Janela de contexto: quanto texto a IA lê e por que isso importa

Janela de contexto é a quantidade máxima de texto, medida em tokens, que um modelo de IA consegue considerar de uma vez numa chamada: instruções, histórico da conversa, documentos anexados, definições de ferramentas e a própria resposta que ele está escrevendo. Tudo que fica fora dessa janela simplesmente não existe para o modelo naquele momento. Em outubro de 2026, os modelos principais de Anthropic, OpenAI e Google trabalham com janelas na faixa de 1 milhão de tokens.

O número grande engana. Caber não é o mesmo que ser bem lido: a própria Anthropic avisa que a precisão cai conforme o contexto cresce. Este guia explica entrada e saída, os limites atuais confirmados nas documentações oficiais, por que contextos longos degradam e como compactação e cache ajudam.

Resumo rápido

• A janela de contexto soma entrada (prompt, histórico, anexos, ferramentas) e saída (resposta e raciocínio interno). Os dois disputam o mesmo espaço.
• Claude Opus 5.5, Sonnet 5.5 e Haiku 5.5 têm 1M de tokens de contexto; GPT-6 Astra tem 1,05M; Gemini 4 Argon tem 1.048.576 tokens. O limite de saída é bem menor que o de entrada.
• Mais contexto não significa resposta melhor. A qualidade cai em contextos muito longos, fenômeno que a Anthropic chama de context rot.
• Compactação resume o início da conversa para ela continuar; cache de prompt reduz o custo de repetir o mesmo começo de prompt.
• Para bases grandes e que mudam, RAG continua sendo mais barato e mais controlável do que colar tudo no prompt.

O que conta como contexto: entrada e saída

Modelos de linguagem não leem palavras, leem tokens: pedaços de texto que podem ser uma palavra inteira, parte dela ou um sinal de pontuação. Em português, uma palavra costuma virar mais de um token. A Anthropic informa que, no tokenizador atual do Claude, 1M de tokens equivale a cerca de 555 mil palavras em inglês; em português a conta tende a render menos palavras. Se você quer entender como tokens viram fatura, veja nosso guia de tokens e custo de API. Aqui o foco é outro: espaço.

A documentação da Anthropic lista o que entra na conta: o prompt de sistema, todas as mensagens (incluindo resultados de ferramentas, imagens e documentos), as definições de ferramentas e a saída gerada no turno, incluindo o raciocínio interno (thinking). Na prática, a janela se divide em duas partes que competem entre si:

• Tokens de entrada: tudo que você envia. Em conversas, o histórico inteiro é reenviado a cada mensagem.
• Tokens de saída: o que o modelo escreve, incluindo o raciocínio interno. Tem um teto próprio, bem menor que a janela.

O Google descreve o mesmo comportamento para o Gemini 4 Argon: uma janela única de 1M compartilhada entre entrada, raciocínio e saída, em que a saída fica limitada ao espaço que sobra depois da entrada. Ou seja, se você enche a janela com documentos, sobra pouco para a resposta.

Limites atuais dos principais modelos

Os números abaixo foram conferidos nas documentações oficiais em 17 de outubro de 2026. Limites mudam com frequência; antes de projetar um sistema, confira a página do modelo que você vai usar.

Dois detalhes que a tabela não mostra. Primeiro, na Anthropic, se a entrada sozinha passa da janela, a API recusa a chamada com erro 400 (“prompt is too long”); se a entrada cabe mas a geração encosta no limite, a resposta para com o motivo model_context_window_exceeded. Segundo, preço por token pode mudar conforme o tamanho do prompt, como no caso do GPT-6 Astra acima de 272 mil tokens. Para mais detalhes sobre o modelo do Google, leia nossa análise do Gemini 4 Argon.

Por que contextos longos degradam

A documentação da Anthropic é direta: “mais contexto não é automaticamente melhor”. Conforme o número de tokens cresce, precisão e recall caem, fenômeno que a empresa chama de context rot (algo como “apodrecimento do contexto”). Isso não é exclusividade de um fornecedor. O guia de contexto longo do Google observa que testes de “agulha no palheiro” com uma única informação escondida mostram bons resultados, mas a precisão cai quando o modelo precisa encontrar várias informações ao mesmo tempo.

A pesquisa acadêmica também registrou o problema. O estudo “Lost in the Middle” (Liu et al., 2023) mostrou que modelos tendiam a usar melhor informações no início e no fim do contexto do que no meio. A lição prática continua válida: não presuma que o modelo deu o mesmo peso a cada página.

Sintomas comuns

• O modelo ignora uma instrução dada no começo de uma conversa muito longa.
• A resposta mistura dados de dois documentos parecidos (dois contratos, duas versões de política).
• Pedidos para listar “todos os casos” de algo voltam incompletos.

O que fazer

• Curadoria antes de volume. Envie só o que a tarefa precisa. O Google recomenda explicitamente evitar tokens desnecessários.
• Pergunta no fim. O guia do Gemini indica que o desempenho costuma ser melhor quando a pergunta vem depois do material de contexto.
• Estrutura clara. Delimite cada documento com identificadores (por exemplo, tags com nome do arquivo) e peça citação. As técnicas do nosso guia de engenharia de prompts se aplicam aqui.

Compactação: como manter conversas longas sem estourar a janela

Agentes que trabalham por horas ou chats com centenas de mensagens uma hora chegam ao limite. A compactação substitui a parte antiga da conversa por um resumo, mantendo o necessário para os próximos turnos.

• Anthropic: a compactação no servidor substitui os turnos antigos por um resumo escrito pelo próprio Claude, sem você escrever código de sumarização. Há dois modos em beta: sob demanda (sua aplicação decide quando compactar, com o cabeçalho compact-2026-09-04) e por limite de tokens (a API compacta quando a entrada atinge o gatilho definido). A documentação justifica o recurso dizendo que ele mantém o contexto ativo pequeno porque a qualidade da resposta cai conforme a conversa cresce.
• OpenAI: na Responses API, o parâmetro context_management com compact_threshold ativa a compactação no servidor quando o total de tokens passa do limite configurado. Também existe o endpoint /responses/compact, que recebe a janela inteira e devolve uma versão compactada para a próxima chamada.

Além da compactação, a Anthropic oferece edição de contexto, que limpa resultados antigos de ferramentas ou blocos de raciocínio de turnos anteriores por regra, sem resumir. Se você está montando agentes, nosso guia sobre agentes autônomos de IA explica onde esse problema aparece.

Cache de prompt: pagar menos pelo começo repetido

Se toda chamada começa com o mesmo prompt de sistema longo, o mesmo manual ou o mesmo catálogo, o cache de prompt evita pagar preço cheio por esse trecho a cada vez. O princípio é o mesmo nos três fornecedores: o cache funciona pelo prefixo, ou seja, só a parte inicial idêntica do prompt é reaproveitada. Qualquer mudança no começo invalida o resto.

Um ponto que confunde: cache reduz custo e, em geral, latência, mas não aumenta a janela. A Anthropic deixa claro que prefixos em cache ainda ocupam o contexto; o cache muda o quanto você paga por eles, não se eles contam. Para tirar proveito, coloque o conteúdo fixo e grande no início e as partes variáveis (pergunta do usuário, data, nome do cliente) no fim.

Contexto longo ou RAG?

Com janelas de 1M de tokens, a pergunta natural é se ainda vale montar uma busca sobre seus documentos. A resposta depende do volume e da frequência. O guia de contexto longo do Google defende enviar todo o material relevante de uma vez quando ele cabe, e lembra que o cache ajuda a compensar o custo de perguntas repetidas sobre o mesmo conteúdo. Para bases grandes, consultadas por muita gente e que mudam com frequência, buscar só os trechos relevantes continua mais barato, mais rápido e mais fácil de auditar. As duas abordagens também se combinam: a busca escolhe os documentos certos e o contexto longo permite lê-los inteiros.

O passo a passo para montar a busca está no nosso guia prático de RAG e bancos vetoriais.

Exemplo: escritório de contabilidade em Curitiba

Imagine um escritório de contabilidade em Curitiba que atende pequenas empresas e quer usar IA para revisar contratos de prestação de serviço antes da assinatura. Cada contrato tem de 20 a 60 páginas, e o escritório tem um checklist interno de cláusulas a verificar, com cerca de 15 páginas.

Uma configuração razoável, usando os recursos descritos acima:

1. Prefixo fixo e em cache: o prompt de sistema e o checklist interno ficam sempre no começo, idênticos em todas as chamadas. Como somam milhares de tokens, passam do mínimo de cache dos fornecedores e saem mais baratos a partir da segunda revisão do dia.
2. Um contrato por chamada: em vez de colar dez contratos de clientes diferentes numa conversa só, cada revisão é uma chamada nova. Isso evita misturar dados de clientes e reduz o risco de o modelo confundir cláusulas parecidas.
3. Pergunta no fim e citação obrigatória: depois do contrato, vem a instrução para apontar cada problema com o número da cláusula e a página.
4. Histórico curto: se o contador quer discutir o resultado, a conversa continua por alguns turnos. Acima de um limite combinado, a aplicação compacta o histórico.

Como contratos têm dados pessoais e comerciais, o escritório também precisa definir base legal, fornecedor e retenção de dados; nosso guia de segurança e LGPD cobre esse ponto. Para comparar opções, veja também nossa página de integrações da Anthropic e o Claude.

Erros comuns

• Confundir janela com saída. Um modelo com 1M de contexto não escreve 1M de tokens numa resposta comum. Peça um relatório de 200 páginas e ele vai parar antes.
• Esquecer o raciocínio interno. Em modelos que pensam antes de responder, os tokens de raciocínio consomem o limite de saída e a janela. Respostas cortadas às vezes vêm daí.
• Colar tudo “por garantia”. Documentos irrelevantes custam dinheiro, aumentam a latência e pioram a precisão.
• Conversas eternas. Um chat de semanas reenvia o histórico inteiro a cada mensagem. Comece conversas novas por assunto ou use compactação.
• Quebrar o cache sem perceber. Colocar a data atual ou o nome do cliente no topo do prompt muda o prefixo e anula o cache.

Perguntas frequentes

Quantas páginas cabem em 1 milhão de tokens?

Depende do idioma e do tipo de texto. A Anthropic estima cerca de 555 mil palavras em inglês no tokenizador atual do Claude. O Google compara 1M de tokens a cerca de 50 mil linhas de código ou oito romances de tamanho médio em inglês. Em português, espere menos palavras por token. Para ter certeza, use a contagem de tokens da API antes de enviar.

O ChatGPT, o Claude e o Gemini nos aplicativos têm a mesma janela da API?

Não necessariamente. Os números deste guia são da API para desenvolvedores. Os aplicativos podem ter limites diferentes por plano e gerenciar o histórico sozinhos; a Anthropic menciona que o claude.ai pode descartar mensagens antigas em esquema de fila.

Se a janela é de 1M, por que o modelo esqueceu o que eu disse?

Porque caber na janela não garante atenção igual a tudo. Em contextos longos a precisão cai, e instruções no meio de muito texto podem perder força. Repita as instruções essenciais perto da pergunta e mantenha o contexto enxuto.

Cache de prompt deixa o modelo lembrar de conversas anteriores?

Não. O cache só reaproveita o processamento de um começo de prompt idêntico para cobrar menos. Ele não cria memória entre conversas. Memória persistente é outro recurso, com regras próprias de cada produto.

Fontes e leitura recomendada

• Anthropic: Context windows (documentação)
• Anthropic: visão geral dos modelos Claude
• Anthropic: Compaction (documentação)
• OpenAI: lista de modelos da API
• OpenAI: guia de prompt caching
• OpenAI: guia de compaction
• Google: Gemini 4 Argon na Gemini API
• Google: guia de contexto longo da Gemini API
• Google: context caching na Gemini API
• Liu et al. (2023): Lost in the Middle: How Language Models Use Long Contexts