Engenharia de prompts: técnicas com aplicações reais

Você já deve ter feito uma pergunta a um assistente de IA, recebido uma resposta genérica e pensado: “não era isso”. Na maior parte das vezes, o problema não está no modelo. Está no pedido.

Engenharia de prompts é o trabalho de escrever, organizar e testar as instruções que você envia a um modelo de linguagem para que ele produza o resultado que você precisa. O prompt é o texto de entrada: a pergunta, as instruções, os exemplos e os dados que acompanham o pedido.

Este texto reúne as técnicas que aparecem de forma consistente nos guias oficiais de três empresas que desenvolvem modelos (Anthropic, OpenAI e Google) e em pesquisas acadêmicas conhecidas. Os exemplos de prompt foram escritos pela redação para ilustrar cada técnica. Se você quiser entender antes o que é um modelo de linguagem, comece por o que são LLMs.

Antes do prompt: defina o que é uma boa resposta

O guia de engenharia de prompts da Anthropic parte de uma premissa simples. Antes de melhorar um prompt, você precisa de três coisas: critérios claros de sucesso, um jeito de testar contra esses critérios e um primeiro rascunho. A visão geral da Anthropic também lembra que nem todo problema se resolve com prompt. Latência e custo, por exemplo, às vezes melhoram mais trocando de modelo.

A documentação da OpenAI vai na mesma linha para quem usa modelos em produção: fixar a versão do modelo usado e manter testes (as chamadas evals, ou avaliações) para medir o comportamento do prompt quando você o altera ou troca de modelo.

Na prática, isso significa escrever, antes de tudo, frases como “a resposta deve caber em cinco linhas”, “deve citar o número do artigo do contrato” ou “não pode inventar prazos”. Sem isso, você não sabe se uma mudança no prompt melhorou ou piorou o resultado. O tema é aprofundado em como avaliar respostas de IA.

Instruções claras e com contexto

A técnica mais básica é também a mais citada: diga exatamente o que você quer. O guia da Anthropic sugere pensar no modelo como um funcionário novo e muito capaz, mas que não conhece suas normas nem seu fluxo de trabalho. A regra de ouro proposta lá é mostrar o prompt a um colega sem contexto da tarefa: se ele ficaria confuso, o modelo também ficará (Anthropic, boas práticas).

O mesmo guia recomenda explicar o motivo de cada instrução. Dizer por que algo importa ajuda o modelo a entender o objetivo e a acertar nos casos que você não previu.

O guia de prompts do Gemini, do Google (atualizado em 17/09/2026), acrescenta dois elementos: restrições (o que o modelo deve ou não fazer, como um limite de tamanho) e formato de resposta (tabela, lista, parágrafo).

Veja a diferença na prática.

Exemplo de prompt vago (criado pela redação):

Resuma este e-mail.

Exemplo de prompt claro (criado pela redação):

Você vai ler um e-mail de um cliente. Resuma em no máximo três frases,
para que a equipe de suporte entenda o problema sem abrir o e-mail original.
Diga: qual é o problema, o que o cliente já tentou e o que ele está pedindo.
Se alguma dessas informações não estiver no e-mail, escreva "não informado".

O segundo prompt define público, objetivo, tamanho, estrutura e o que fazer quando falta informação. Esta última instrução é importante: ela dá ao modelo uma saída honesta em vez de incentivá-lo a preencher lacunas, um dos caminhos para as alucinações de IA.

Exemplos: zero-shot e few-shot

Um prompt sem exemplos é chamado de zero-shot. Um prompt com alguns exemplos de entrada e saída esperada é chamado de few-shot (ou multishot).

A ideia ganhou força com o artigo que apresentou o GPT-3, em 2020. Os autores mostraram que o modelo podia executar tarefas novas apenas com demonstrações escritas no próprio texto do pedido, sem atualizar os pesos do modelo (Brown et al., 2020).

Hoje os três guias oficiais recomendam exemplos:

• A Anthropic afirma que exemplos estão entre as formas mais confiáveis de controlar formato, tom e estrutura, e sugere de três a cinco exemplos, relevantes e variados (Anthropic).
• A OpenAI orienta mostrar “uma gama diversa de entradas possíveis” com as saídas desejadas (OpenAI).
• O Google recomenda incluir exemplos sempre, mas alerta que exemplos demais podem fazer o modelo copiar o padrão de forma excessiva, e que todos devem ter a mesma estrutura (Google).

Exemplo de prompt few-shot para classificar mensagens (criado pela redação):

Classifique cada mensagem de cliente em: COBRANÇA, ENTREGA ou OUTRO.
Responda apenas com a categoria.

Mensagem: "Fui cobrado duas vezes no cartão."
Categoria: COBRANÇA

Mensagem: "O pedido diz entregue, mas não recebi nada."
Categoria: ENTREGA

Mensagem: "Vocês têm loja física em Recife?"
Categoria: OUTRO

Mensagem: "{mensagem do cliente}"
Categoria:

Repare que os exemplos cobrem as três categorias. Se todos fossem de cobrança, o modelo poderia aprender um viés que você não pretendia ensinar.

Estrutura: separe instrução, dados e formato

Quando o prompt mistura instruções, documentos e exemplos, o modelo pode confundir o que é ordem e o que é material de trabalho. A solução recomendada é marcar cada parte.

A Anthropic sugere etiquetas no estilo XML, como <instrucoes> e <documento>, para reduzir interpretações erradas. A OpenAI sugere títulos em Markdown e etiquetas XML para delimitar onde começa e termina o conteúdo de referência, e propõe uma ordem: identidade, instruções, exemplos e contexto. O Google também recomenda delimitadores consistentes.

Exemplo de prompt estruturado (criado pela redação):

<instrucoes>
Responda à pergunta usando apenas o regulamento abaixo.
Cite o número do item que sustenta a resposta.
Se o regulamento não tratar do assunto, diga isso.
</instrucoes>

<regulamento>
{texto do regulamento do condomínio}
</regulamento>

<pergunta>
Posso fazer obra no apartamento no sábado à tarde?
</pergunta>

Para textos longos, a Anthropic recomenda colocar os documentos no início e a pergunta no fim. Segundo a empresa, em testes internos, perguntas posicionadas no final melhoraram a qualidade das respostas em até 30% em entradas complexas com vários documentos. É um dado da própria fabricante, não um estudo independente. O motivo por que a posição importa é explicado em contexto, memória e recuperação de informações em IA.

Raciocínio passo a passo

Em 2022, Jason Wei e coautores descreveram a técnica de cadeia de pensamento (chain-of-thought): incluir no prompt exemplos que mostram etapas intermediárias de raciocínio, não só a resposta final. Segundo o artigo, isso melhorou o desempenho em problemas de aritmética, senso comum e raciocínio simbólico, mas o efeito apareceu em modelos suficientemente grandes (Wei et al., 2022).

Poucos meses depois, outro grupo mostrou que bastava acrescentar a frase “Let’s think step by step” (vamos pensar passo a passo) para obter ganhos sem exemplos. Com um dos modelos testados, a acurácia em um conjunto de problemas de matemática (MultiArith) passou de 17,7% para 78,7% (Kojima et al., 2022).

Há uma ressalva importante para 2026. Muitos modelos atuais têm um modo de raciocínio próprio, ativado por parâmetro. A documentação da Anthropic (consultada em 08/10/2026) recomenda usar esse modo nos modelos mais recentes da empresa, em vez de pedir que o modelo escreva o raciocínio no texto, e trata o pedido manual de “pense passo a passo” como alternativa quando o modo de raciocínio está desligado. A OpenAI observa que seus modelos de raciocínio costumam funcionar bem com objetivos de alto nível, enquanto os demais pedem instruções mais explícitas.

Na avaliação da redação, a lição durável não é a frase mágica, e sim o princípio: tarefas com várias etapas ficam mais confiáveis quando o modelo tem espaço para resolvê-las por partes.

Dividir a tarefa em etapas

Quando uma tarefa é grande, vale quebrá-la em vários prompts, um por etapa. O guia do Google chama isso de dividir o prompt; a Anthropic chama de encadeamento de prompts (prompt chaining).

O padrão mais comum descrito pela Anthropic é a autocorreção: gerar um rascunho, pedir ao modelo que revise o rascunho contra critérios definidos e depois pedir a versão final. Cada etapa é uma chamada separada, o que permite registrar e verificar o resultado intermediário.

Exemplo de cadeia em três etapas (criado pela redação):

1. “Liste os cinco pontos principais deste relatório trimestral, cada um com o número da página.”
2. “Confira cada ponto da lista contra o relatório. Marque os que não estão sustentados pelo texto.”
3. “Com os pontos confirmados, escreva um resumo de um parágrafo para a diretoria.”

Esse mesmo raciocínio, levado mais longe, está na base dos agentes de IA, que planejam etapas e usam ferramentas.

Papel e tom

Definir um papel (“você é um revisor jurídico”, “você é um professor de ensino médio”) é outra técnica comum. A Anthropic recomenda fazer isso no prompt de sistema, a instrução de fundo que a aplicação envia antes da conversa, e diz que até uma frase já faz diferença. A OpenAI separa as instruções do desenvolvedor, que têm prioridade, das mensagens do usuário.

O papel ajusta vocabulário e foco. Ele não dá ao modelo conhecimento que ele não tem. Pedir que a IA “seja um médico” não torna a resposta um diagnóstico.

Aplicações reais: três cenários

Os cenários abaixo combinam as técnicas anteriores. São ilustrativos, montados pela redação.

Atendimento. Uma loja quer respostas padronizadas para dúvidas de troca. O prompt de sistema define o papel e o tom, a política de trocas vai entre etiquetas, três exemplos mostram o formato da resposta e uma instrução manda encaminhar para um humano quando o caso não estiver coberto.

Análise de documentos. Um escritório quer extrair datas e valores de contratos. O contrato vem primeiro, a instrução no fim, e o formato de saída é uma tabela com uma coluna para o trecho exato que justifica cada valor. Pedir o trecho facilita a conferência humana.

Produção de texto. Uma equipe de marketing quer adaptar um texto técnico para redes sociais. Uma cadeia de três etapas extrai os fatos, gera versões curtas e, por fim, compara cada versão com os fatos extraídos para descartar exageros.

Em todos os casos, alguém precisa conferir uma amostra das respostas antes de colocar o processo em uso.

Limites e riscos

Engenharia de prompts melhora a forma de pedir. Ela não muda o que o modelo sabe. Se a informação não estava nos dados de treinamento ou está desatualizada, a solução é fornecer o conteúdo no próprio pedido ou usar recuperação de documentos, como explica o texto sobre RAG. Cada palavra a mais também consome tokens, o que tem custo.

O risco mais sério é a injeção de prompt: quando um texto que entra no pedido (um e-mail, uma página da web, um documento) contém instruções escondidas que o modelo acaba seguindo. Um estudo de 2023 mostrou ataques desse tipo, chamados de injeção indireta, contra aplicações reais, e argumentou que esses sistemas apagam a fronteira entre dados e instruções. Os autores também afirmaram que, na época, faltavam defesas eficazes (Greshake et al., 2023).

Separar instruções e dados com etiquetas ajuda a organizar o pedido, mas não é uma barreira de segurança. Se a aplicação pode enviar e-mails, fazer pagamentos ou apagar arquivos, as permissões precisam ser limitadas fora do prompt, com confirmação humana nas ações sensíveis.

O que levar deste texto

• Comece pelo critério de sucesso: sem saber o que é uma resposta boa, você não consegue medir se o prompt melhorou.
• As técnicas com mais respaldo nos guias oficiais são instruções claras com contexto, exemplos variados, estrutura que separa instrução de dados e divisão de tarefas grandes em etapas.
• O raciocínio passo a passo tem base em pesquisa, mas nos modelos atuais costuma ser melhor usar o modo de raciocínio nativo, quando existe.
• Prompt não substitui dados atualizados, testes nem controles de segurança. Trate texto vindo de fora como dado, nunca como ordem.