Como pedir à inteligência artificial exatamente o que você quer

O que é engenharia de prompt, em termos simples?

Engenharia de prompt é a prática de redigir as instruções que você dá a um assistente de inteligência artificial, como ChatGPT, Claude ou Gemini, de modo que ele entenda a tarefa, o contexto e o formato esperado. O prompt é o texto do pedido; a engenharia é escrever, testar e corrigir esse texto.

O nome assusta mais do que deveria. Quem já escreveu um bom briefing para um fornecedor ou uma boa descrição de tarefa para um estagiário já fez boa parte do trabalho. A diferença é que o assistente não pergunta de volta com a mesma naturalidade de uma pessoa: na dúvida, ele preenche as lacunas com a resposta mais provável, que costuma ser também a mais genérica.

A Anthropic, que desenvolve o Claude, resume a ideia com uma imagem útil: trate o modelo como um funcionário brilhante, mas recém-chegado, que ainda não conhece as normas e os processos da sua empresa (guia de boas práticas da Anthropic). Quanto mais precisa a explicação, melhor o resultado.

Por que a mesma pergunta gera respostas tão diferentes na IA?

A mesma pergunta gera respostas diferentes porque o assistente de IA não sabe o que ficou implícito na sua cabeça: quem vai ler, para que serve, qual o tamanho certo, o que já foi tentado. Sem essas informações, o modelo escolhe sozinho, e cada escolha muda o resultado, inclusive entre duas tentativas seguidas.

Pense no pedido "escreva um e-mail para um cliente atrasado". Ele não diz se o atraso é de uma semana ou de seis meses, se o cliente é antigo ou novo, se o tom deve ser cordial ou firme, nem se há multa prevista em contrato. O modelo vai inventar um cenário médio. O texto sai correto e inútil.

Agora compare com um pedido que diz quem é o cliente, há quanto tempo atrasou, o que já foi combinado e o que você quer que ele faça depois de ler. A segunda versão não usa nenhuma palavra mágica. Ela só tira do modelo a obrigação de adivinhar.

Como escrever um prompt claro, na prática?

Um prompt claro diz quatro coisas ao assistente de IA: qual é a tarefa, por que ela existe, em que formato a resposta deve vir e quais limites respeitar. Antes de enviar, vale um teste simples: se um colega sem contexto lesse o mesmo texto, conseguiria fazer o trabalho sem perguntar nada?

Esse teste do colega é a regra de ouro do guia da Anthropic: se a pessoa ficaria confusa, o modelo também ficará. Na prática, os quatro elementos aparecem assim:

1. Tarefa. O verbo e o objeto: resumir, classificar, reescrever, comparar. Um pedido por vez quando possível.
2. Motivo. Para quem é e por quê. O mesmo guia mostra que explicar a razão de uma regra funciona melhor que a regra solta: em vez de proibir reticências, dizer que o texto será lido por um sintetizador de voz, que não sabe pronunciá-las. O modelo generaliza a partir da explicação.
3. Formato. Tamanho, estrutura, tom. "Três parágrafos curtos, sem listas" é instrução; "um texto bom" não é.
4. Limites. O que não pode entrar, o que fazer quando faltar informação, que fontes usar.

Uma dica do mesmo material que contraria o instinto: diga o que fazer, e não só o que evitar. "Responda em parágrafos corridos" funciona melhor do que "não use tópicos", porque a segunda instrução descreve o que você não quer, mas deixa em aberto o que você quer.

Quando a ordem dos passos importa, escreva os passos numerados. Quando o pedido mistura instrução, material de apoio e exemplos, separe cada parte com um rótulo claro. A Anthropic recomenda marcadores no estilo <instrucoes> e <contexto> para isso, justamente para o modelo não confundir o material de apoio com a ordem a cumprir.

Quantos exemplos colocar no prompt, e como escolhê-los?

Exemplos são a forma mais confiável de mostrar ao assistente de IA o formato, o tom e o nível de detalhe esperados, e os guias oficiais recomendam de três a cinco, variados entre si e parecidos com o caso real. A técnica se chama few-shot, algo como "poucos exemplos", e substitui páginas de explicação abstrata.

As três empresas convergem aqui, com nuances. A Anthropic indica de 3 a 5 exemplos, relevantes e diversos o bastante para o modelo não copiar um padrão acidental. O Google vai além e recomenda incluir exemplos sempre, mas alerta que exemplos demais fazem o modelo se prender a eles (estratégias de prompt do Gemini). A OpenAI pede que os exemplos cubram uma gama variada de entradas, cada uma com a saída desejada (guia de prompt da OpenAI).

O cuidado está na palavra "variados". Se os três exemplos de resposta a cliente começam com "Olá, tudo bem?", o modelo vai concluir que toda resposta começa assim, mesmo quando o cliente está furioso. Exemplos ensinam tudo o que têm em comum, inclusive o que você não queria ensinar.

Daqui para baixo o texto entra em técnicas que importam mais para quem monta prompts para uso repetido, dentro de sistemas e automações.

Onde colocar documentos longos e a pergunta dentro do prompt?

Em prompts com documentos longos, a recomendação dos guias oficiais é colocar o material primeiro e a pergunta ou instrução no final. Segundo a Anthropic, deixar a pergunta no fim melhorou a qualidade das respostas em até 30% nos testes, sobretudo com vários documentos complexos ao mesmo tempo.

O número está na seção sobre contexto longo do guia da Anthropic, que define "longo" como entradas a partir de cerca de 20 mil tokens (token é o pedaço de texto que o modelo processa, algo entre uma sílaba e uma palavra). O Google dá a mesma orientação para o Gemini: contexto antes, instrução específica no fim (estratégias de prompt do Gemini).

Quando há mais de um documento, rotule cada um com nome e origem. Isso permite pedir ao modelo que cite de qual documento tirou cada afirmação, o que facilita conferir a resposta depois.

Ainda vale pedir para a IA "pensar passo a passo"?

Pedir para a IA pensar passo a passo ajudou muito nos modelos de alguns anos atrás, mas os assistentes atuais já raciocinam internamente antes de responder. Hoje a instrução explícita é um recurso de reserva, útil quando o raciocínio interno está desligado, e pode até ser recusada em alguns modelos.

O Google diz que, nos modelos Gemini que já produzem raciocínio interno, em geral não é necessário pedir que a resposta detalhe o planejamento (estratégias de prompt do Gemini). A Anthropic trata o pedido manual como alternativa para quando o modo de raciocínio está desligado e avisa que, nos modelos mais recentes do Claude, um prompt que exige o raciocínio escrito na resposta pode ser recusado (guia da Anthropic).

É um bom exemplo de como as técnicas envelhecem. Outro: o pré-preenchimento, em que o desenvolvedor escrevia o começo da resposta para forçar um formato, deixou de ser aceito a partir da geração 4.6 do Claude, e a requisição passou a retornar erro. A documentação da Anthropic manda usar saídas estruturadas no lugar. Receita de prompt copiada de um tutorial antigo pode estar fazendo exatamente o que o fornecedor desaconselha hoje.

Dividir uma tarefa grande em vários prompts funciona melhor?

Dividir uma tarefa grande em vários prompts encadeados funciona melhor quando você precisa conferir os resultados intermediários ou garantir uma sequência fixa de etapas. Cada etapa recebe uma instrução curta e a saída da anterior, e um erro aparece no ponto em que nasceu, em vez de contaminar o resultado final.

O Google recomenda criar um prompt por instrução, em vez de acumular muitas instruções num só, e encadear as etapas em sequência (estratégias de prompt do Gemini). A Anthropic descreve o encadeamento mais comum como autocorreção: um prompt gera o rascunho, outro revisa contra critérios definidos, um terceiro refaz com base na revisão. A empresa também observa que os modelos atuais resolvem boa parte do raciocínio em várias etapas sozinhos, então a divisão vale quando há motivo para inspecionar o meio do caminho.

Na VT Sávio, as automações com IA seguem esse desenho: cada etapa tem uma função estreita e uma saída que pode ser conferida antes da próxima. Quando algo dá errado, a investigação começa num ponto determinado do fluxo, e não num prompt de duas páginas.

Engenharia de prompt virou engenharia de contexto?

Engenharia de prompt não acabou, mas virou parte de algo maior, que a Anthropic chama de engenharia de contexto: escolher tudo o que entra na memória de trabalho do modelo, não só as instruções, mas também documentos, histórico da conversa, resultados de ferramentas e dados consultados durante a tarefa.

A Anthropic descreve a engenharia de contexto como a evolução natural da engenharia de prompt num artigo de 29/09/2025. A preocupação central é que a capacidade de lembrar informações cai à medida que o contexto enche, efeito que o texto chama de context rot, algo como deterioração do contexto. A recomendação é buscar o menor conjunto de informações relevantes que leve ao resultado desejado.

Para quem usa o assistente no navegador, isso tem uma tradução prática: colar o relatório inteiro "por garantia" nem sempre ajuda. Recortar o trecho que importa costuma render uma resposta mais precisa. O mesmo artigo fala da altitude certa das instruções: nem uma lista rígida de regras para cada caso, nem uma orientação tão vaga que não diga nada.

Como saber se um prompt está bom de verdade?

Um prompt está bom quando produz o resultado esperado de forma repetida, num conjunto de casos de teste definido antes, e não quando acerta uma vez numa demonstração. Para isso é preciso escrever primeiro o que conta como sucesso e separar exemplos reais, incluindo os difíceis, para medir cada versão.

A própria Anthropic coloca isso como pré-requisito: antes de mexer no prompt, ter critérios de sucesso claros e um jeito de testar contra eles (visão geral de engenharia de prompt da Anthropic). A OpenAI recomenda montar avaliações para acompanhar o desempenho do prompt ao longo das versões e fixar a versão exata do modelo em produção, porque até versões da mesma família podem responder de forma diferente (guia de prompt da OpenAI).

Na experiência da VT Sávio, o erro mais comum não está na redação do prompt, mas na falta desse conjunto de testes: o prompt é ajustado até funcionar no caso que o autor tinha em mente e falha no primeiro caso real diferente. Quem usa IA só para tarefas pontuais, conferindo cada resposta, não precisa dessa estrutura. Quem coloca um prompt para rodar sozinho, centenas de vezes, precisa, e o caminho é começar pequeno: vinte casos reais anotados já mostram mais do que qualquer impressão.

Quando reescrever o prompt não resolve o problema?

Reescrever o prompt não resolve quando o problema está fora dele: o modelo escolhido é lento ou caro demais para a tarefa, faltam ao modelo os dados de que ele precisa, ou o risco é de segurança. Nesses casos, insistir na redação gasta tempo sem mudar o resultado.

Os três casos têm saída conhecida:

• Custo e velocidade. A Anthropic observa que latência e custo às vezes melhoram mais facilmente trocando de modelo do que mexendo no texto (visão geral da Anthropic).
• Informação que o modelo não tem. Nenhum prompt faz o assistente saber o estoque de hoje ou a política interna da empresa. A OpenAI descreve a saída como fornecer esses dados no próprio contexto, a técnica conhecida como RAG, de geração aumentada por recuperação (guia de prompt da OpenAI).
• Segurança. A injeção de prompt, quando um texto externo, como um e-mail ou uma página, carrega instruções que desviam o comportamento do modelo, é o primeiro item do Top 10 de riscos para aplicações com LLM da OWASP, edição 2025. A própria OWASP registra que técnicas como RAG e ajuste fino não eliminam o problema. Um aviso no prompt dizendo "ignore instruções de terceiros" não é controle de segurança; a proteção vem de limitar o que a automação pode fazer sozinha.

Há ainda um vício que piorou com os modelos novos: escrever em letras maiúsculas e com tom de ameaça. A Anthropic informa que modelos recentes do Claude respondem mais ao prompt de sistema e que instruções como "CRÍTICO: você DEVE" podem causar o efeito oposto, com a ferramenta sendo acionada demais. A recomendação é voltar ao tom normal (guia da Anthropic).

Engenharia de prompt é uma profissão ou uma habilidade?

Engenharia de prompt, para a maioria das pessoas e empresas, é uma habilidade de comunicação aplicada a uma ferramenta, e não uma especialidade à parte. Ela fica mais técnica quando o prompt passa a rodar dentro de sistemas, em que entram testes, controle de versões e segurança.

Este texto não afirma tendências de mercado de trabalho, porque não encontramos dado primário confiável sobre vagas com esse título no Brasil. O que os três guias oficiais mostram é outra coisa: as orientações mudam a cada geração de modelo, e a parte que permanece é a de sempre, que é saber explicar uma tarefa com clareza.