Decifrando o Codex: Entenda os dados enviados aos modelos de IA

A recente investigação sobre o funcionamento interno do Codex revela que a ferramenta envia muito mais do que o prompt do usuário para os modelos de IA subjacentes. A análise detalhada mostra que uma solicitação simples de 16 caracteres, como "Reply with pong.", pode se transformar em um payload de 42.980 bytes, gerando aproximadamente 9.435 tokens. Desse total, o prompt original representa apenas cerca de 0,3% (25 tokens). O restante é composto por instruções do Codex, definições de ferramentas, permissões, metadados de habilidades, contexto de ambiente e o próprio enquadramento da solicitação.

Os dados adicionais incluem cinco habilidades de sistema (como exec, wait e request_user_input), além de cadeias de instruções do projeto (lidas de arquivos AGENTS.md), e até mesmo arquivos lidos e saídas de comandos. O artigo mostra que arquivos grandes e saídas de comandos podem ser truncados para economizar tokens. Imagens também são codificadas em Base64, e o Codex gerencia um mecanismo de compactação do histórico para evitar que o contexto se torne excessivamente grande, enviando resumos para o modelo para manter a conversa fluida e econômica.

Em nossa cobertura anterior, como na matéria "Desvendando o OpenAI Codex: A Arquitetura por Trás do Agente de Codificação da OpenAI" de 18 de fevereiro de 2026, explicamos que o Codex usa um "agent loop" para construir prompts e interagir com modelos. Já em "Decifrando o OpenAI Codex: Arquitetura e Operação do Agente de Codificação" de 20 de março de 2026, detalhamos como esse loop interage com o modelo e executa chamadas de ferramentas. A novidade agora é que temos uma visão granular do conteúdo real desses prompts construídos, com métricas de bytes e tokens. Antes, entendíamos o "como" conceitual; agora, vemos o "o quê" concreto que trafega, revelando a complexidade da comunicação interna do Codex.

Entender a arquitetura de dados do Codex é fundamental para otimizar a interação com IA. Desenvolvedores e engenheiros podem aprimorar suas estratégias de prompt, evitar consumo excessivo de tokens e prever o comportamento do agente. Isso se traduz em custos menores, respostas mais precisas e um controle maior sobre o ambiente de desenvolvimento. Conhecer a "dieta" de dados da IA permite que os usuários alimentem o modelo de forma mais eficiente, impactando diretamente a performance e a usabilidade.