Janela de contexto: o que é e como afeta a utilização da IA no dia a dia
Um guia sobre a janela de contexto nos modelos de IA, que explica como é medida em tokens, o que a preenche durante uma conversa, qual o seu tamanho nos modelos atuais, o que acontece quando uma conversa ultrapassa o limite e hábitos do dia a dia para trabalhar dentro dela.

Uma janela de contexto é a quantidade de texto com que um modelo de IA consegue trabalhar de uma só vez. Este guia explica o que a preenche, qual o seu tamanho nos modelos atuais e como trabalhar dentro dos seus limites no dia a dia.
O que é uma janela de contexto
Uma janela de contexto é o limite da quantidade de texto que um modelo de IA consegue processar de uma só vez. Esse limite abrange o texto que entra, como uma pergunta e qualquer documento anexado, e a resposta que sai. Se algo não couber na janela, o modelo não consegue vê-lo nem utilizá-lo ao responder.
A janela de contexto é independente daquilo que um modelo aprendeu durante o treino. O treino acontece antes de o modelo ser lançado, com base num conjunto muito vasto de texto, e confere-lhe o conhecimento geral e as competências linguísticas. A janela de contexto contém apenas o material para a tarefa em mãos.
O modelo de IA, por si só, não se lembra das mensagens anteriores. É a aplicação onde é executado, como o Perplexity ou o ChatGPT, que guarda a conversa. A cada nova mensagem, a aplicação envia ao modelo toda a conversa até esse momento, e não apenas a mensagem mais recente. O modelo volta a ler tudo antes de responder, e essa resposta passa a fazer parte do que é enviado na vez seguinte. O espaço que uma conversa ocupa na janela aumenta a cada interação, pelo que um chat longo composto por mensagens curtas pode, ainda assim, ocupar muito espaço.
Como se mede uma janela de contexto
Cada mensagem, documento e resposta numa conversa ocupa espaço na janela. O espaço disponível é medido em tokens, e não num determinado número de palavras ou páginas.
Um token é um fragmento de texto que o modelo processa como uma única unidade. Pode ser uma palavra curta, parte de uma palavra mais longa, um sinal de pontuação ou uma palavra com o espaço que a antecede. 100 tokens correspondem a cerca de 75 palavras, segundo a OpenAI. Com base nesta estimativa aproximada para a língua inglesa, um relatório de 3000 palavras teria cerca de 4000 tokens.
Antes de um modelo ler o que quer que seja, uma ferramenta chamada tokenizador divide o texto em tokens e converte cada um deles num número. O modelo processa esses números, gera a resposta como uma sequência de tokens e a ferramenta volta a convertê-los em texto.
A contagem de tokens não é normalizada. Depende da língua e do conteúdo. Os tokenizadores podem variar entre modelos, pelo que o mesmo parágrafo pode gerar um número diferente de tokens em modelos diferentes.
Janela de contexto vs. memória guardada
A janela de contexto contém aquilo que o modelo pode utilizar para responder à pergunta atual. Por exemplo, quando uma IA edita um relatório, o relatório, as instruções de edição e as mensagens trocadas durante o trabalho ocupam espaço na janela.
A memória guardada conserva determinados detalhes entre conversas. No Perplexity, a aplicação seleciona automaticamente o que guardar, procurando preferências e informações importantes e dando mais peso aos detalhes que surgem com frequência. Uma instrução duradoura como «Usa inglês britânico em todos os meus textos» ilustra o tipo de detalhe que vale a pena conservar, enquanto «Torna este parágrafo mais curto» se aplica apenas à tarefa em curso.
Quando a aplicação traz um desses detalhes para uma nova conversa, este passa a fazer parte do contexto do modelo e ocupa espaço na janela. No Perplexity, os controlos de memória encontram-se em Definições → Memória. Desativar a memória impede a sua utilização em respostas futuras, mas não elimina os detalhes já guardados.
O que preenche uma janela de contexto durante uma conversa
Uma janela de contexto contém muito mais do que as palavras que uma pessoa escreve. Numa conversa típica, quatro tipos de texto partilham o espaço: as instruções da aplicação, o histórico da conversa, o material proveniente de ficheiros ou da web e a resposta do modelo. A maior parte nunca aparece no ecrã.
Instruções da aplicação
Antes de a mensagem de uma pessoa chegar ao modelo, a aplicação acrescenta as suas próprias instruções (muitas vezes designadas por prompt de sistema). Estas indicam ao modelo como se deve comportar: como formatar as respostas, que tom utilizar, que ferramentas pode usar e detalhes como a data de hoje. Parte deste material, como as instruções internas da aplicação, normalmente não é mostrada ao utilizador.
Histórico da conversa
Inclui as respostas anteriores do modelo, bem como todas as mensagens da pessoa, para a resposta atual. Muitas vezes, as respostas da IA são muito mais longas do que as perguntas do utilizador.
Ficheiros carregados, páginas web e resultados de pesquisa
O texto proveniente de ficheiros ocupa espaço de contexto juntamente com a conversa, mas uma aplicação pode fornecer um ficheiro completo ou selecionar as passagens relevantes. Por exemplo, o Perplexity consegue analisar ficheiros curtos na íntegra e extrair as partes importantes de ficheiros mais longos para responder à pergunta.
Os resultados de pesquisa também ocupam espaço. Por exemplo, para responder a uma pergunta, o Perplexity pode pesquisar na web e dar ao modelo os resultados para ler.
A resposta e o raciocínio do modelo
A resposta é escrita na mesma janela, pelo que a aplicação tem de lhe reservar espaço. Alguns modelos também geram raciocínio interno enquanto elaboram uma resposta, que a pessoa pode nunca chegar a ver. O texto de raciocínio é o trabalho passo a passo do modelo, como dividir uma pergunta em partes ou verificar os próprios números, escrito antes da resposta final. Normalmente, também conta para o limite da janela.
Tamanhos da janela de contexto nos modelos de IA atuais
Uma janela de contexto maior significa que um modelo consegue processar documentos mais longos, mais fontes e conversas mais extensas. Os principais modelos da OpenAI, da Anthropic e da Google oferecem agora, cada um, uma janela de cerca de 1 milhão de tokens. Isso equivale a aproximadamente 1500 páginas de texto.
Modelo | Fornecedor | Janela de contexto (tokens) |
GPT-6 Astra | OpenAI | 1,05 milhões |
Claude Opus 5.5 | Anthropic | 1 milhão |
Gemini 4 Argon | 1 048 576 |
Especificações das API dos fornecedores, consultadas a 5 de novembro de 2026. Os limites disponíveis numa aplicação podem ser diferentes.
Uma janela maior não significa que o modelo a utilize toda igualmente bem. Estudos concluíram que o desempenho pode tornar-se menos fiável à medida que o comprimento da entrada aumenta, um padrão conhecido como «context rot» (degradação do contexto).
Limites de entrada e limites de saída
A janela de contexto é um orçamento partilhado para tudo o que o modelo lê e escreve. Um modelo consegue ler muito mais do que consegue escrever numa única resposta.
Ao processar uma entrada, o modelo consegue trabalhar em muitos tokens em paralelo. Ao gerar uma resposta, normalmente produz os tokens em sequência, usando o que veio antes para escolher o que vem a seguir. Não consegue escolher a quinta palavra de uma frase sem conhecer as quatro primeiras, por isso tem de produzir a resposta um token de cada vez.
Por isso, produzir respostas longas é muito mais lento e dispendioso do que ler entradas longas. É por esse motivo que um pedido para reescrever ou traduzir um documento muito longo pode parar a meio, e que pedir o resultado por secções funciona melhor.
O que acontece quando uma conversa ultrapassa o limite
Quando uma conversa se torna demasiado grande para a janela de contexto, a aplicação tem de libertar espaço antes de o modelo poder responder. As aplicações fazem-no de algumas formas diferentes, e cada uma altera aquilo que o modelo ainda consegue ver.
Uma abordagem consiste em descartar primeiro as mensagens mais antigas. O modelo continua a trabalhar com a parte recente da conversa. As instruções iniciais do utilizador, as decisões ou as passagens de documentos podem sair da janela. O modelo não consegue consultar texto que já não tem, mas não vai necessariamente avisar o utilizador de que falta alguma coisa.
Outra abordagem consiste em resumir a parte anterior da conversa e manter o resumo em vez do texto completo. Trata-se de uma forma daquilo a que se chama compactação de contexto. Um resumo ocupa muito menos espaço, pelo que a conversa pode prolongar-se muito mais. No entanto, pode omitir detalhes como números exatos, nomes ou formulações.
Quando o modelo descartou ou compactou o seu contexto, pode começar a pedir informações que já deveria saber. Pode deixar subitamente de seguir instruções dadas no início, como um formato ou um tom preferido. Pode contradizer uma decisão anterior do utilizador ou tornar-se vago em relação à documentação partilhada anteriormente.
Em vez disso, algumas aplicações interrompem a conversa e pedem à pessoa que inicie uma nova, ou recusam uma mensagem ou um ficheiro demasiado longo para caber.
Hábitos do dia a dia para trabalhar dentro da janela de contexto
- Inicie um novo tópico para cada nova tarefa: por exemplo, reveja um relatório numa conversa própria, em vez de o acrescentar a um tópico existente sobre o planeamento de um evento.
- Transfira apenas o que for necessário: quando uma tarefa partir de trabalho anterior, peça ao modelo que extraia os detalhes confirmados e a formulação aprovada necessários para a tarefa seguinte.
- Partilhe apenas informações relevantes: por exemplo, para uma pergunta sobre a forma como os participantes de um inquérito foram selecionados, forneça a secção de metodologia e as notas de apoio, em vez do relatório completo.
- Encontre a secção relevante antes de partilhar um documento longo: se um relatório ou manual tiver um índice, partilhe-o primeiro. Pergunte ao modelo que secções têm maior probabilidade de responder à pergunta e, depois, copie essas secções para a conversa.
- Reveja documentos longos por partes: divida um manual ou relatório por política, capítulo ou tema. Utilize tópicos separados para revisões independentes, com as mesmas instruções para cada uma.
- Peça resultados longos por etapas: para uma reescrita ou tradução extensa, peça uma secção de cada vez no mesmo tópico. Indique a secção ou o intervalo de páginas e verifique o resultado antes de pedir ao modelo que continue.
- Defina uma extensão de resposta útil: peça cinco conclusões, uma explicação curta ou uma tabela com colunas específicas. Evite pedir uma análise detalhada quando uma resposta breve seria suficiente.
- Peça revisões específicas: para alterar um parágrafo num rascunho, peça ao modelo que reescreva apenas esse parágrafo. Especifique o que precisa de ser alterado, em vez de lhe pedir que reproduza o rascunho completo.
Como o Perplexity gere o contexto
O contexto do Perplexity inclui mais do que a conversa. Também pode recorrer a informações encontradas através da pesquisa em tempo real, a preferências guardadas e a ficheiros fornecidos para uma tarefa.
Para uma pergunta de investigação, a pesquisa em tempo real fornece material de fontes que o modelo pode utilizar para elaborar a resposta, com citações que mostram de onde vieram as informações. Por exemplo, perguntar sobre um novo regulamento pode trazer informações relevantes da web para a tarefa sem ter primeiro de recolher artigos e colá-los no chat.
A memória guardada fornece um tipo de contexto diferente: detalhes relevantes de conversas anteriores, como preferências de escrita ou informações de contexto sobre um projeto em curso. O Perplexity obtém esses detalhes ao responder, e a memória funciona em todos os modelos que disponibiliza. Assim, uma preferência guardada pode continuar disponível quando muda de modelo no Perplexity.
Para trabalhos que abrangem várias conversas, os projetos mantêm os ficheiros e as instruções juntos, e as instruções do projeto aplicam-se a cada pergunta. O público-alvo, o objetivo e os requisitos de redação de um relatório podem ficar guardados no projeto, enquanto a pesquisa e a elaboração de rascunhos decorrem em tópicos separados.
Explore o artigo Introdução ao Perplexity para obter orientações sobre como fazer perguntas, trabalhar com ficheiros e aprofundar as respostas com perguntas de seguimento.
Perguntas frequentes
As imagens contam para a janela de contexto?
Sim. As imagens são convertidas em tokens que ocupam espaço juntamente com o texto. A quantidade de tokens depende da forma como o modelo as processa. Uma captura de ecrã ou uma página digitalizada ocupa espaço de contexto mesmo que o respetivo texto não tenha sido copiado para o chat.
Uma janela de contexto maior custa mais?
Não necessariamente. Uma janela maior descreve quanto um modelo consegue processar, e não quanta dessa capacidade uma tarefa utiliza.
Existe alguma forma de ver quanto da janela de contexto uma conversa já utilizou?
Por vezes. Algumas aplicações apresentam um medidor de contexto que indica o nível de preenchimento da janela. Um contador que mostra «mensagens restantes» significa outra coisa: quantos pedidos mais a conta pode fazer, e não quanta informação o modelo ainda consegue incluir na conversa. Procure especificamente um medidor de contexto.
É possível continuar uma conversa partilhada por outra pessoa?
Sim. No Perplexity, qualquer pessoa pode ler uma conversa partilhada e fazer uma pergunta de seguimento. Essa pergunta inicia uma nova conversa na conta dessa pessoa, deixando a conversa original inalterada.