Quando você envia vários anexos para uma IA e recebe um resumo dizendo “conforme o Anexo II”, o problema não é o resumo ficar feio. É ele ficar convincente e errado. O modelo leu os documentos, mas perdeu a âncora que liga cada trecho ao arquivo de origem, e passou a atribuir uma informação do Anexo IV ao Anexo II.
Esse erro tem solução em duas frentes. Na preparação, você dá identidade estável a cada documento e a cada página, para que a origem sobreviva ao fatiamento em blocos. No teste, você faz perguntas cuja resposta existe em um único anexo e exige a citação do arquivo e da página. Se a citação não bater, o resumo não passa.
Resumo rápido
- A IA perde a referência porque os blocos de texto chegam sem o nome do arquivo e sem o número da página.
- Anexos numerados, tabelas repetidas e remissões internas aumentam a chance de troca de documento.
- Prepare o material com nome de arquivo estável, cabeçalho em todas as páginas e metadados em cada bloco.
- Teste com perguntas de resposta exclusiva e exija citação de arquivo e página.
- Um teste cruzado com dois anexos de tabelas parecidas revela o erro em minutos.
Por que a IA troca a referência de anexo
Um modelo de linguagem não lê o PDF como você lê. O sistema extrai o texto, corta em pedaços (os chunks, blocos de algumas centenas de palavras) e envia esses pedaços ao modelo. Se o pedaço começa no meio de uma tabela, sem o nome do documento e sem o número da página, a única pista de origem é o conteúdo em si.
É aí que a confusão nasce. Dois anexos com a mesma tabela de preços, um com “Anexo II” no rodapé e outro com “Anexo IV”, produzem blocos quase idênticos. Quando o modelo precisa escolher um rótulo, ele escolhe o mais plausível naquele momento, não necessariamente o correto. O resultado sai gramaticalmente perfeito e factualmente deslocado.
O mesmo acontece com remissões internas do tipo “ver item 3.2 do Anexo B”. A frase é uma instrução de navegação escrita para humanos. Se o item 3.2 não estiver no mesmo bloco, o modelo pode resolver a remissão por aproximação e trazer o 3.2 de outro documento. Nada no texto avisa que ele fez isso.
O que a documentação dos fornecedores já oferece
A documentação de citações da Anthropic descreve um recurso que devolve trechos exatos com referência à página em PDFs e ao intervalo de caracteres em texto puro. A documentação de retrieval da OpenAI também trata a busca em arquivos com retorno de citações. São recursos úteis, mas eles dependem de o documento chegar identificado. Citação de página não corrige um PDF que junta quatro anexos com numeração contínua.
Onde a âncora se perde na prática
Os padrões abaixo aparecem em quase todo acervo de contrato, edital, laudo ou processo. Reconhecer o padrão é o primeiro passo para montar o teste certo.
| Padrão no material | O que o modelo vê | Erro típico |
|---|---|---|
| Anexos numerados em romanos (I, II, III, IV) | Rótulos parecidos em sequência | Atribui o dado do IV ao II |
| Tabela de preços repetida em dois anexos | Linhas quase idênticas, com um valor diferente | Mistura as duas versões na mesma resposta |
| Remissão “conforme item 3.2 do Anexo B” | Um ponteiro sem o destino no mesmo bloco | Resolve a remissão com o item errado |
| Nomes de arquivo como “final_v3_corrigido” | Nenhuma pista de qual anexo é | Troca a versão antiga pela nova |
| Cabeçalho só na primeira página | Páginas internas sem identificação | Cita a página certa do documento errado |
Repare que nenhum desses casos exige um modelo ruim. Basta o material chegar sem metadados. A IA preenche a lacuna com o que parece mais provável, e probabilidade não é verificação.
Como preparar o material antes de pedir o resumo
1. Nome de arquivo estável e descritivo
Use um padrão que diga o que é o documento sem abrir. Exemplo: contrato-2026_anexo-02_escopo-servicos_v3.pdf. Evite “documento final”, “versao boa” e “corrigido”. Se houver versões, a data e o número da versão entram no nome, e a versão antiga sai da pasta enviada.
2. Cabeçalho com identificação em cada página
Coloque no topo ou no rodapé de todas as páginas: nome do contrato ou processo, número do anexo, título do anexo e “página X de Y”. Isso sobrevive à extração de texto e dá ao modelo uma pista de origem em cada bloco. Em PDF escaneado, rode reconhecimento de texto antes. Página sem texto extraível não é citável.
3. Sumário de anexos
Inclua, no começo do pacote, uma página com a lista: Anexo I, objeto; Anexo II, escopo e quantidades; Anexo III, prazos; Anexo IV, tabela de preços. Uma linha por anexo, com o identificador único. Esse sumário funciona como mapa e reduz a chance de o modelo tratar dois anexos como um só.
4. Separação explícita entre documentos
Um anexo por arquivo é o cenário mais seguro. Se precisar enviar tudo em um PDF único, insira uma página divisória com o nome do anexo e reinicie a numeração de páginas. Nunca deixe a numeração correr de forma contínua por quatro anexos distintos, porque a página 27 do pacote não diz nada sobre qual documento ela pertence.
5. Metadados no chunk
Em fluxos de RAG (geração aumentada por recuperação, em que o sistema busca trechos antes de responder), cada bloco precisa carregar doc_id, titulo, anexo, pagina e versao. Em fluxos de colar texto no chat, prefixe cada bloco manualmente com uma linha do tipo [ARQUIVO: Anexo II | PAGINA: 4]. O prefixo é feio, mas é o que mantém a origem colada no conteúdo.
Como montar o teste de resumo
O teste não é pedir um resumo geral e ler com boa vontade. É construir perguntas com uma propriedade específica: a resposta correta existe em um único anexo. Se o modelo acertar o dado e errar o anexo, o teste reprova. Se acertar o anexo e não citar a página, o teste fica incompleto.
Regras para as perguntas
- Uma pergunta por informação. Não peça “resuma os prazos e os preços” no mesmo item.
- Escolha dados que apareçam em um anexo só. Se o dado se repete, a pergunta não prova nada.
- Exija a citação no formato arquivo e página, não “conforme o anexo”.
- Inclua uma pergunta cuja resposta não existe em nenhum anexo. O correto é dizer que não encontrou, não inventar.
- Inclua um teste cruzado com dois anexos que têm tabelas parecidas, mudando um único valor entre eles.
Bateria de 6 perguntas de teste
O quadro abaixo usa um pacote hipotético com quatro anexos: I (objeto), II (escopo e quantidades), III (prazos) e IV (tabela de preços). A coluna de resposta esperada é o gabarito que você confere letra por letra.
| Pergunta | Anexo correto | Resposta esperada | Sinal de falha |
|---|---|---|---|
| Qual é a quantidade mensal de horas de limpeza prevista? | Anexo II | O número exato do Anexo II, com página | Citar o Anexo IV ou dar o total anual |
| Qual é o prazo de vigência do contrato? | Anexo III | O prazo do Anexo III, com página | Citar o Anexo I ou somar prazos |
| Qual é o valor unitário do metro quadrado na faixa 2? | Anexo IV | O valor da faixa 2, com página | Trazer o valor da faixa 1 ou 3 |
| Quem é o fiscal do contrato pelo contratante? | Anexo I | O nome e o cargo, com página | Inventar nome ou citar outro anexo |
| Qual é a multa por atraso na entrega dos insumos? | Nenhum | Informar que o dado não consta no material | Criar um percentual plausível |
| Compare a faixa 2 do Anexo II com a faixa 2 do Anexo IV e diga qual tem valor maior | II e IV | Duas citações distintas, uma por anexo | Uma citação só para os dois valores |
A quinta pergunta é a mais importante da bateria. Modelos tendem a responder o que foi pedido, mesmo quando a base não sustenta. Um “não consta” bem colocado vale mais que dez respostas completas.
Prompt de extração com citação por arquivo e página
O prompt abaixo força a resposta a carregar a origem. Ele não pede resumo livre. Pede extração com campos fixos, o que torna a conferência mecânica e rápida.
Você vai extrair informações de um pacote de anexos.
Regras obrigatórias:
1. Use apenas o conteúdo dos anexos enviados.
2. Para cada resposta, informe o arquivo exato, o número do anexo
e o número da página onde o dado aparece.
3. Copie o trecho literal que sustenta a resposta, com no máximo
duas linhas.
4. Se o dado não estiver no material, escreva NAO_ENCONTRADO.
Nunca estime, nunca complete com conhecimento externo.
5. Se dois anexos trouxerem o mesmo campo com valores diferentes,
liste os dois, cada um com sua origem, e escreva CONFLITO.
6. Não converta unidades, não some valores e não calcule totais.
7. Responda no formato abaixo, uma linha por campo.
Formato:
campo:
resposta:
arquivo:
anexo:
pagina:
trecho: ""
status: OK | NAO_ENCONTRADO | CONFLITO
Campos a extrair:
- quantidade mensal de horas de limpeza
- prazo de vigência
- valor unitário do metro quadrado na faixa 2
- nome do fiscal do contrato
- multa por atraso na entrega de insumos
Antes de responder, liste os arquivos recebidos e confirme
que cada um tem identificação de anexo no cabeçalho.
Se algum arquivo não tiver essa identificação, avise antes
de extrair qualquer campo.A última instrução parece burocracia, mas é um teste de sanidade. Se o modelo avisar que um arquivo chegou sem identificação, você descobriu o problema antes de receber um resumo bonito e errado.
Exemplo: anexos de um edital em Curitiba
Uma empresa de facilities em Curitiba analisa um edital de limpeza predial com quatro anexos. O Anexo II traz o escopo por andar e a quantidade de horas. O Anexo IV traz a planilha de preços por faixa. As duas tabelas têm colunas parecidas: descrição, unidade, quantidade e valor. A equipe cola os quatro PDFs no chat e pede “resuma as quantidades e os valores por andar”.
O resumo volta organizado, com uma tabela por andar. O problema aparece quando o gerente confere o valor da faixa 2: o número citado está no Anexo II, que só tem quantidade. O valor correto existe, mas está no Anexo IV, em outra página. A resposta misturou as duas tabelas porque as duas chegaram sem cabeçalho de identificação e com a mesma estrutura de colunas.
A correção não exige trocar de modelo. Basta renomear os arquivos com o número do anexo, inserir cabeçalho em todas as páginas, criar uma página de sumário e repetir o pedido com o prompt de extração acima. Na segunda rodada, a equipe faz a bateria de seis perguntas e confere uma por uma. O teste cruzado entre Anexo II e Anexo IV é o que expõe a troca. Nenhum número de resultado é prometido aqui: o ganho é a resposta conferível, não um percentual mágico.
Erros comuns
- Pedir “um resumo geral” de vários anexos. Resumo geral não tem como ser conferido. Peça extração por campo, com origem.
- Aceitar “conforme o anexo” sem número e página. Sem página, a citação não é verificável e o erro passa.
- Enviar a versão antiga junto com a nova. O modelo não sabe qual vale. Tire a antiga da pasta ou marque a nova como vigente no nome.
- Juntar anexos em um PDF com numeração contínua. A página 40 do pacote não identifica o documento. Use divisórias e numeração por anexo.
- Testar só com dados que se repetem. Se o dado está em três anexos, acertar não prova nada. Use dados exclusivos.
- Não testar a ausência. Sem uma pergunta cujo dado não existe, você não mede a tendência a inventar.
- Confiar no resumo sem abrir a página citada. A conferência é humana e leva menos tempo do que refazer o contrato.
Perguntas frequentes
Preciso de RAG para resumir anexos?
Não. Para um pacote pequeno, colar os arquivos identificados no chat resolve. RAG passa a valer quando o acervo é grande, muda com frequência ou precisa de busca por trecho. Em qualquer um dos casos, a identificação por arquivo e página continua necessária.
Qual é o tamanho ideal de um chunk?
Não existe número universal. O critério prático é o bloco conter uma ideia completa e carregar os metadados de origem. Blocos muito pequenos perdem o contexto da tabela. Blocos muito grandes misturam seções e dificultam a citação precisa.
O que fazer quando dois anexos têm valores diferentes para o mesmo campo?
Trate como conflito, não como erro do modelo. Peça que ele liste os dois valores com as duas origens e marque CONFLITO. A decisão de qual vale é do responsável pelo contrato, com base na data e na versão.
Como saber se a citação de página está correta?
Abra o arquivo citado na página indicada e procure o trecho literal. Se o trecho não estiver lá, a citação é falsa. Esse teste leva segundos e é o mais confiável de todos.
Isso funciona com PDF escaneado?
Só depois de reconhecimento de texto. Página sem camada de texto não oferece trecho para citar nem página confiável para conferir. Se o documento é essencial, vale refazer o escaneamento com OCR antes de enviar.
Devo pedir resumo em tabela ou em texto corrido?
Tabela é melhor para conferência, porque separa campo, valor e origem em colunas. Texto corrido esconde a troca de anexo dentro de uma frase bem escrita. Para material com muitos anexos, prefira tabela com coluna de arquivo e página.
Fontes e leitura recomendada
- Anthropic, citações em documentos: como o recurso devolve trechos e referências de página.
- OpenAI, guia de retrieval: busca em arquivos e retorno de citações.
- W3C: padrões abertos para documentos e web, úteis ao definir identificadores estáveis.
- Model Context Protocol: padrão para conectar modelos a fontes de dados e ferramentas.
Para aprofundar o fluxo de recuperação, veja RAG na prática com documentos. Para escrever instruções que resistam a material ambíguo, veja engenharia de prompts avançada. Para o uso de citações no Claude, veja a página de integração com Anthropic Claude.
