Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar

Engenharia de Prompt

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Engenharia de prompt é a prática de escrever instruções para um modelo de linguagem definindo papel, formato de saída, nível de detalhe e exemplos, de modo a obter respostas alinhadas ao que se precisa.

O fundamento é estatístico. O modelo devolve o padrão mais frequente entre os dados com que foi treinado, e um pedido vago ativa a associação mais comum, não a mais útil. Cada elemento acrescentado ao prompt reduz o espaço de respostas possíveis e empurra o modelo para a região do treinamento que interessa. Prompts de agentes, que ficam fixos no sistema e valem para muitas execuções, seguem a mesma lógica com exigências próprias e são tratados em Especialização de Prompts para Agentes.

Persona, formato e especificidade

Um prompt bem montado responde a três perguntas: quem o modelo deve ser, como deve responder e o que aceita ou recusa como entrada. Pedir que a IA assuma um papel antes da pergunta real — um profissional de testes analisando uma tela, um engenheiro de software de determinada linguagem — direciona a resposta para o vocabulário e os exemplos daquele domínio.

O limite da persona aparece rápido. Pedir apenas "código de Fibonacci" pode trazer história, matemática e explicação, porque o termo sozinho ativa associações demais. Acrescentar "como engenheiro de software Java sênior" desloca a resposta para código, mas não garante profundidade: a persona indica a área de conhecimento, não o nível da explicação, e o modelo pode continuar respondendo de forma didática. O mesmo vale para a implementação: sem dizer qual se quer, é provável receber a versão recursiva, mais simples e mais lenta, no lugar de uma solução otimizada. E pedir "um teste unitário" costuma render exatamente um caso, enquanto pedir pelo menos três cenários aumenta a chance de cobertura — sem garantir que os testes sejam bem construídos.

Dividir a tarefa em passos

Para tarefas grandes, instruir o modelo a executar por etapas, avançando apenas quando autorizado, muda o resultado. Numa migração de código entre linguagens, pedir tudo de uma vez devolve um bloco pronto que ninguém entende nem consegue manter; pedir passo a passo, mantendo o contexto de cada etapa durante as perguntas de acompanhamento, permite entregar rápido e aprender a linguagem de destino no caminho.

Instruções que modelos locais seguem melhor

Modelos menores, rodados localmente, processam mal a negação: instruções do tipo "não escreva código" costumam produzir exatamente código. A recomendação prática é escrever na afirmativa, dizendo o que se quer em vez do que não se quer. Encerrar com ponto final a instrução mais importante, ou escrevê-la em caixa alta, também ajuda o modelo a dar peso àquele trecho. Ainda assim, instruções simples como responder sempre em determinado idioma são ignoradas de vez em quando.

Não existe técnica universalmente melhor

Catálogos de pesquisa já reúnem dezenas de técnicas de prompt, e experimentos que cruzam algumas delas com tarefas de engenharia de software mostram que nenhuma é bala de prata: a eficácia varia por tarefa e há combinações em que a técnica piora o desempenho. Características linguísticas do prompt, como riqueza de vocabulário e quantidade de tokens, entram na conta junto com o custo de cada abordagem.

Prompt se aprende praticando

A habilidade se desenvolve por repetição, como andar de bicicleta. A distância entre um prompt de três linhas e um de uma página inteira de especificidade aparece no resultado, e o caminho entre os dois é escrever, avaliar a saída e ajustar. Padrões recorrentes de má construção são estudados como Prompt Smells.