Engenharia de Prompts

Prompts

No contexto da IA, especialmente em modelos de linguagem, um prompt é uma instrução ou estímulo dado ao sistema para obter uma resposta ou comportamento específico. Geralmente apresentado em forma de texto, o prompt funciona como um gatilho para o modelo de IA, indicando o tipo de informação ou resposta desejada pelo usuário - ou seja, uma espécie de “pergunta” ou “comando” que guia a máquina a gerar respostas.

Prompts podem variar desde perguntas simples, como “como está o clima hoje?”, até consultas mais elaboradas. Entretanto, perguntas genéricas tendem a gerar respostas amplas e menos úteis. Para resultados mais precisos e relevantes, recomenda-se fornecer informações específicas, como “qual é a previsão do tempo em Fortaleza para hoje?”.

Prompt de Atuação

Trata-se de uma técnica empregada para controlar o estilo do texto gerado por inteligência artificial. Esta abordagem oferece aplicações diversificadas, incluindo o aprimoramento da precisão da IA em tarefas específicas, como a resolução de problemas matemáticos.

A implementação do Prompting de Atuação é direta: basta orientar a IA a assumir uma função específica, como “atuar como crítico de moda” ou “agir como especialista em determinada área”.

Também conhecida como Role Prompting, essa estratégia direciona o modelo a adotar uma perspectiva ou expertise particular, resultando em respostas mais alinhadas ao contexto desejado. Por exemplo, ao solicitar que a IA atue como um professor, as respostas tendem a ser mais didáticas e explicativas.

Prompt Engineering

Engenharia de Prompts é definida como o processo de orientar soluções de inteligência artificial generativa para gerar resultados desejados.

A engenharia de prompts envolve escolher formatos, frases e símbolos adequados para orientar a IA, algo especialmente útil para desenvolvedores automatizarem tarefas, explorarem possibilidades e melhorarem a colaboração com o modelo.

Tipos de técnicas de prompting

Técnica	Descrição
Zero-Shot	Sem exemplos prévios, apenas com instruções
One-Shot / Few-Shot	Fornece alguns exemplos para o modelo seguir
Chain of Thought (CoT)	Raciocínio passo a passo
Skeleton of Thought (SoT)	Estrutura lógica pré-definida
Tree of Thought (ToT)	Exploração de múltiplos caminhos de raciocínio
Self-Consistency	Execução múltipla para maior confiabilidade
Directional Stimulus	Guia a resposta com comandos direcionais
ReAct	Combina raciocínio com execução de ações externas

Material complementar: Para aprofundar, consulte materiais como Prompt Engineering para Desenvolvedores (PDF e cursos disponíveis em diversas plataformas).

Chain of Thought na prática

Pedir para o modelo “pensar em voz alta” antes de responder muda bastante o resultado. Sem CoT, o modelo tenta acertar a resposta de primeira, o que aumenta a chance de erro em problemas com múltiplas etapas:

flowchart LR
    A[Pergunta] --> B[Resposta direta]
    B --> C[Maior chance de erro]

Com CoT, o modelo quebra o raciocínio em passos antes de responder:

flowchart LR
    A[Pergunta] --> B[Decompor o problema]
    B --> C[Raciocinar passo a passo]
    C --> D[Validar o raciocínio]
    D --> E[Resposta melhor]

Um jeito simples de ativar isso na prática é literalmente pedir: “pense passo a passo antes de responder”.

Tree of Thought na prática

O CoT segue um único fio de raciocínio do início ao fim. Isso funciona bem quando o primeiro caminho que o modelo tenta já é o certo, mas falha em problemas onde vale a pena considerar mais de uma abordagem antes de se comprometer com uma resposta, como um quebra-cabeça com várias soluções possíveis ou uma decisão com vários critérios em jogo.

Tree of Thought (ToT) resolve isso tratando o raciocínio como uma árvore de busca em vez de uma linha reta: o modelo gera múltiplos caminhos de raciocínio em paralelo, avalia o quão promissor é cada um e só continua explorando os que parecem levar a uma boa resposta, descartando (podando) os demais.

flowchart TD
    P[Pergunta] --> A[Caminho A]
    P --> B[Caminho B]
    P --> C[Caminho C]
    A --> A1[Descartado]
    B --> B1[Promissor]
    C --> C1[Descartado]
    B1 --> B2[Aprofunda o caminho B]
    B2 --> R[Melhor resposta]

O artigo que formalizou a técnica (Yao et al., 2023) usa algoritmos de busca clássicos, como BFS e DFS, para decidir quais ramos explorar e quando desistir de um caminho, e mostra ganhos grandes em tarefas que exigem planejamento (num quebra-cabeça de lógica usado no estudo, GPT-4 com ToT saiu de 4% de acerto com CoT simples para 74% de acerto com ToT). O custo é maior: gerar e avaliar vários caminhos consome mais chamadas ao modelo e mais tokens do que seguir um só, então ToT compensa mais em problemas onde errar o caminho sai caro, e menos em tarefas simples que o CoT já resolve de primeira.

Framework de Prompt

Utilizado por profissionais da área, este framework estrutura-se em cinco elementos essenciais: papel, instruções, perguntas, contexto e exemplos. Cada componente desempenha uma função estratégica na elaboração do prompt, permitindo compreender não apenas o conteúdo a incluir, mas também a sequência ideal de cada elemento para otimizar os resultados gerados por sistemas de inteligência artificial como o ChatGPT.

• Papel (Role): Define a persona ou especialização que a IA deve assumir, como “especialista em marketing” ou “professor de matemática”.
• Instruções (Instructions): Comandos claros e específicos sobre o que você deseja que a IA faça, incluindo formato, tom e estilo da resposta.
• Perguntas (Questions): A questão central ou tarefa que você quer que a IA resolva ou responda.
• Contexto (Context): Informações relevantes de fundo que ajudam a IA a compreender melhor a situação e gerar respostas mais precisas.
• Exemplos (Examples): Amostras concretas do tipo de resposta esperada, especialmente útil em técnicas Few-Shot.

A sequência dos elementos impacta diretamente o desempenho do modelo. Questões como “posicionar a instrução no início do prompt produz o mesmo resultado que posicioná-la no final?” são abordadas através de testes práticos e orientações fundamentadas em pesquisas e experiências documentadas.

Anatomia de um bom prompt: ruim, melhor e ideal

Ver a teoria funcionando ajuda mais do que decorar a lista. Vamos pegar um pedido comum, adaptar um currículo para uma vaga de Analista de Marketing, e refinar o mesmo prompt em três níveis de especificidade.

Prompt ruim

Um pedido de uma linha, sem contexto, sem critérios e sem formato de saída:

Adapte meu currículo para a vaga de Analista de Marketing.

O modelo vai responder alguma coisa, mas vai ter que adivinhar o resto. Qual é o currículo? Não há nenhum na conversa. De qual empresa é a vaga, o que vale destacar, em que formato entregar? Sem essas respostas, o resultado costuma ser um texto genérico com dicas de currículo ou, pior, um currículo inventado do zero.

Prompt melhor

Aqui entram contexto (a empresa e as áreas de experiência) e critérios (linguagem alinhada à vaga e resultados com números):

Adapte meu currículo para a vaga de Analista de Marketing na [Nome da Empresa]. Destaque minhas experiências com marketing digital, análise de dados e gestão de campanhas. Use uma linguagem alinhada à descrição da vaga e destaque resultados com números.

O salto é grande. Repare no [Nome da Empresa]: é um espaço para preencher antes de enviar. Ainda sobra um furo, porém: o modelo só sabe o que está escrito no prompt. Ele não viu o seu currículo nem a descrição da vaga, então “linguagem alinhada à descrição da vaga” é uma instrução que ele não tem como cumprir direito.

Prompt ideal

O terceiro nível resolve isso anexando o material de referência e organizando as orientações em passos:

Arquivos anexados: Meu_Curriculo_Atual.pdf, Descricao_da_Vaga_Analista_Marketing.pdf, Informacoes_Sobre_a_Empresa.pdf

Adapte meu currículo para a vaga de Analista de Marketing com base nos arquivos anexados (meu currículo atual, descrição da vaga e informações sobre a empresa). Siga estas orientações:

- Destaque as experiências e habilidades mais relevantes para os requisitos da vaga.
- Use palavras-chave presentes na descrição da vaga de forma natural.
- Reescreva os pontos do currículo com foco em resultados e impacto, incluindo métricas sempre que possível.
- Ajuste o resumo/perfil para refletir o perfil desejado pela empresa.
- Mantenha um tom profissional, objetivo e alinhado à cultura da empresa.
- Entregue o currículo final em formato pronto para envio (PDF) e uma versão em texto editável.

Duas mudanças fazem a diferença aqui. A primeira é o material de referência: currículo atual, descrição da vaga e informações da empresa entram como arquivos, então o modelo trabalha com o texto real em vez de uma descrição feita de memória. A segunda é a estrutura: o parágrafo corrido vira uma lista de passos, e cada passo cobre uma decisão (o que destacar, quais palavras-chave usar, como escrever os resultados, qual tom, qual formato de entrega). Fica fácil ver o que foi pedido e conferir o que voltou.

O que muda de um nível para o outro

	Ruim	Melhor	Ideal
Contexto	nenhum	empresa e áreas de experiência, escritas no prompt	currículo, vaga e empresa anexados
Critérios	nenhum	linguagem alinhada à vaga, resultados com números	palavras-chave, foco em impacto, tom, resumo ajustado ao perfil da empresa
Material de referência	nenhum	descrito no texto	arquivos anexados
Formato de saída	não definido	não definido	PDF pronto para envio e versão em texto editável

Olhando pelo Framework de Prompt: as instruções existem nos três níveis, só que cada vez mais detalhadas, e o contexto só aparece de verdade no ideal. Os exemplos não entram em nenhum (dava para anexar um currículo já adaptado como modelo do resultado esperado). O papel também ficou de fora, por exemplo “atue como recrutador da área de marketing”, e nem sempre faz falta, mas custa uma linha.

Pelo lado do checklist de regras de ouro, os itens que mais pesam nessa evolução são ter um objetivo claro, separar os inputs (cada arquivo anexado é um bloco), definir o formato de saída e explicitar os critérios.

Onde até o prompt ideal falha

O prompt ideal pede “métricas sempre que possível”, mas não proíbe o modelo de inventar. Se o seu currículo não traz número nenhum, um modelo pode preencher com um “aumentou as vendas em 30%” que soa ótimo e é falso, e num currículo isso vira problema na entrevista. A correção é uma restrição explícita, o último item do checklist (“Incluir restrições”):

- Não invente experiências, cargos ou resultados que não estejam no meu currículo. Se faltar um número, deixe o marcador [inserir métrica] para eu preencher.

Prompt de Preparação

O Prompt de Preparação é uma técnica avançada em que você primeiro instrui a IA sobre como deseja que ela se comporte em interações futuras, estabelecendo regras, formatos e expectativas antes de fazer a pergunta principal.

Essa abordagem é particularmente útil em conversas longas ou quando você precisa que a IA mantenha um padrão consistente ao longo de múltiplas respostas.

Exemplo: Você pode preparar a IA dizendo “Responda sempre de forma concisa, usando bullet points, e cite fontes quando relevante” antes de fazer suas perguntas subsequentes.

Referências

• Estratégias de design de comandos (Gemini API) - Google AI for Developers, pt-BR
• Técnicas de engenharia de prompts - Microsoft Learn, pt-BR
• Prompting best practices - Anthropic, en
• Tree of Thoughts: Deliberate Problem Solving with Large Language Models - Yao et al., NeurIPS 2023, en