Fundamentos de Engenharia de Prompt: As Técnicas Essenciais
Papel, contexto, restrições, formato, exemplos. As seis peças que sustentam quase todo prompt forte — explicadas com exemplos que você pode reaproveitar.
Peça a duas pessoas que escrevam um prompt para o mesmo trabalho e você vai obter dois resultados bem diferentes do mesmo modelo. A diferença raramente está no modelo. Está nas instruções. Um prompt forte é montado, não chutado, e quando você conhece as peças de que ele é feito, dá para juntá-las de propósito, em vez de reescrever o mesmo pedido oito vezes torcendo para uma das versões emplacar. Seis peças fazem quase todo o trabalho, e dois hábitos separam quem briga com o modelo de quem o conduz.
Dê um papel ao modelo
Um papel define o vocabulário, os pressupostos e a profundidade padrão do modelo antes mesmo de você pedir qualquer coisa. "Explique este bug" e "Você é um engenheiro de back-end sênior revisando o pull request de um júnior; explique este bug" puxam respostas de lugares diferentes. A segunda sabe que precisa mencionar casos extremos, nomenclatura e a correção que um revisor de verdade deixaria.
Mantenha o papel específico e ligado ao resultado que você quer. "Você é um assistente prestativo" não acrescenta nada. "Você é um editor técnico para um público de desenvolvedores, que corta enrolação e sinaliza afirmações sem embasamento" muda cada frase que vem depois.
Enuncie a tarefa com um verbo de ação
A tarefa é a única coisa que você quer feita, e ela deve começar com um verbo que não deixe margem para interpretação. "Resuma", "compare", "reescreva", "classifique", "extraia", "escreva", "critique". Aberturas vagas como "me ajuda com" ou "dá uma olhada em" obrigam o modelo a adivinhar se você quer um resumo, uma opinião ou uma reescrita, e ele muitas vezes adivinha errado.
Um prompt, um verbo principal. Se você se pegar empilhando três pedidos, geralmente são dois prompts disfarçados de um. Separe-os. Um pedido de "extraia os itens de ação e depois ordene por urgência e depois escreva emails" fica mais limpo como etapas que você consegue conferir entre uma e outra.
Adicione o contexto que ele não tem como adivinhar
O modelo sabe linguagem. Ele não conhece a sua situação. Contexto é tudo que é específico do seu caso e muda a resposta certa: quem é o público, o que já foi tentado, o que o material de origem realmente diz, como é o "bom" aqui.
- Para quem é isso, e o que essas pessoas já sabem?
- Qual é o texto, o dado ou a restrição que a resposta precisa respeitar?
- O que as tentativas anteriores erraram e você quer evitar?
Cole o material de verdade em vez de descrevê-lo. "Resuma nossa política de reembolso" gera uma resposta genérica. Colar a política e pedir um resumo gera a sua resposta. Se você não sabe ao certo quanto de contexto incluir, nosso passo a passo sobre escrever prompts do zero mostra como acrescentar contexto sem soterrar a tarefa.
Defina restrições e fixe o formato de saída
Restrições são as barreiras de proteção: tamanho, tom e as coisas a evitar. Formato é a forma que você quer de volta. Ambos importam porque um modelo sem limites recorre a um parágrafo de tamanho médio e formalidade média, que quase nunca é exatamente o que você precisa.
Deixe claros os limites que importam para você:
- Tamanho: "menos de 80 palavras", "exatamente três tópicos", "uma frase".
- Tom: "simples e direto, sem pontos de exclamação", "acolhedor, mas profissional".
- Deve evitar: "sem jargão", "não mencione preço", "evite a palavra 'solução'".
- Formato: JSON com chaves nomeadas, uma tabela em Markdown, uma lista numerada, um único bloco de código.
Quando você precisa de saída estruturada, descreva a estrutura com exatidão e o modelo vai mantê-la.
Quando você já tem um prompt que funciona quase sempre, uma passada pelo analisador de prompts aponta onde suas restrições ainda estão vagas, e o otimizador de prompts pode apertar a redação para você.
Mostre um exemplo
Dizer ao modelo o que você quer é bom. Mostrar é melhor. Um ou dois exemplos resolvidos fixam tom, estrutura e tratamento de casos extremos com muito mais precisão do que um parágrafo de descrição jamais faria. É essa a diferença entre prompting zero-shot e few-shot, e vale entender quando cada um compensa, o que o guia de zero-shot versus few-shot cobre em detalhe.
Um exemplo funciona como um molde contra o qual o modelo faz correspondência de padrão. Mostre a entrada e a saída exata que você aceitaria, depois dê a ele a entrada real.
Dois exemplos que cobrem casos diferentes (uma nota longa, uma conversada) ensinam os limites ao modelo mais rápido do que cinco quase idênticos. Qualidade e variedade ganham da quantidade.
Peça que ele raciocine, depois itere
Para qualquer coisa com etapas, comparações ou risco de tomar o caminho errado, peça que o modelo raciocine antes de responder. "Pense nos prós e contras passo a passo, depois dê sua recomendação" melhora de forma confiável a precisão em lógica, matemática e decisões de várias partes, porque o modelo passa pelas etapas intermediárias em vez de saltar para um chute. Quando você quer o raciocínio moldado e consistente entre execuções, uma estrutura como o construtor de prompt chain-of-thought organiza as etapas para você.
Um cuidado: se você precisa de uma resposta final limpa para um sistema seguinte, peça que o modelo raciocine internamente e depois retorne apenas o resultado, ou o raciocínio vai parar dentro do seu JSON.
O segundo hábito é a iteração. Seu primeiro prompt é um rascunho. Rode-o, leia o que voltou e trate cada falha como uma instrução que faltou, não como um modelo quebrado. Longo demais? Adicione um limite de tamanho. Formal demais? Nomeie o tom. Fugiu do assunto? Aperte o verbo da tarefa ou adicione uma linha de "deve evitar". Mude uma variável de cada vez para saber o que resolveu.
- Rode o prompt e compare a saída com o que você realmente queria.
- Encontre a maior lacuna e adicione uma instrução que a feche.
- Repita até ficar entediante e confiável, e então salve esse prompt como seu modelo.
Esse ciclo é o ofício inteiro. Para responder direto à preocupação de sempre: modelos melhores não eliminam essa necessidade. Eles elevam o teto, mas consistência e controle ainda vêm do prompt, não da torcida. Quando essas seis peças já forem automáticas, o guia de técnicas avançadas cobre o que vem a seguir, incluindo encadeamento de prompts, autocrítica e avaliação.
