O que é Engenharia de Prompt?

Engenharia de Prompt é a prática de estruturar instruções para modelos de linguagem — como o Claude ou o GPT — de forma a obter respostas mais precisas, consistentes e relevantes, usando técnicas específicas de formatação, exemplos e restrições em vez de tentativa e erro. A técnica de maior impacto comprovado é o chain-of-thought (cadeia de pensamento), que instrui o modelo a expor o raciocínio passo a passo antes de dar a resposta final — método descrito no paper “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models” (Wei et al., 2022).

Quais são as principais técnicas de engenharia de prompt?

Zero-shot: dar a instrução direta, sem exemplos, contando só com o pré-treinamento do modelo. Few-shot: incluir de 2 a 5 exemplos no próprio prompt para ensinar o formato desejado pelo padrão, não pela explicação. Chain-of-thought: pedir “pense passo a passo” antes da resposta final, o que reduz erros em tarefas de cálculo, planejamento e lógica com múltiplas etapas. Role prompting: atribuir uma persona específica ao modelo. Meta prompting: definir a estrutura ou o processo de resposta antes do conteúdo em si.

Chain-of-thought funciona melhor sozinho ou combinado com exemplos?

Combinado. Segundo o levantamento sistemático “The Prompt Report” (2024), que compilou dezenas de técnicas documentadas na literatura acadêmica, combinar few-shot com chain-of-thought supera qualquer uma das duas técnicas isoladas em tarefas complexas — os exemplos ensinam o formato esperado, e o raciocínio explícito reduz o erro lógico dentro desse formato.

Por que a Anthropic e a OpenAI recomendam abordagens diferentes de prompt?

Porque os modelos funcionam de forma diferente por baixo do capô. A documentação oficial da Anthropic recomenda uma sequência priorizada: clareza da instrução primeiro, depois exemplos (multishot), depois raciocínio em cadeia, depois estruturação com tags XML. Já a OpenAI diferencia modelos de raciocínio — que já geram uma cadeia de pensamento interna automaticamente — de modelos de propósito geral, que exigem instrução mais explícita para chegar ao mesmo nível de precisão. Aplicar a técnica certada ao tipo errado de modelo é um dos erros mais comuns de quem está começando.

Engenharia de prompt ainda vai ser relevante daqui a alguns anos?

O formato específico das técnicas tende a mudar conforme os modelos evoluem, mas a habilidade de base — pensar com clareza, especificar requisitos, iterar com base no resultado — não perde relevância, porque continua sendo o gargalo entre o que a pessoa quer e o que o modelo entende. Em times que usam IA como parte da rotina de trabalho, a prática mais recente é tratar prompts eficazes como ativos versionados — documentados, testados e revisados como qualquer outro artefato técnico da empresa, não como truques isolados de cada pessoa.

Se quiser estudar o assunto a fundo, veja MBA FGV em Inteligência Artificial.