Olá, é um prazer inenarrável estar mais uma vez escrevendo este post. A OpenAI anunciou em 22 de setembro de 2026 melhorias no cache de prompts da família GPT-6, com o objetivo de aumentar o reaproveitamento de contexto em agentes persistentes. A mudança pode reduzir a latência e o custo de aplicações que fazem várias chamadas à API enquanto mantêm as mesmas instruções, ferramentas e informações de uma etapa para outra.
Em agentes que trabalham por horas, uma solicitação raramente começa do zero. O sistema pode carregar definições de ferramentas, instruções permanentes e resultados anteriores repetidamente. É justamente nesse cenário que o cache de prompts deixa de ser um detalhe de infraestrutura e passa a afetar diretamente a economia da aplicação. A novidade, porém, não se limita a um desconto: a OpenAI também apresentou instrumentos para entender quando o cache funciona, por que ele falha e como ajustá-lo.
Como o cache de prompts do GPT-6 funciona
O cache de prompts permite reutilizar o processamento de prefixos compartilhados entre diferentes solicitações. Quando uma aplicação envia novamente instruções, definições de ferramentas e contexto que já foram processados, a API pode reaproveitar esse trabalho em vez de começar a análise do zero.
Segundo a OpenAI, o GPT-6 passou a oferecer taxas de acerto mais altas por padrão. A empresa também informou que prefixos compartilhados elegíveis podem receber descontos de cache quando são reutilizados dentro de uma janela de 30 minutos. Em determinados casos, os descontos sobre tokens de entrada armazenados em cache podem chegar a 90%.
O benefício é especialmente relevante para agentes baseados nos modelos GPT-6 que executam tarefas longas, como refatorar bases de código ou produzir documentos e apresentações com pesquisa. Quanto mais uma aplicação repete o mesmo contexto, maior tende a ser a oportunidade de reaproveitamento.
O que muda no cache de prompts para desenvolvedores
A principal mudança anunciada é a combinação entre cache automático aprimorado e controles para que os desenvolvedores acompanhem o desempenho. O novo Prompt Caching Dashboard mostra a proporção da entrada atendida pelo cache, a evolução da taxa de acerto e a composição entre tokens armazenados e não armazenados.
Quando ocorre uma falha inesperada, a ferramenta de diagnóstico permite comparar uma solicitação com uma resposta recente. A análise pode indicar mudanças no modelo, nas ferramentas, nas configurações ou no conteúdo enviado. A OpenAI afirma que o diagnóstico também estima quantos tokens foram afetados, ajudando a dimensionar o impacto antes de alterar a integração.
Esse tipo de visibilidade resolve um problema comum: uma aplicação pode continuar funcionando normalmente mesmo depois de perder boa parte dos benefícios do cache. Sem métricas, o aumento de custo ou de tempo de resposta pode parecer um problema genérico de desempenho.
Como otimizar o cache de prompts em agentes
A OpenAI recomenda o uso de pontos de cache explícitos para definir quais prefixos devem ser reutilizados. O guia atualizado de cache de prompts explica como esses pontos funcionam, por quanto tempo os prefixos permanecem elegíveis e quais mudanças podem impedir o reaproveitamento.
Outra possibilidade do GPT-6 é alterar o nível de esforço de raciocínio entre respostas sem quebrar o cache. Assim, uma aplicação pode aumentar o esforço para uma tarefa difícil ou reduzi-lo em uma continuação rotineira, mantendo o contexto reutilizável.
A estabilidade das ferramentas também importa. A orientação da OpenAI é manter constantes as definições, os esquemas e a ordem das ferramentas sempre que possível. Quando apenas algumas ferramentas precisam estar disponíveis, o desenvolvedor pode restringir as ferramentas permitidas ou usar uma configuração que não permita chamadas, em vez de remover definições inteiras do contexto.
Para instruções novas, a empresa recomenda acrescentar mensagens de desenvolvedor ao final do contexto. Esse formato permite substituir orientações anteriores sem alterar desnecessariamente o prefixo já armazenado. Também é possível fazer o prewarming do cache, preparando instruções, ferramentas ou materiais de referência antes da primeira solicitação do usuário.
Por que o cache de prompts importa para agentes persistentes
Agentes persistentes dependem de muitas chamadas encadeadas. Eles planejam, usam ferramentas, verificam resultados e retomam o trabalho com base no que aconteceu antes. Se cada etapa exigir o processamento completo de um contexto extenso, a latência e os custos crescem junto com a duração da tarefa.
A OpenAI citou o GitHub Copilot, que teria reduzido em mais de 50% a parcela de tokens de prompt que exigiam processamento novo em relação à sua linha de base anterior, considerando bilhões de solicitações. A empresa também apresentou relatos de Manus, Strawberry Browser e Wordsmith sobre ganhos de taxa de acerto e redução de custos após ajustes no uso de pontos de cache.
Esses números são relatos de empresas sobre suas próprias aplicações, não uma garantia de desempenho para qualquer projeto. O resultado depende da estrutura dos prompts, da estabilidade das ferramentas, do volume de contexto e da frequência com que as solicitações repetem os mesmos prefixos. Por isso, medir o comportamento real continua sendo mais importante do que simplesmente ativar o recurso.
O que a atualização do cache de prompts representa
A atualização mostra que a eficiência de agentes de IA não depende apenas de modelos mais capazes. A forma como uma aplicação organiza instruções, ferramentas e contexto também pode determinar quanto tempo e dinheiro serão gastos em produção. Nesse sentido, o cache de prompts funciona como uma memória operacional: ele não substitui o raciocínio do modelo, mas evita refazer trabalho que permanece igual entre as etapas.
Para quem desenvolve agentes com GPT-6, o caminho mais prático é acompanhar a taxa de acerto no dashboard, investigar perdas inesperadas com o diagnóstico e manter estáveis as partes reutilizáveis do contexto. A resposta para a questão levantada no início está aí: o cache só gera economia consistente quando a aplicação é estruturada para preservá-lo.
Com as novas ferramentas, a OpenAI transforma esse processo em algo mais observável e ajustável. Isso pode ser decisivo para aplicações que precisam executar tarefas longas em escala, nas quais alguns pontos percentuais de reaproveitamento representam uma diferença relevante no custo e no tempo de resposta.
