Encadeamento de Prompts: Divida Tarefas de IA em Etapas
Um único prompt gigante raramente dá conta de uma tarefa complexa. Encadear prompts menores, cada um passando o bastão ao próximo, é mais confiável e muito mais fácil de depurar.
Peça a um modelo para "ler estes dez chamados de suporte, achar os três problemas que mais se repetem, rascunhar uma correção para cada um e escrever um e-mail de resumo para o time" e você recebe de volta algo que encosta nas quatro tarefas e não acerta nenhuma. As descobertas são rasas, as correções são genéricas, o e-mail parece só encher linguiça. O elo fraco não é o modelo. Você entregou quatro tarefas costuradas num só fôlego, e ele tirou a média entre elas. Divida esse pedido numa sequência de prompts menores, em que cada um faz uma única tarefa e alimenta o próximo, e a qualidade sobe rápido. Isso é encadeamento de prompts, e é o jeito mais confiável de tirar trabalho de verdade de uma IA em qualquer coisa complicada.
Por que um único prompt gigante desmorona
Um modelo tem um orçamento fixo de atenção para cada resposta. Quando você enfia pesquisa, estrutura, tom e formatação numa única instrução, ele espalha esse orçamento fino demais e se compromete com tudo de uma vez só. Não existe um momento em que ele para, confere o resultado intermediário e corrige a rota. Uma leitura equivocada logo no começo envenena em silêncio tudo o que vem depois.
Você sente isso mais em tarefas com estas características:
- Várias subtarefas distintas, cada uma merecendo atenção total
- Etapas que dependem da saída de etapas anteriores
- Um ponto em que um pequeno erro inicial se acumula em um grande erro final
- Necessidades de formato conflitantes (uma análise longa e depois uma resposta enxuta de uma linha)
Um único bloco de saída também não te dá nada para inspecionar. Se o resumo está errado, você não tem como saber se falhou a pesquisa, a estrutura ou a escrita. Você encara um prato pronto sem ideia de qual ingrediente estava estragado. Se você ainda está montando o básico, o guia de fundamentos combina bem com tudo o que vem a seguir.
A ideia central: a etapa N alimenta a etapa N+1
A mecânica é quase constrangedora de tão simples. Você quebra uma tarefa em etapas ordenadas. A saída da etapa N vira a entrada da etapa N+1. Cada prompt parte de um resultado limpo e verificado, em vez de partir do seu desejo original e vago.
Como cada etapa produz um artefato concreto, você ganha pontos de inspeção de graça. Uma etapa de pesquisa te entrega anotações para folhear; uma etapa de esboço te entrega uma estrutura para aprovar antes de existir uma única frase de rascunho. Encadeamento de prompts transforma um salto opaco numa série de pulos curtos e verificáveis, e o modelo só precisa acertar em cada pulo, em vez de acertar tudo de uma vez.
Encadeamento e chain-of-thought não são a mesma coisa
Esses dois vivem sendo confundidos. O chain-of-thought acontece dentro de uma única resposta: você pede ao modelo para raciocinar passo a passo antes de responder, e todo esse pensamento cabe numa só chamada. O encadeamento de prompts acontece ao longo de várias respostas: você roda chamadas separadas e direciona a saída de uma para a próxima.
Os dois se complementam de forma limpa. Um único elo da sua cadeia pode, ele mesmo, usar chain-of-thought por dentro, raciocinando até chegar à saída daquela etapa. Recorra ao raciocínio quando a parte difícil é *pensar*; recorra ao encadeamento quando a parte difícil é *escopo*. Para o lado do raciocínio, veja o guia de chain-of-thought, e a ferramenta de prompt chain-of-thought pode montar essa estrutura de raciocínio-mais-checagem para qualquer etapa isolada.
Padrões que valem a pena copiar
As cadeias mais úteis são variações de um punhado de formatos:
- Pesquisar, esboçar, rascunhar e editar para textos longos
- Extrair, transformar e resumir para dados de origem bagunçados
- Gerar, criticar e revisar para uma qualidade que você consegue defender
- Decompor, resolver cada parte e sintetizar para problemas com partes
Aqui está a cadeia de escrita em três prompts rotulados. Repare como cada um nomeia a sua entrada e a sua saída:
O padrão gerar-criticar-revisar é igualmente portátil e funciona em quase qualquer saída que te interesse:
O padrão decompor-resolver-sintetizar combina com problemas que se dividem em partes independentes, que você ataca uma de cada vez:
Esses são o tipo de exemplos de encadeamento de prompts que você adapta em cinco minutos. Troque o domínio, mantenha o formato.
Projetando cada elo e sua passagem de bastão
Um bom elo tem três coisas definidas antes de você rodá-lo: uma única tarefa, uma entrada definida e um formato de saída especificado. Se uma etapa está tentando fazer duas coisas, divida-a. Se você não consegue descrever o que ela deve passar adiante, você ainda não está pronto para escrever o próximo prompt.
O formato de saída é onde as cadeias vivem ou morrem, porque essa saída é a entrada da etapa seguinte. Passagens em prosa perdem informação e são difíceis de interpretar. Passagens estruturadas, não. Peça JSON e a etapa seguinte recebe campos limpos, em vez de parágrafos que ela precisa reinterpretar:
Agora a etapa dois recebe esse array e o transforma sem ter que adivinhar onde um item termina e o próximo começa. A ferramenta de prompt JSON ajuda você a travar um schema, e assim que um elo está mais ou menos funcionando, o otimizador de prompts aperta a redação para a saída se manter consistente de uma rodada para a outra.
Fazer na mão versus automatizar
Você pode rodar uma cadeia inteira na mão, numa janela de chat. Manda o primeiro prompt, lê o resultado, cola no segundo prompt, e assim por diante. Essa é a velocidade certa para trabalhos pontuais e experimentos iniciais. Você vê cada resultado intermediário e consegue consertar uma etapa ruim na hora, antes que ela se espalhe. Ferramentas como um gerador de prompts do Claude ajudam a rascunhar cada elo rapidamente enquanto você experimenta.
Quando uma cadeia se prova útil e você precisa rodá-la cem vezes, leve-a para o código. Um script chama o modelo para a etapa um, captura a saída e a passa programaticamente para a etapa dois. É aqui que o prompting em várias etapas deixa de ser um hábito manual e vira um pequeno pipeline. O custo é real: a automação tira os seus olhos do meio do processo, então você tem que adicionar verificações que antes um humano fazia de graça. O manual é para exploração; o automatizado é para volume, depois que o formato já está definido.
Onde as cadeias quebram e quando pular
As cadeias falham em pontos específicos e previsíveis. Uma etapa retorna um JSON malformado e a etapa seguinte engasga. Um elo alucina um detalhe e toda etapa seguinte trata aquilo como fato. Latência e custo se acumulam porque agora você faz várias chamadas em vez de uma. Proteja as emendas:
- Valide cada passagem antes de seguir adiante; rejeite e refaça saídas ruins
- Mantenha a fonte original disponível para as etapas seguintes, para os erros não viajarem sem checagem
- Adicione uma etapa de verificação que audita o resultado quase final em relação aos seus critérios
- Registre as saídas intermediárias para você ver qual elo quebrou, e não apenas que algo quebrou
E, às vezes, você não deveria encadear de jeito nenhum. Uma consulta a um único fato, uma classificação curta, uma reescrita rápida, uma resposta de um parágrafo sem dependências internas: um único prompt é mais rápido, mais barato e menos frágil. Apelar para o encadeamento de prompts numa tarefa que cabe num único prompt limpo só acrescenta chamadas e pontos de falha, sem nenhum ganho. A habilidade está em saber quais tarefas de fato têm etapas separáveis e dependentes. Para uma orquestração mais pesada e o julgamento por trás dela, a engenharia de prompt avançada se aprofunda em onde o encadeamento paga o seu custo.
