Engenharia de prompt é a prática de escrever instruções claras, completas e testáveis para que um modelo de linguagem entregue, de forma consistente, o resultado que você espera — e não um “quase isso” diferente a cada tentativa. Na definição da documentação da OpenAI, a engenharia de prompt é o processo de escrever instruções eficazes para que um modelo gere, de modo consistente, conteúdo que atende aos seus requisitos. Isso significa tratar o prompt como um briefing de trabalho, com papel, tarefa, contexto, formato e exemplos explícitos. Este guia reúne a estrutura recomendada, um checklist de revisão e os erros mais comuns, com base nas orientações oficiais de OpenAI, Google e Anthropic.
O que é engenharia de prompt
Um modelo de linguagem não lê a sua mente: ele completa a instrução que recebe, com o contexto que recebe. Quando a instrução é vaga (“melhora esse texto”), o modelo precisa adivinhar o que “melhor” significa — tom formal? mais curto? focado em vendas? A engenharia de prompt existe justamente para eliminar essa adivinhação. As orientações de prompt design do Google resumem o princípio: uma forma eficaz e eficiente de personalizar o comportamento do modelo é fornecer instruções claras e específicas, que podem ser uma pergunta, uma lista de passos ou algo tão detalhado quanto mapear a experiência e o objetivo de quem vai usar a resposta.
Na prática, a disciplina tem três partes: definir o que seria uma boa resposta, escrever a instrução que produz essa resposta e testar variações até o resultado ser reprodutível. Não é sobre “palavras mágicas” nem truques copiados de fórum — é sobre reduzir a margem de interpretação que você deixa para o modelo. Quanto menor a margem, menos retrabalho para chegar à resposta útil.
Anatomia de uma instrução eficaz
Quase todo prompt que funciona bem combina cinco componentes. A tabela abaixo mostra cada um, a função que ele cumpre e um exemplo aplicado a uma tarefa comum — resumir um relatório para a diretoria:
| Componente | Função | Exemplo |
|---|---|---|
| Papel | Define o ponto de vista e o vocabulário da resposta | Você é um analista que escreve para executivos sem tempo |
| Tarefa | Descreve a ação concreta em um único verbo principal | Resuma o relatório em tópicos de decisão |
| Contexto | Entrega os dados que o modelo não tem | O público decidirá um orçamento com base no resumo |
| Formato | Especifica a forma da saída | Lista com tópicos curtos, um por linha |
| Restrições | Delimita tamanho, idioma e o que evitar | Não use jargão técnico; português do Brasil |
Duas observações importantes. Primeira: contexto demais também atrapalha — o modelo só considera o que cabe na janela de contexto, e informações irrelevantes diluem o que importa. Segunda: restrições funcionam melhor quando dizem o que fazer em vez de só o que evitar; “responda em frases curtas” costuma render mais do que “não seja prolixo”, porque dá ao modelo um alvo concreto em vez de uma proibição abstrata.
Exemplos tornam o prompt melhor
Mostrar como a resposta deve ser vale mais do que descrever. Prompts com exemplos são chamados de few-shot, em oposição aos zero-shot, que trazem só a instrução. O Google recomenda sempre incluir exemplos no prompt, porque prompts sem exemplos tendem a ser menos eficazes — e, quando os exemplos são claros o bastante, dá até para encurtar a própria instrução, porque o modelo entende o padrão. A documentação da OpenAI segue a mesma linha: incluir alguns pares de entrada e saída permite guiar o modelo para uma tarefa nova sem treinamento adicional.
Na prática, dois ou três exemplos variados bastam para a maioria das tarefas de formatação e classificação. O erro clássico é usar exemplos todos iguais: se você quer resumos de documentos diferentes, mostre documentos diferentes no exemplo, não três variações do mesmo caso. Exemplos diversificados ensinam o padrão de verdade; exemplos repetidos ensinam só a forma.
Checklist antes de enviar
Antes de gastar rodadas de tentativa e erro, a documentação da Anthropic sugere um ponto de partida: definir critérios de sucesso claros e uma forma de testar o prompt antes de começar a iterar. Traduzido em checklist, revise estes pontos antes de enviar qualquer prompt importante:
- Eu consigo descrever, em uma frase, o que seria uma resposta perfeita?
- A tarefa tem um único verbo principal, ou estou pedindo cinco coisas ao mesmo tempo?
- O formato da saída está explícito (lista, tabela, parágrafo, JSON)?
- Tem pelo menos um exemplo do resultado esperado?
- Eu tenho como comparar duas versões do prompt com os mesmos dados de teste?
Se alguma resposta for “não”, corrija antes de enviar: iterar sem critério só produz a sensação de progresso. A própria Anthropic alerta que nem todo problema se resolve com prompt — às vezes escolher outro modelo melhora custo e latência mais do que qualquer ajuste de texto.
Erros comuns e correções
Instrução vaga é o erro número um: “escreve um texto sobre marketing” não define público, tamanho nem formato. Correção: preencha os cinco componentes da tabela. Pedir tudo de uma vez é o segundo: tarefas longas rendem mais quando divididas em etapas encadeadas, cada uma com seu próprio prompt e sua própria checagem. Ignorar as diferenças entre modelos é o terceiro: modelos de raciocínio respondem melhor a orientações gerais, enquanto modelos GPT se saem melhor com instruções muito precisas, segundo a OpenAI — o prompt que funcionou em um pode precisar de ajuste no outro. E, como atualizações de modelos mudam o comportamento ao longo do tempo, vale repetir o teste de tempos em tempos em vez de assumir que o prompt é eterno.