ChatGPT Projects: como testar a memória exclusiva

Dois projetos têm a mesma tarefa e nomes parecidos. Em um deles, você registra um código fictício. Quando abre uma conversa no outro, a resposta deveria depender do contexto que está disponível ali. Se a resposta repetir exatamente o código do primeiro projeto, vale descobrir por onde a informação entrou antes de usar a configuração no trabalho.

Este guia mostra como testar a memória exclusiva em ChatGPT Projects com dois projetos de ensaio, sem dados de clientes. Você vai preparar um caso que deve usar contexto interno, outro que deve ficar sem o contexto do vizinho e um controle que mostra o que acontece quando você fornece a informação diretamente. O resultado do exercício é um registro que permite repetir a verificação.

Entenda a fronteira que o teste observa

Um projeto reúne conversas, arquivos e instruções relacionados a um trabalho. Isso reduz a necessidade de reenviar as mesmas referências a cada conversa. A documentação do ChatGPT distingue projetos mantidos no ChatGPT de projetos locais no aplicativo de desktop. O exercício aqui usa dois projetos do ChatGPT, sem vincular uma pasta local ou uma fonte externa. Documentação oficial de projetos e conversas.

A memória exclusiva, identificada como project-only memory na documentação em inglês, limita o contexto entre conversas ao projeto em que você trabalha. A Central de Ajuda da OpenAI descreve que um chat pode usar outras conversas do mesmo projeto e fica separado do contexto de fora. O exercício verifica esse comportamento em uma configuração concreta, com duas fontes que você controla.

O que será testado é a recuperação de uma informação dentro e fora do projeto. Isso é diferente de testar quem pode abrir um arquivo ou entrar num projeto compartilhado. É também diferente de afirmar que uma resposta nunca vai mencionar uma palavra parecida com um código fictício. A prova útil precisa de um valor incomum, de uma pergunta sem pistas e de uma confirmação de que a fonte certa estava onde você pensava.

O vídeo da OpenAI Academy demonstra a criação e o uso de projetos em inglês. A partir de cerca de 2 minutos e 17 segundos, a demonstração aborda a configuração de memória, incluindo a opção exclusiva. A interface mostrada pertence à gravação. Use o trecho para reconhecer a escolha e confira os rótulos e as opções que aparecem na sua conta. Vídeo oficial da OpenAI Academy sobre ChatGPT Projects.

Leia também Como organizar clientes e processos em projetos do ChatGPT.

Confira se a memória está habilitada

Antes de criar os projetos fictícios, abra as configurações de memória da sua conta. A interface pode mostrar um controle único ou controles separados. Confira o caminho correspondente à tela que você vê.

• Controle único. Se aparecer Ativar memória (Enable memory), ative essa opção.
• Controles separados no Enterprise. Ative Referenciar memórias salvas nas configurações pessoais. A memória também precisa estar habilitada nas configurações do workspace.
• Controles separados nas demais assinaturas. Ative Referenciar memórias salvas e Referenciar histórico de conversas nas configurações pessoais.

Em um workspace gerenciado, a organização também precisa permitir o uso de memória. Se faltar um controle ou a política impedir a configuração, pare o ensaio nesse ponto e confira o acesso com o administrador, quando aplicável. Com os requisitos verificados, confirme se a opção de memória exclusiva está disponível ao criar cada projeto de teste. Fonte consultada em 7 de novembro de 2026. Central de Ajuda da OpenAI, Projects in ChatGPT, artigo 10169521, seção Settings requirements.

Prepare dois projetos fictícios

Crie dois espaços de ensaio que possam ser identificados com facilidade. Chame um de “Ensaio Âmbar” e o outro de “Ensaio Cedro”. Evite nomes iguais aos de projetos em uso. Antes de adicionar conteúdo, confirme o workspace ativo e a conta em que cada projeto foi criado. Uma troca de workspace no meio do teste muda o ambiente e dificulta interpretar a resposta.

Separe dois códigos fictícios que não apareçam no nome dos projetos, nas perguntas ou em arquivos externos. Por exemplo, use VQ7-LUM-42 e RX9-NIV-63 para ilustrar o formato. Se estiver reproduzindo este guia, invente outros códigos para a sua rodada e guarde o gabarito fora das conversas. Evite senhas, números de clientes e identificadores reais. O valor do teste está em saber onde a informação foi inserida.

Em uma conversa de preparação no projeto Âmbar, escreva “No cenário Âmbar, o código de aprovação é” seguido do valor reservado para ele. Em outra conversa de preparação no projeto Cedro, escreva a mesma frase para o cenário Cedro com o segundo valor. Mantenha a estrutura das mensagens igual. Coloque um único valor por projeto e deixe a pergunta de verificação para um chat novo dentro de cada um.

Antes de iniciar, confira que os códigos não entraram em instruções globais, no nome de algum arquivo, em outro chat ou no texto do pedido. Uma forma simples de evitar contaminação é não carregar arquivos nessa primeira rodada. Se quiser testar documentos depois, faça uma rodada separada em que a única fonte do código seja um arquivo daquele projeto. Assim cada ensaio tem uma origem clara.

Escolha códigos com o mesmo comprimento e estrutura. Se um for uma palavra comum e o outro uma combinação incomum, a comparação fica desigual. Para tornar a revisão fácil, use grupos de letras e dígitos em posições semelhantes. No gabarito, marque qual valor pertence a qual projeto e mantenha esse arquivo separado de qualquer fonte conectada. Faça o teste com um código que você não tenha utilizado em uma rodada anterior.

Registre onde cada valor foi inserido, mas mantenha esse registro fora do conteúdo que o ChatGPT recebe. Anote a conta ou o workspace de forma reconhecível pela equipe, o nome do projeto, a configuração escolhida e a hora da preparação. Se houver vários projetos de teste em paralelo, registre também a rodada. Isso ajuda a identificar quando uma resposta recupera um valor de uma etapa anterior da experiência.

Escolha a memória exclusiva

Ao criar o projeto de ensaio, procure a escolha de memória nas opções disponíveis e selecione project-only memory, ou o rótulo equivalente em português. Registre o que apareceu na tela em cada projeto. Use o material da OpenAI Academy como exemplo de criação de projeto e compare a tela da demonstração com a sua. Os requisitos de memória a conferir são os da seção anterior. Material de treinamento da OpenAI Academy sobre projetos.

Se a opção não estiver visível, confira primeiro se você está no projeto e no workspace previstos. Em seguida, verifique os controles de memória da conta e, em ambientes gerenciados, as políticas da equipe. Anote o ponto em que o roteiro parou. Para comparar o comportamento da memória exclusiva, o registro precisa mostrar que ela estava disponível e selecionada antes da rodada.

Use projetos novos para o ensaio inicial. Isso ajuda a controlar quais chats e fontes estão presentes desde o início. Se a equipe pretende mudar a memória de um projeto que já usa, avalie separadamente o estado do projeto e as opções que a interface exibe. A demonstração incorporada trata da configuração durante a criação. O procedimento aqui deixa o projeto em uso fora da experiência.

Uma escolha visível na interface é a evidência de configuração. A resposta dos chats é a evidência de comportamento observada na rodada. Registre as duas. Se a configuração estiver correta e o código interno ainda não aparecer, existe uma pergunta adicional sobre a recuperação de contexto. Se a configuração não foi confirmada, a saída dos chats sozinha não resolve o diagnóstico.

Faça as consultas sem revelar os códigos

Abra uma nova conversa no projeto Âmbar. Pergunte “Qual é o código de aprovação do cenário registrado neste projeto? Se não houver uma referência disponível, indique que não encontrou”. Confira o valor contra o gabarito. Faça a mesma pergunta no Cedro, sem mencionar o código do Âmbar. Esses dois casos verificam se cada projeto usa a própria referência interna quando ela está disponível.

Em uma nova conversa no Cedro, pergunte pelo código do cenário do Âmbar sem escrever o valor. Observe se a resposta indica que não consegue localizá-lo. Repita no sentido contrário em outra conversa. Para facilitar a revisão, rotule os cenários pelo nome no texto de preparação. Assim é possível pedir uma referência específica sem incluir parte do código na pergunta.

Em uma conversa separada dentro do Cedro, forneça um terceiro código fictício diretamente e peça que o reproduza. Esse controle tem outro objetivo. Ele demonstra que a informação presente na própria mensagem está disponível para a resposta. Depois de usar esse código, deixe a conversa fora das consultas negativas. O teste de fronteira exige que você não plante a resposta no contexto que está verificando.

Faça primeiro o caso interno em cada projeto. Se a recuperação acontecer, a consulta cruzada ganha um controle útil. Em seguida, rode as duas perguntas externas, A no projeto B e B no projeto A, antes de fornecer o código direto. Tome cuidado para não corrigir uma resposta no próprio chat dizendo qual valor deveria ter aparecido. Se precisar anotar a correção, faça isso no gabarito. Uma correção publicada no chat muda o contexto da próxima rodada.

Se houver uma resposta sem referência no primeiro caso interno, repita com uma pergunta que aponte o nome do cenário, mas sem incluir o código. Registre essa segunda pergunta separada da primeira. Ela testa se a formulação genérica dificultou localizar a referência. Se der certo, use formulações com o mesmo nível de detalhe na outra consulta interna e nos casos cruzados.

Mantenha o mesmo tipo de conversa e as mesmas instruções gerais nos dois lados. Se variar o modelo, o prompt e a configuração de memória ao mesmo tempo, será difícil explicar a diferença. Antes de comparar outro ambiente, conclua uma rodada consistente no primeiro. Veja como controlar variáveis em uma comparação de respostas.

Classifique o que o teste mostrou

Uma recuperação positiva exige correspondência exata com o valor registrado no projeto correto. Ignore diferenças de maiúsculas ou pontuação só se essa tolerância estiver prevista no gabarito. Uma resposta com um código de formato semelhante, mas com caracteres diferentes, não confirma recuperação. Registre o texto observado sem reescrevê-lo para combinar com o esperado.

Na consulta cruzada, uma resposta que diz não encontrar a referência é compatível com a fronteira esperada para aquela rodada. Se a resposta inventar um código novo, o resultado merece outra classificação. Ele aponta para uma resposta sem fonte, e não confirma que o valor do outro projeto foi recuperado. Mantenha no registro a diferença entre “abstenção”, “valor inventado” e “reprodução do valor externo”.

Se o código externo aparece exatamente, pause o ensaio e confira as fontes que a conversa podia usar. Volte ao texto do pedido, às instruções do projeto, aos arquivos e ao histórico do chat. Veja se um teste anterior colocou aquele valor no projeto atual. Só repita com códigos novos depois de eliminar as fontes conhecidas. Registre o resultado da nova rodada separado da primeira.

Imagine uma rodada fictícia em que Âmbar devolve o código exato, Cedro devolve o código local, e a pergunta pelo Âmbar dentro do Cedro recebe um terceiro valor que não consta em nenhuma preparação. Registre a recuperação interna nos dois casos e uma resposta inventada na consulta cruzada. O terceiro valor é uma falha de qualidade mesmo sem coincidir com o código externo. Se houver outra rodada, a instrução para se abster pode ser uma variável a testar sem mexer no modo de memória.

Se os dois controles internos falham, o teste de fronteira fica inconclusivo. A ausência de um valor externo pode ser compatível com a configuração, mas você ainda não demonstrou recuperação interna na mesma rodada. Confira se as conversas de preparação foram criadas nos projetos certos. Depois refaça a consulta interna antes de atribuir significado à consulta cruzada.

Compare sempre o comportamento observado com o que o projeto precisa fazer. Para um fluxo em que o contexto tem de aparecer de maneira previsível, mantenha a regra importante em uma fonte explícita do projeto. Uma resposta que recupera um código no teste mostra que aquela rodada funcionou. A frequência de recuperação de outras informações precisa de critérios próprios. Leia como organizar verificações em um fluxo de IA.

Investigue resultados inesperados

Comece pela identidade do espaço. Um chat aberto por engano fora do projeto responde em outro contexto. A mesma coisa acontece se você escolhe um projeto com nome parecido no workspace errado. Confira o título visível e o local da conversa de preparação antes de corrigir a pergunta.

Depois procure fontes duplicadas. O valor pode ter aparecido em uma instrução, em um arquivo ou em uma mensagem que você copiou para ambos os projetos. Se o teste veio de um exemplo publicado, crie um valor exclusivo para a nova rodada. Um código inventado na hora e guardado apenas no gabarito ajuda a evitar que a própria preparação introduza a informação em mais de um lugar.

Observe o momento da falha. Se uma consulta funciona e outra idêntica no mesmo projeto não funciona, registre as duas. Faça uma pequena rodada com perguntas equivalentes e observe a consistência antes de ampliar a configuração. Se a resposta descreve o cenário, mas erra o código, peça que aponte de qual referência o extraiu e confira no chat de preparação. A explicação apresentada pelo modelo continua sendo uma indicação a verificar.

Faça também uma verificação da sequência. Uma conversa interna de validação que devolveu o código passa a conter esse valor, além da preparação. Isso é esperado dentro do próprio projeto, mas amplia o conjunto de fontes internas. Para um ensaio que mede de qual chat o valor veio, abra um projeto novo ou use um código novo e mantenha só uma consulta de teste. Para o ensaio de fronteira, basta manter as fontes de cada lado separadas e anotar quantas foram criadas.

Quando outras pessoas dependem da conclusão, compartilhe os casos e o resultado do ensaio com os códigos fictícios. Deixe claro quem precisa investigar se houver uma reprodução inesperada e quais fontes devem ser revisadas. Descreva o efeito observado com o workspace e projeto corretos. Veja como encaminhar um caso a uma pessoa com contexto suficiente.

Separe memória de acesso da equipe

Antes de trabalhar com dados reais, confirme quem pode entrar no projeto e de onde vêm as fontes que ele usa. A memória exclusiva organiza o contexto disponível nas conversas. A escolha de membros, papéis e permissões pertence às configurações do ambiente. Um teste com dois projetos privados de ensaio não comprova o que acontece se você muda o público, adiciona fontes ou passa a usar outro workspace.

Se o objetivo é separar assuntos de clientes diferentes, planeje também a origem dos arquivos. Um documento enviado ao projeto errado vira uma fonte daquele projeto, independentemente de ter o mesmo nome de um arquivo no projeto certo. Confirme para onde vai cada referência antes de anexá-la. Para o ensaio, evite anexar material real só para deixar a pergunta parecida com o trabalho cotidiano.

Quando um projeto precisa de colaboração, faça a verificação de acesso com contas de teste autorizadas e dados fictícios. Identifique o que cada papel deve poder abrir e confira isso diretamente na interface. Registre resultados de acesso separados dos resultados de recuperação de memória. Para revisar papéis, assentos e workspace de equipe, consulte o guia específico. Leia como conferir membros, papéis e dados no ChatGPT Business.

Se uma atividade exige uma informação sempre disponível, mantenha uma referência clara no próprio projeto e indique onde ela está. Documente também quem mantém essa referência atualizada. Isso reduz a dependência de uma conversa antiga quando outra pessoa começa um chat. A memória entre conversas pode apoiar o trabalho, enquanto a fonte explícita ajuda a conferir a regra aplicada.

Registre a configuração e repita quando mudar

Feche o ensaio com uma ficha curta. Inclua os dois nomes fictícios, a configuração observada em cada projeto, a localização das mensagens de preparação, as perguntas, as respostas e a classificação. Marque a data e a conta de teste. Se o resultado for inconclusivo, indique a etapa que ainda precisa de evidência. Assim outra pessoa consegue retomar sem repetir toda a preparação.

Repita o teste quando houver uma mudança relevante. Um novo tipo de fonte, um workspace diferente ou uma alteração no modo de colaboração muda as condições da rodada anterior. Em cada repetição, use códigos novos e mantenha os casos comparáveis. Se o ensaio passa, registre o escopo exato. Dois projetos com uma configuração verificada dão evidência sobre aquela experiência.

Se quiser avançar para arquivos, prepare dois documentos fictícios com o mesmo título e dados diferentes. Coloque um em cada projeto e repita a consulta com a referência ao título. Mantenha essa rodada separada da prova baseada em conversas. Se o resultado muda, você consegue investigar a nova fonte sem misturar o diagnóstico com a recuperação de chats anteriores.

Quando a equipe quiser validar consistência, repita o caso interno e o cruzado com outro par de códigos. Conte quantas recuperações internas foram exatas e quantas consultas externas ficaram sem referência. Registre qualquer resposta inventada como uma categoria à parte. Esses números ajudam a enxergar falhas na rotina de teste. Use o gabarito para decidir o que ainda deve ficar sob conferência humana.

Leia também Como preparar verificações em um workflow de automação.

Perguntas frequentes

O que é memória exclusiva em um projeto do ChatGPT?

É a configuração descrita pela OpenAI para limitar o contexto entre conversas ao projeto em questão. Ela permite usar contexto do mesmo projeto e mantém separado o que está fora dele.

Como sei se a resposta veio do projeto correto?

Use um código fictício que exista apenas em uma conversa daquele projeto. Em um chat novo no mesmo projeto, pergunte pelo campo sem repetir o valor e compare com o gabarito.

Uma resposta inventada significa que houve recuperação de outro projeto?

Registre a invenção separadamente. Para investigar recuperação cruzada, procure a reprodução do valor externo exato e confira se ele entrou no projeto ou no pedido por outra fonte.

O teste de memória também verifica quem pode abrir o projeto?

Memória e acesso exigem verificações próprias. Confira as permissões com as contas de teste previstas e use dados fictícios antes de trabalhar com fontes reais.

O que fazer quando a opção de memória exclusiva não aparece?

Confira qual interface aparece nas configurações da conta. Se houver um controle único, habilite a opção Ativar memória. Com controles separados, no Enterprise ative Referenciar memórias salvas e confirme que a memória está habilitada no workspace. Nas demais assinaturas, ative Referenciar memórias salvas e Referenciar histórico de conversas. Em ambientes gerenciados, o administrador também precisa permitir o uso de memória. Volte à criação do projeto e registre se a opção de memória exclusiva aparece.