O que é prompt engineering? Guia prático

A OpenAI descreve prompt engineering como escrever instruções eficazes para que um modelo gere, de forma consistente, conteúdo que cumpre os seus requisitos. A Google descreve prompt design como criar pedidos em linguagem natural que produzem respostas corretas e de alta qualidade. A Anthropic trata prompting como uma prática iterativa: definir critérios de sucesso, testar contra esses critérios e melhorar um prompt de rascunho.

No trabalho do dia a dia, isto significa moldar:

• a tarefa que o modelo deve executar
• o contexto de que precisa para fazer bem o trabalho
• as condições que mantêm a resposta utilizável
• o formato de output esperado
• exemplos opcionais quando as palavras sozinhas deixam margem para dúvida
• um passo de verificação quando a precisão é importante

Provavelmente já faz uma versão leve disto sempre que reformula um pedido ao ChatGPT depois de uma primeira resposta fraca. Prompt engineering formal apenas torna esse ciclo deliberado e reutilizável.

Prompts mais longos não são automaticamente melhores. O detalhe extra só ajuda quando serve a tarefa. Contexto irrelevante, regras contraditórias e pedidos empilhados tendem a tornar os resultados menos fiáveis.

Modelos generativos não são determinísticos. O mesmo prompt pode produzir respostas diferentes em execuções diferentes, e pequenas alterações de linguagem podem mudar o tom, a estrutura ou a precisão. Um prompt claro reduz a adivinhação. Um prompt vago obriga o modelo a inventar público, formato, extensão e prioridades.

Um bom prompt costuma melhorar:

• a relevância para o seu objetivo real
• a consistência do formato e da extensão
• a utilidade para um público definido
• a probabilidade de as condições serem respeitadas

Não elimina os limites do modelo. A Anthropic observa que nem todas as falhas se corrigem com mais palavras no prompt; escolha do modelo, ferramentas, retrieval e avaliação podem importar mais. A qualidade do prompt é uma alavanca entre várias.

A maior parte dos bons prompts partilha alguns blocos de construção:

• Tarefa: uma ação clara, como resumir, reescrever, classificar, redigir, criticar ou extrair.
• Contexto: o briefing, texto de origem, factos do produto, público ou situação que o modelo deve usar.
• Condições: extensão, tom, exclusões, nível de leitura, regras de marca ou “usa apenas o texto fornecido”.
• Output: tópicos, tabela, corpo de email, campos JSON, beats de guião ou descrição de cena.
• Exemplos: uma a três amostras do padrão desejado quando o requisito é difícil de descrever.
• Verificação: peça ao modelo para rever pressupostos, assinalar informação em falta ou comparar o rascunho com a sua checklist antes de finalizar.

Separe instruções de material de referência. Coloque o artigo, transcrição ou notas de origem num bloco claramente marcado, para o modelo não tratar os seus dados como parte das instruções. A documentação de prompting da Anthropic recomenda esta separação estruturada, por exemplo com tags ao estilo XML, por esse motivo.

Este guia usa um método simples chamado TCCOEV. É uma checklist prática, não uma norma da indústria nem uma lei científica. Use as partes de que precisa; salte secções vazias.

Tarefa:
[O que a IA deve fazer]

Contexto:
[Background relevante ou material de origem]

Condições:
[Regras, limites, exclusões, tom, público]

Output:
[Formato, extensão, estrutura]

Exemplos:
[Exemplos opcionais do resultado desejado]

Verificação:
[O que a IA deve rever antes de finalizar]

Exemplo preenchido:

Tarefa:
Reescreve esta atualização de produto para clientes.

Contexto:
<notas>
Lançámos relatórios semanais de utilização para planos Team.
Os relatórios exportam para CSV. Não há alteração de preço.
</notas>

Condições:
Tom simpático, concreto, sem jargão. Não inventes funcionalidades. Até 120 palavras.

Output:
Assunto + corpo curto de email com uma CTA.

Exemplos:
Assunto: O teu relatório semanal de utilização está pronto
Corpo: Mantém o mesmo tom calmo e direto.

Verificação:
Lista qualquer afirmação que não esteja suportada pelas notas, depois dá o email final.

Para padrões de prompt mais práticos e exemplos antes/depois, veja Como escrever melhores prompts de IA.

Fraco: “Escreve um post de LinkedIn sobre IA.”

Melhorado: “Escreve um post de LinkedIn para marketers freelancers. Ângulo: como briefings mais claros reduzem rondas de revisão com ferramentas de IA. 120 a 150 palavras. Começa com uma cena concreta, termina com uma pergunta. Sem hashtags. Sem palavras de hype.”

Fraco: “Resume isto.”

Melhorado: “Resume o artigo abaixo para um fundador ocupado em cinco tópicos. Cada tópico com menos de 20 palavras. Separa factos de opiniões do autor. Se algum ponto não estiver claro na fonte, diz isso.”

Fraco: “Faz uma imagem de uma cafetaria.”

Melhorado: “Plano geral fotorrealista de uma pequena cafetaria de bairro na hora de ponta da manhã, luz quente de janela, dois baristas atrás de um balcão de madeira, quadro de menu escrito à mão com as palavras ‘House Blend’, pouca profundidade de campo, sem marca de água.”

As versões melhoradas definem o trabalho, o público, os limites e o entregável. Isto é prompt engineering na prática.

Para modelos de chat e escrita, clareza vale mais do que esperteza. OpenAI, Anthropic e Google sublinham instruções específicas, contexto relevante e exemplos quando o formato importa.

Padrões úteis:

• Indique o público e o objetivo nas primeiras linhas.
• Dê o material de origem num bloco com rótulo e diga ao modelo para se limitar a ele.
• Peça uma estrutura nomeada: esboço, tabela, email, checklist ou campos JSON.
• Inclua um exemplo curto quando estilo ou rotulagem forem ambíguos.
• Peça ao modelo para declarar pressupostos, assinalar incerteza ou verificar o rascunho contra as suas condições.

Sobre “mostra o teu raciocínio”: alguns sistemas modernos fazem deliberação interna antes de responder. A orientação da OpenAI para modelos de raciocínio diz que estes modelos costumam funcionar melhor com prompts simples e diretos, e que pedir para “pensar passo a passo” ou “explicar o raciocínio” é geralmente desnecessário e pode prejudicar o desempenho. A documentação do Azure OpenAI da Microsoft também nota que os tokens de raciocínio são internos e que tentar extrair raciocínio bruto privado não é suportado.

Alternativas mais seguras quando precisa de transparência:

• peça uma explicação concisa da recomendação
• peça pressupostos e questões em aberto
• peça uma checklist das verificações feitas
• peça um plano curto quando o plano em si for o entregável
• peça cálculos intermédios quando esses números fazem parte da resposta
• peça fontes ou evidência a partir do material fornecido
• peça ao modelo para criticar ou verificar o próprio rascunho antes de finalizar

Não trate uma longa autoexplicação como prova de que a resposta está certa. Verifique por si os factos importantes.

Prompts de imagem descrevem a cena que o modelo deve renderizar. A orientação da Google para prompting de imagem costuma organizar o detalhe em torno de sujeito, ação, ambiente, estilo, iluminação e câmara. A documentação de imagem da OpenAI também enfatiza instruções descritivas para geração e edição.

Coloque primeiro os factos visuais mais importantes:

• quem ou o que aparece no enquadramento
• o que está a acontecer
• onde a cena se passa
• estilo (fotografia, ilustração, 3D, poster)
• iluminação e ambiente emocional
• composição ou notas de câmara
• texto que tem de aparecer na imagem, escrito exatamente
• o que evitar (artefactos em dedos, marcas de água, logos indesejados)

Prompting de imagem é iterativo. Altere uma variável de cada vez: iluminação, recorte ou fundo. Para fluxos de imagem mais completos, veja o Guia de prompts para imagem IA.

Prompts de vídeo precisam de uma linha temporal, não apenas de uma cena parada. Descreva o sujeito, a ação, o movimento de câmara, o cenário e, quando o produto suportar, diálogo ou som ambiente. Prefira uma ação contínua a uma montagem de momentos sem relação.

A documentação atual de vídeo da Gemini API da Google recomenda começar com Gemini Omni Flash para a maior parte da geração e edição conversacional, e usar Veo quando precisa de capacidades como extensão de cena, controlo do último frame ou fluxos legados específicos. Os produtos mudam de padrão com frequência, por isso confirme a documentação do fornecedor da ferramenta que usa.

Dicas práticas:

• indique expectativas de duração apenas quando o produto as aceitar
• especifique movimento de câmara (aproximação lenta, handheld follow, plano geral fixo)
• mantenha a aparência da personagem consistente entre turnos quando edita em conversa
• evite empacotar cinco reviravoltas de enredo num clipe curto

Para escolher modelos e ver exemplos mais completos, veja o Guia de prompts para vídeo IA.

• Objetivos vagos: “Torna isto melhor” sem dizer melhor para quem ou por que critério.
• Prompt stuffing: acrescentar contexto longo e irrelevante porque “mais detalhe ajuda sempre”.
• Instruções contraditórias: “Sê breve” e “cobre todos os ângulos em profundidade” no mesmo prompt.
• Formato de output em falta: pedir análise sem dizer se quer tópicos, memorando ou tabela.
• Instruções misturadas no texto de origem: o modelo pode seguir a parte errada do prompt.
• Um prompt para cinco trabalhos: pesquisar, escrever, desenhar e criticar de uma vez; divida o trabalho.
• Perseguir raciocínio interno privado: exigir pensamentos ocultos em vez de verificações claras que possa rever.
• Saltar a verificação: publicar afirmações factuais, legais, médicas ou financeiras sem revisão humana.

Trate o primeiro prompt como um rascunho. A orientação de prompt design da Google é explícita: itere com base nas respostas observadas. A Anthropic recomenda definir critérios de sucesso e testar contra eles antes de polir a linguagem.

1. Execute o prompt com uma entrada realista.
2. Nomeie a maior falha: público errado, condição em falta, formato mau, factos inventados ou estrutura fraca.
3. Altere uma coisa que ataque essa falha.
4. Volte a testar na mesma entrada e num novo caso-limite.
5. Guarde a versão que funciona, com uma nota sobre o modelo e a tarefa.

Se pequenas alterações de texto mudarem demasiado o resultado, adicione estrutura: rótulos, exemplos e um contrato de output mais estrito. Se o modelo continuar sem conseguir fazer o trabalho, o limite pode estar no modelo, nas ferramentas em falta ou nos dados de origem, não apenas no prompt.

• precisão perfeita ou factos atualizados
• resultados idênticos entre modelos ou execuções
• zero alucinações
• acesso a pensamentos internos privados do modelo
• um template universal que vence em qualquer tarefa
• resultados seguros para decisões de alto risco sem revisão especializada

Use prompts para melhorar a utilidade. Verifique afirmações importantes. Em trabalho médico, legal, financeiro ou crítico para segurança, trate a saída de IA como rascunho para revisão humana qualificada.

Prompt engineering ainda é útil agora que os modelos são mais fortes?
Sim. Modelos mais fortes ainda precisam de uma tarefa clara, contexto e forma de output. Modelos melhores costumam seguir instruções de forma mais literal, o que torna prompts precisos mais valiosos, não menos.

Preciso de prompts diferentes para cada produto de IA?
Os hábitos principais transferem-se: clareza, contexto, condições e exemplos. Sintaxe, valores por defeito e controlos de modalidade variam por produto, por isso mantenha uma nota curta do que funciona em cada ferramenta.

Devo incluir sempre exemplos?
Não. Comece simples. Acrescente exemplos quando formato, rótulos ou casos-limite forem ambíguos. A orientação da OpenAI para raciocínio também nota que alguns modelos de raciocínio costumam funcionar bem em zero-shot antes de adicionar exemplos.

“Age como especialista” chega?
Um papel pode definir o tom, mas não substitui a tarefa, as condições e o formato de output. Briefings específicos vencem títulos vagos de prestígio.

Um prompt consegue forçar o modelo a revelar raciocínio interno privado?
Não conte com isso. Prefira explicações concisas, pressupostos, checklists e passos de verificação que possa inspecionar. Raciocínio oculto não é uma prova de correção para o utilizador.

Prompt engineering é desenho claro de tarefa mais iteração. Diga o que fazer, dê o contexto que importa, defina condições, especifique o output, acrescente exemplos quando necessário e peça verificações que possa rever. Adapte os mesmos hábitos a texto, imagem e vídeo. Mantenha os prompts tão simples quanto a tarefa permitir e verifique tudo o que for importante antes de usar.

Próximo passo: pratique com a ferramenta gratuita de prompts de texto, ou aprofunde em Como escrever melhores prompts de IA.