O que é engenharia de prompts? Guia prático com exemplos
Engenharia de prompts é a habilidade de escrever entradas que geram resultados confiáveis em modelos de IA. Veja as partes de um bom prompt, com antes e depois.
Neste artigo
Engenharia de prompts é a prática de desenhar a entrada de um modelo de linguagem grande (as instruções, o contexto, os exemplos e as exigências de formato) para que a saída seja útil, precisa e consistente. Na prática, significa decidir o que o modelo precisa saber, o que deve fazer e como o resultado deve ser, e depois testar se o prompt realmente produz isso.
Essa definição parece abstrata, então a maior parte deste guia são exemplos. Se você lembrar de uma coisa só: um modelo só trabalha com o que está à frente dele. A maioria das saídas ruins vem de um prompt que deixou de fora algo que quem escreveu sabia, mas nunca disse.
Por que a redação de um prompt importa tanto?
Um modelo de linguagem prevê uma continuação do texto que recebeu. Ele não tem acesso ao seu projeto, ao seu público, aos seus rascunhos anteriores nem à conversa que você teve com seu chefe sobre o tom. Tudo o que ele sabe da sua situação vem do prompt (e, nos apps de chat, das mensagens anteriores e de recursos de memória).
Então, quando um prompt diz "escreva um resumo deste relatório", o modelo preenche cada lacuna com um palpite. De que tamanho? Para quem? Tópicos ou texto corrido? Deve apontar riscos ou ficar neutro? O palpite será plausível e genérico, porque o genérico é a aposta mais segura quando falta informação.
A engenharia de prompts é, em boa parte, a disciplina de fechar essas lacunas de propósito.
Como é um bom prompt?
Eis um pedido que as pessoas mandam todo dia para assistentes de chat:
Escreva um e-mail para minha equipe sobre o novo prazo.
O modelo produz um e-mail educado e insosso, com marcadores como "[nova data]". Não está errado, só é inútil sem edição.
Agora uma versão escrita por quem já fez isso algumas vezes:
Escreva um e-mail curto para minha equipe de cinco engenheiros de backend.
Contexto: O prazo da migração da API mudou de 14 de março para 28 de março
porque o fornecedor de pagamentos atrasou o sandbox. Ninguém da equipe
causou o atraso. Duas pessoas tinham planejado férias em torno da data antiga.
Objetivo: Informar a nova data, explicar o motivo em uma frase
e dizer que os planos de férias não devem mudar.
Tom: direto e calmo, sem enrolação corporativa. Menos de 120 palavras.
Assine como "Dana".
Nada de engenhoso aconteceu ali. O segundo prompt simplesmente contém os fatos, o público, o objetivo, o tom e um limite de tamanho. Isso é a maior parte da engenharia de prompts para o uso cotidiano.
Quais são os componentes de um bom prompt?
Cada guia dá nomes diferentes, mas as mesmas peças aparecem sempre. Você não vai precisar de todas em todo prompt.
Tarefa. O verbo e o objeto. "Resumir", "classificar", "reescrever", "extrair", "comparar". Verbos vagos como "ajudar com" ou "dar uma olhada em" obrigam o modelo a adivinhar o que você quer que seja feito.
Contexto. O pano de fundo que o modelo não consegue inferir: quem é o público, para que serve o documento, o que já foi tentado. É daqui que vem a maior parte da qualidade. Tratamos disso a fundo no tópico de papel e contexto.
Restrições. Tamanho, tom, nível de leitura, o que evitar, o que precisa constar. Restrições custam pouco para escrever e poupam muito vaivém.
Formato de saída. Tópicos, uma tabela, JSON com chaves específicas, uma única palavra. Se um programa vai ler a saída, o formato não é opcional. O tópico de saída estruturada trata desse caso em detalhe.
Exemplos. De um a poucos pares de entrada e saída que mostram o padrão desejado. Exemplos são poderosos e também fáceis de usar mal, e por isso escrevemos um texto à parte sobre zero-shot vs few-shot.
Um papel ("Você é um contador tributarista sênior") às vezes também entra na lista de componentes. Pode ajudar a definir vocabulário e profundidade, mas um papel sem contexto faz bem menos do que se espera. "Você é um especialista em marketing" acrescenta pouco; "Os leitores são gerentes de compras de hospitais que leem rápido no celular" acrescenta muito.
Engenharia de prompts é só para chatbots?
Não, e é aqui que o termo merece a palavra "engenharia". Há dois trabalhos bem diferentes que dividem o nome.
O primeiro é o prompting conversacional: você, digitando no ChatGPT, no Claude ou no Gemini, iterando até a resposta ficar boa. Aqui você corrige o rumo no turno seguinte, então um prompt um pouco fraco custa um minuto.
O segundo são prompts dentro de software: um bot de suporte, um classificador de documentos, uma ferramenta de revisão de código, um agente que chama APIs. O prompt roda milhares de vezes em entradas que você nunca viu. Ninguém está ali para dizer "não, mais curto". Uma pequena ambiguidade que você corrigiria num chat vira uma taxa de falha de 4% em produção.
O segundo trabalho acrescenta coisas de que o primeiro raramente precisa:
- Um prompt de sistema que define o comportamento em todas as conversas (como escrever um).
- Formatos de saída rígidos para que o código consiga interpretar o resultado.
- Ancorar o modelo em documentos recuperados para que ele não invente fatos.
- Defesas contra prompt injection, porque a entrada do usuário e os documentos podem conter instruções próprias.
- Um conjunto de testes: algumas dezenas de entradas reais que você roda de novo toda vez que muda o prompt.
Esse último ponto é o que os iniciantes pulam e os profissionais nunca pulam. Se você muda um prompt de produção sem rodar de novo os seus casos de teste, está adivinhando.
Um exemplo prático: do vago ao confiável
Digamos que você quer que um modelo separe mensagens de clientes em categorias. Primeira tentativa:
Categorize esta mensagem de cliente.
Mensagem: "Fui cobrado duas vezes na fatura de março, por favor corrijam."
Você recebe algo como "Esta mensagem se enquadra na categoria Cobrança, pois o cliente relata uma cobrança duplicada." Serve para uma pessoa, mas é um problema para o código. E a próxima mensagem pode voltar como "Pagamentos" em vez de "Cobrança", porque você nunca disse quais categorias existem.
Segunda tentativa:
Classifique a mensagem do cliente em exatamente uma categoria.
Categorias:
- billing: cobranças, reembolsos, faturas, formas de pagamento
- account: login, senha, perfil, exclusão da conta
- bug: algo no produto está quebrado ou se comporta de forma errada
- other: qualquer outra coisa
Responda apenas com o nome da categoria em minúsculas, mais nada.
Mensagem: """Fui cobrado duas vezes na fatura de março, por favor corrijam."""
Três mudanças fizeram o trabalho. O conjunto de rótulos é fixo, cada rótulo tem uma definição curta para que os casos-limite tenham para onde ir, e o formato de saída está explícito. As aspas triplas marcam onde começa e termina o texto do usuário, o que ajuda o modelo a manter dados e instruções separados (embora não seja uma barreira de segurança contra ataques deliberados).
Depois você testa em vinte mensagens reais, incluindo as difíceis, como "Não consigo entrar para ver minha fatura". É billing ou account? Suas definições devem responder. Se não responderem, o modelo vai escolher de forma inconsistente, e a solução é uma definição mais precisa, não um tom mais severo.
Que técnicas de prompting conhecer primeiro?
Uma lista curta e honesta, na ordem em que costumam importar:
- Seja específico sobre a tarefa e o formato de saída. Resolve a maioria dos problemas do dia a dia.
- Dê contexto. Público, objetivo, restrições, o que é "bom".
- Mostre exemplos quando o formato ou o estilo é difícil de descrever em palavras.
- Peça o raciocínio antes da resposta em problemas de várias etapas. Essa é a ideia do chain-of-thought, embora os modelos de raciocínio mais novos façam boa parte disso por conta própria.
- Ancore as respostas em fontes quando os fatos importam, usando recuperação. É disso que trata o tópico de grounding (RAG).
- Defina as ferramentas com clareza se o modelo pode executar ações.
Você vai notar que não há frases mágicas nessa lista. No começo, as pessoas trocavam encantamentos como "respire fundo" ou oferecer uma gorjeta ao modelo. Alguns tiveram efeitos mensuráveis em modelos antigos específicos, mas não se transferem de forma confiável e não substituem um prompt que diz o que você quer.
O que a engenharia de prompts não é
Não é um jeito de fazer um modelo saber o que ele não sabe. Se a resposta depende da política interna da sua empresa, nenhuma redação a produz, a menos que a política esteja no prompt ou seja recuperada para dentro dele.
Também não é um ato único. Os modelos são atualizados, as entradas mudam e um prompt que funcionou em um modelo pode se comportar de outro jeito em outro. Teste no modelo que você realmente usa e teste de novo quando ele mudar.
E não é só escrever. Boa parte do trabalho é ler as saídas com senso crítico: perceber onde o modelo seguiu a letra da instrução mas errou a intenção, e descobrir qual frase ausente causou isso.
Como melhorar nisso?
Escreva prompts para tarefas reais, leia as saídas de perto e mude uma coisa de cada vez. Leia os guias de prompts que OpenAI, Anthropic e Google publicam para os próprios modelos; são gratuitos, específicos e escritos por quem vê muitos casos de falha.
Também ajuda praticar as decisões isoladamente: qual destas quatro instruções corrige esta saída, onde exatamente este prompt falha. Esse tipo de treino é para o que o TokIQ, um app de quiz que nós criamos (no Google Play, em breve para iPhone), foi feito. Seja qual for a ferramenta, o hábito que importa é o mesmo: trate cada saída decepcionante como informação sobre o seu prompt. Para um caminho estruturado, veja como aprender engenharia de prompts ou comece pelo tópico de fundamentos.
Perguntas frequentes
O que é engenharia de prompts em termos simples?
Engenharia de prompts é escrever as instruções, o contexto e os exemplos que você dá a um modelo de IA para que ele produza o resultado de que você realmente precisa. Abrange tanto a redação de um único pedido quanto o desenho de prompts reutilizáveis dentro de apps.
A engenharia de prompts ainda é relevante agora que os modelos são mais inteligentes?
Sim. Modelos melhores perdoam mais a redação vaga, mas continuam sem adivinhar o contexto que você nunca deu, o seu padrão de qualidade ou o formato exato que o seu código espera. O trabalho passou dos truques para a especificação clara e o teste.
É preciso saber programar para fazer engenharia de prompts?
Não. A maior parte da habilidade é escrever com clareza e testar com cuidado. Programar ajuda quando você embute prompts em software, por exemplo para validar a saída em JSON ou rodar o mesmo prompt em muitas entradas de teste.
Quais são as principais partes de um prompt?
Um prompt útil costuma ter uma tarefa, o contexto de que o modelo precisa, restrições como tamanho ou tom, o formato de saída e, às vezes, exemplos. Nem todo prompt precisa de todas, mas contexto e formato ausentes são as causas mais comuns de resultados fracos.
- #engenharia de prompts
- #fundamentos
- #exemplos de prompt
- #LLM