo esqueleto (objetivo, critério de sucesso, restrições, contrato de saída) aplicado aos usos que a OpenAI cita no posicionamento do modelo

Repare que nenhum deles descreve os passos intermediários

Programação:

<objetivo>
Corrigir o bug que faz o carrinho zerar quando o usuário troca de moeda
</objetivo>

<criterio_de_sucesso>
- o comportamento antigo volta a funcionar sem quebrar os testes existentes
- a causa raiz está identificada, não só o sintoma mascarado
- nenhuma regra de negócio nova foi inventada
</criterio_de_sucesso>

<restricoes>
- alterar apenas os arquivos do módulo de checkout
- não adicionar dependências novas
- se a causa estiver fora do escopo permitido, reportar em vez de contornar
</restricoes>

<saida>
1. causa raiz em até 3 linhas
2. diff das alterações
3. como verificar manualmente
</saida>

Pesquisa:

<objetivo>
Mapear como concorrentes diretos cobram por assento em planos de time
</objetivo>

<criterio_de_sucesso>
- cada valor citado tem fonte e data
- diferenças de modelo de cobrança estão explicitadas, não uniformizadas
- o que não foi possível confirmar aparece como lacuna, não como estimativa
</criterio_de_sucesso>

<restricoes>
- nada de número sem fonte
- ignorar material promocional sem página de preços pública
</restricoes>

<saida>
tabela: empresa | modelo de cobrança | valor | fonte | data
+ lista de lacunas
</saida>

Criação de documento:

<objetivo>
Produzir o documento de decisão técnica sobre migrar a fila de mensagens
</objetivo>

<criterio_de_sucesso>
- cada alternativa tem trade-off explícito, não só vantagem
- a recomendação final é única e justificada
- o time consegue decidir lendo só a primeira página
</criterio_de_sucesso>

<restricoes>
- usar apenas os requisitos listados no contexto
- não propor solução que exija reescrever o serviço inteiro
</restricoes>

<saida>
1. resumo executivo
2. alternativas com trade-offs
3. recomendação e riscos
</saida>

Sacou a diferença? Em nenhum deles você diz COMO chegar lá

Você diz onde é o lá, o que conta como ter chegado, e o que é proibido no caminho 😀

Erros comuns de quem só copiou o prompt antigo

O prompt está cheio de "pense passo a passo"

Sintoma: resposta arrastada, repetitiva, às vezes pior que a do modelo antigo

Causa: instrução de cadeia de pensamento herdada do template velho, sendo que a doc diz que isso é desnecessário e pode prejudicar o desempenho

Solução: apagar essas instruções e substituir por objetivo final, critério de sucesso e restrições

Como prevenir: fazer um pente fino no template antes de portar qualquer prompt pro GPT-6 Astra

Você mexe em temperature ou top_p e nada muda

Sintoma: ajustes de criatividade que simplesmente não surtem efeito

Causa: o gpt-6-astra não suporta valores customizados de temperature nem de top_p, e também não suporta logprobs

Solução: controlar o comportamento pelo texto do prompt (restrições e contrato de saída) em vez de knobs

Como prevenir: limpar esses parâmetros do wrapper que você reaproveitou do modelo anterior

Você tentou reasoning.effort none

Sintoma: configuração rejeitada ou comportamento diferente do esperado

Causa: no GPT-6 Astra o reasoning.effort aceita low, medium, high, xhigh e max, e o modelo não suporta o nível none

Solução: se o seu caso é sensível a latência, usar low

Como prevenir: tratar low como o piso do modelo, não como "quase desligado"

xhigh virou o padrão da sua aplicação

Sintoma: conta subindo e qualidade parecendo igual

Causa: a doc orienta medium como ponto de partida equilibrado e reserva xhigh pra tarefas longas, agênticas e pesadas em raciocínio, sem virar padrão sem evidência de evals

Solução: voltar pra medium e subir só onde o eval mostrar ganho medido

Como prevenir: ter eval antes de ter opinião sobre effort

A resposta visível voltou vazia

Sintoma: você pagou a requisição e não recebeu texto final nenhum

Causa: modelos de raciocínio consomem reasoning tokens internos antes da resposta visível, e dá pra pagar entrada e raciocínio sem receber resposta se o limite de saída for atingido antes

Solução: dar folga no limite de saída considerando que os reasoning tokens contam como saída

Como prevenir: monitorar isso já nos primeiros testes, e não só quando o usuário reclama

O prompt gigante ficou caro do nada

Sintoma: a conta de uma requisição isolada destoa de todas as outras

Causa: prompts acima de 272 mil tokens de entrada são cobrados a 2x nas taxas de entrada e cache e 1,5x na saída, valendo pra requisição inteira

Solução: cortar contexto morto e ficar abaixo desse limiar sempre que der

Como prevenir: lembrar que 1.050.000 tokens de janela é capacidade, não convite pra jogar tudo dentro 😛

Tudo rodando no modo Fast

Sintoma: custo dobrado em carga que ninguém está esperando em tempo real

Causa: o modo Fast é cobrado ao dobro das taxas aplicáveis, enquanto Batch e Flex custam 50% das taxas Standard

Solução: mandar o que é assíncrono (relatório noturno, processamento em lote) pra Batch ou Flex

Como prevenir: classificar cada rota do seu produto por urgência real antes de escolher o modo

Produção sem pin de snapshot

Sintoma: o mesmo prompt começa a se comportar diferente sem você ter mudado nada

Causa: aplicação apontando pro modelo sem snapshot fixo

Solução: a OpenAI recomenda fixar aplicações em produção em snapshots específicos de modelo pra garantir comportamento consistente

Como prevenir: pinar o snapshot e atualizar de forma deliberada, com eval rodando antes da troca

Conclusão

A troca de mentalidade é essa: menos roteiro, mais objetivo, critério e restrição

Você para de explicar COMO fazer e passa a definir o que precisa estar verdadeiro no fim

O próximo passo é bem concreto: pega um prompt antigo seu, apaga as instruções de cadeia de pensamento, escreve o objetivo final, o critério de sucesso e o contrato de saída

Roda em medium, olha o resultado, e só sobe o reasoning.effort se o eval mostrar ganho de verdade

Depois disso, o prompt do GPT-6 Astra deixa de ser tentativa e erro e vira uma coisa que você consegue medir…

até o próximo post!