Noções Básicas de Engenharia de Prompts: Um Glossário Prático

Engenharia de prompts é a prática de escrever texto de entrada que faz um modelo de linguagem produzir o resultado que você realmente quer. Fica em algum lugar entre escrever e fazer debug: você não está codificando no sentido tradicional, mas está testando hipóteses sobre como um modelo interpreta instruções e iterando quando erra.

O que um prompt realmente é

Um prompt é tudo o que você envia a um modelo antes dele gerar uma resposta — instruções, contexto, exemplos e a pergunta ou tarefa real. A maioria dos modelos de chat modernos divide isso em papéis: uma mensagem de sistema (define comportamento e restrições), mensagens do usuário (o pedido real) e às vezes mensagens do assistente (turnos anteriores ou exemplos). Se você estiver usando uma API como OpenAI ou Anthropic, você define essas explicitamente no código. Se estiver usando uma interface de chat, o prompt de sistema geralmente fica oculto ou é definido uma vez no início de uma conversa.

Por que a mesma pergunta gera respostas diferentes

Modelos de linguagem preveem o próximo token com base em tudo que veio antes, incluindo sua forma de falar, ordem das palavras e até pontuação. Pergunte "Explique recursão" e você terá uma resposta genérica de livro didático. Pergunte "Explique recursão para um desenvolvedor junior que entende loops mas não recursão, usando um único exemplo em Python com um caso base e um caso recursivo" e você terá algo muito mais útil. A especificidade da sua entrada molda diretamente a especificidade da saída. Esse é o insight central que iniciantes precisam: o modelo não está lendo sua mente, está fazendo correspondência de padrões com suas palavras.

Técnicas principais para aprender primeiro

Zero-shot prompting significa perguntar diretamente sem exemplos: "Escreva uma regex que corresponda a números de telefone dos EUA." Isso funciona bem para tarefas comuns e bem definidas.

Few-shot prompting significa dar ao modelo um ou mais exemplos do padrão entrada/saída que você quer antes de pedir que continue o padrão. Se você quer que um modelo classifique tickets de suporte em categorias, mostrar a ele três exemplos rotulados primeiro produzirá resultados mais consistentes do que descrever as categorias só em prosa.

Chain-of-thought prompting pede ao modelo que raciocine passo a passo antes de dar uma resposta final, frequentemente adicionando literalmente "pense passo a passo" ou pedindo que mostre seu trabalho. Isso ajuda com matemática, lógica e tarefas multi-etapas, embora aumente o uso de tokens e o comprimento da resposta.

Role prompting atribui ao modelo uma persona — "Você é um engenheiro de segurança sênior revisando este código para vulnerabilidades" — o que pode mudar tom, vocabulário e o tipo de detalhe que ele prioriza. Isso não concede ao modelo novas capacidades, mas ancora o estilo de sua saída.

Estrutura importa mais que criatividade

Iniciantes frequentemente assumem que engenharia de prompts é sobre encontrar uma frase mágica. Na prática, estrutura ganha de criatividade quase sempre. Divida seu prompt em partes claras: contexto, tarefa, restrições e formato. Por exemplo:

Contexto: Você está revisando um app Python Flask para uma auditoria de segurança.
Tarefa: Identifique riscos de SQL injection no código abaixo.
Restrições: Apenas sinalize problemas nas rotas /login e /search.
Formato: Retorne uma lista numerada com o número da linha e uma explicação de uma sentença.

Este tipo de formatação explícita reduz ambiguidade e torna as saídas mais fáceis de processar programaticamente se você estiver encadeando prompts juntos em um script.

Erros comuns no começo

Um erro frequente é vagueza disfarçada de brevidade — pedir "melhore isso" sem definir o que "melhor" significa (mais rápido? mais legível? mais seguro?). Outro é colocar cinco tarefas não relacionadas em um único prompt, o que tende a produzir respostas rasas para as cinco em vez de uma resposta sólida para uma. Iniciantes também esquecem que modelos não têm memória entre chamadas de API separadas a menos que você explicitamente repasse o histórico de conversa anterior, o que confunde as pessoas ao construir qualquer coisa com estado.

Testando e iterando como um engenheiro

Trate prompts como código que você versiona e testa, não texto descartável que você joga fora. Mantenha um registro de variações de prompts e suas saídas, especialmente para qualquer coisa que você reutilizará em produção, como um bot de suporte ao cliente ou um assistente de revisão de código. Pequenas mudanças na redação — "resuma" vs "resuma em exatamente três bullet points" — podem produzir resultados significativamente diferentes, e a única forma de saber o que funciona para seu caso é executar a comparação você mesmo em vez de assumir.

Onde isso se encaixa em construir coisas reais

Uma vez que prompts ficam confiáveis, o próximo passo geralmente é uso programático: chamar uma API com configurações de temperature e max_tokens ajustadas para sua tarefa, adicionar lógica de retry para saídas malformadas e validar respostas antes delas chegarem a um usuário. É aí que engenharia de prompts começa a se sobrepor com disciplina regular de engenharia de software, e é um bom ponto para sair de experimentar em uma janela de chat para escrever scripts reais.

Se você quer ir além, confira os segmentos do Korra Studio sobre trabalhar com APIs de LLM em Python e sobre construir pequenas ferramentas alimentadas por IA do zero.