🧭 Fundamentos de Engenharia de Prompts

Disciplina de projetar, estruturar e refinar instrucoes para LLMs, obtendo resultados previsiveis e reproduziveis.

Reduz retrabalho, aumenta produtividade e permite criar prompts reutilizaveis para equipes inteiras.

Prompt como interface, qualidade de entrada = qualidade de saida, diferenca entre perguntar e projetar.

LLMs preveem a proxima palavra com base no contexto. Tokenizacao, janela de contexto e probabilidade definem o comportamento.

Entender o mecanismo permite escrever prompts que guiam o modelo de forma previsivel, evitando respostas aleatorias.

Tokens, janela de contexto, previsao probabilistica, temperatura, o prompt como GPS do modelo.

Um prompt estruturado define papel, objetivo, formato e criterios. Uma pergunta simples e vaga e aceita qualquer resposta.

A diferenca entre resultado mediocre e excelente esta na estrutura do prompt, nao na capacidade do modelo.

Prompt vago vs estruturado, antes/depois, resultado previsivel vs aleatorio.

Os 5 blocos: Papel (quem), Objetivo (o que), Contexto (fundo), Formato (como entregar), Criterios (como avaliar).

Ter uma estrutura clara elimina adivinhacao e permite criar prompts profissionais de forma sistematica.

Role, Task, Context, Output Format, Quality Criteria — o framework base para qualquer prompt.

Padroes negativos: pedidos genericos, formato aberto, requisitos vagos, aceitar primeira resposta sem avaliar.

Evitar erros comuns acelera o aprendizado e previne frustracao com resultados inconsistentes.

Preguica cognitiva, fazer vs nao fazer, trocar "bom/claro" por limites concretos.

Template pratico: Papel + Tarefa + Requisitos + Formato + Criterios. Estrutura reutilizavel para qualquer situacao.

Ter um template base elimina o "folha em branco" e permite comecar qualquer prompt de forma profissional.

Template base, exemplo antes/depois, exercicio pratico de reescrita de prompts reais.

Separacao entre a forma (como voce organiza) e a substancia (o que voce pede). Estrutura clara permite conteudo flexivel.

Um prompt bem estruturado funciona mesmo com conteudos diferentes — e a base da reutilizacao.

Secoes nomeadas, delimitadores, hierarquia de informacao, template vs instancia.

System prompt define comportamento global; user prompt define a tarefa especifica. APIs permitem separar os dois.

Dominar essa separacao permite criar assistentes com personalidade consistente e tarefas variaveis.

System message, user message, assistant message, persistencia de contexto.

Uso de marcadores (""", ---, ###, XML tags) para separar instrucoes, contexto e dados de entrada.

Delimitadores reduzem ambiguidade e permitem que o modelo identifique claramente cada parte do prompt.

Triple quotes, XML tags, markdown headers, separacao instrucao vs dados.

Instrucoes explicitas sao diretas ("liste 3 itens"). Implicitas dependem do modelo inferir a partir do contexto.

Saber quando ser explicito e quando confiar na inferencia evita prompts excessivamente longos ou vagos.

Instrucoes positivas vs negativas, "faca X" vs "nao faca Y", nivel de detalhe ideal.

Incluir 1-3 exemplos de entrada/saida no prompt para que o modelo aprenda o padrao desejado.

Few-shot e uma das tecnicas mais eficazes para alinhar formato e tom sem instrucoes longas.

Zero-shot, one-shot, few-shot, qualidade dos exemplos, quando usar vs quando omitir.

Exercicio pratico: pegar prompts reais e identificar (ou adicionar) cada um dos 5 elementos fundamentais.

A pratica de dissecar prompts desenvolve o olhar critico para reconhecer padroes bons e ruins.

Analise estrutural, gaps de informacao, refactoring de prompts existentes.

Categorias de papeis: especialista tecnico, revisor critico, assistente didatico, persona de negocio.

O papel certo muda completamente o tom, a profundidade e o angulo da resposta.

Papel generico vs especifico, nivel de expertise, perspectiva profissional.

Definir nivel de experiencia, area de atuacao e estilo de comunicacao do papel.

"Voce e um analista" e muito diferente de "Voce e um analista senior de dados com 10 anos em e-commerce".

Qualificadores de expertise, area de dominio, anos de experiencia, estilo de comunicacao.

A quantidade certa de informacao de fundo: o suficiente para o modelo atuar sem sobrecarrega-lo.

Contexto insuficiente gera respostas genericas; contexto excessivo confunde e desperdia tokens.

Informacao essencial vs acessoria, publico-alvo, cenario de uso, restricoes de dominio.

Definir quem vai consumir a saida: nivel de conhecimento, funcao, expectativas e linguagem adequada.

Um relatorio para CEO e completamente diferente de um para desenvolvedores — o publico define o tom.

Persona do publico, nivel de detalhe, vocabulario adequado, tom de comunicacao.

Declarar explicitamente o que o modelo nao deve fazer: evitar jargao, nao inventar dados, nao ultrapassar limites.

Restricoes previnem alucinacoes, resultados fora de escopo e formatos indesejados.

Instrucoes negativas, guardrails, limites de conteudo, controle de tom.

Exercicio pratico: criar 3 combinacoes papel + contexto para cenarios do seu dia a dia profissional.

A pratica com cenarios reais consolida o aprendizado e cria um repertorio de papeis reutilizaveis.

Biblioteca de papeis, contextos por dominio, reutilizacao de patterns.

Aplicar principios SMART: objetivo especifico, mensuravel, atingivel, relevante e com prazo/limite definido.

Objetivos vagos geram respostas vagas. Objetivos SMART geram respostas precisas e verificaveis.

Especificidade, mensurabilidade, verbos de acao, limites quantitativos.

Tarefa simples tem um objetivo. Tarefa composta tem multiplos passos que podem ser divididos em prompts separados.

Prompts com muitos objetivos simultaneos perdem qualidade. Dividir melhora cada resultado individual.

Prompt chaining, decomposicao de tarefas, pipeline de prompts, foco unico.

Restricoes que realmente controlam a saida: limites de palavras, tom, formato, conteudo proibido, estilo.

Sem restricoes claras, o modelo improvisa. Com restricoes, ele entrega exatamente o que voce precisa.

Restricoes de conteudo, formato, tom, tamanho, e a diferenca entre "faca" e "nao faca".

Encontrar o ponto ideal entre controlar demais (respostas mecanicas) e controlar de menos (respostas aleatorias).

Prompts excessivamente rigidos impedem criatividade; prompts soltos demais nao sao uteis.

Espectro de controle, quando afrouxar, quando apertar, ajuste por tipo de tarefa.

Definir antecipadamente o que torna uma resposta aceitavel: checklist de itens que devem estar presentes.

Criterios de aceitacao tornam a avaliacao objetiva em vez de subjetiva ("ficou bom?" vs checklist).

Checklist de qualidade, criterios objetivos, contagens, presenca/ausencia de elementos.

Exercicio: pegar 3 tarefas vagas e transformar em objetivos SMART com restricoes e criterios de aceitacao.

A habilidade de transformar "me ajude com X" em um objetivo estruturado e a competencia central.

Transformacao vago→preciso, template de objetivo, biblioteca de restricoes.

Usar Markdown para estruturar saidas legiveis: headers para secoes, listas para itens, tabelas para dados.

Markdown e o formato mais versatil — funciona em chats, documentos, apresentacoes e codigo.

Headers (##), listas (- ou 1.), bold (**), tabelas (|), blocos de codigo (```).

Pedir saida em JSON com campos definidos, tipos e estrutura. Ideal para integracao com sistemas.

JSON permite processar resultados automaticamente — essencial para automacoes e pipelines de dados.

Definicao de schema, campos obrigatorios vs opcionais, tipos de dados, arrays e objetos.

Pedir saida em formato tabular com colunas definidas. Ideal para comparacoes, listas e dados estruturados.

Tabelas facilitam a leitura rapida e a tomada de decisao com dados lado a lado.

Definicao de colunas, limite por celula, alinhamento, quando tabela vs lista.

Definir quais campos a resposta DEVE ter e quais sao opcionais (se aplicavel).

Campos obrigatorios garantem completude; opcionais permitem flexibilidade sem perder consistencia.

Schema de saida, validacao, campos fixos, campos condicionais, valores padrao.

Definir tom (formal, casual, tecnico), estilo (conciso, detalhado) e nivel de linguagem na saida.

O mesmo conteudo precisa de tons diferentes conforme o publico e o canal de comunicacao.

Tom formal vs informal, nivel tecnico, concisao, vocabulario controlado.

Exercicio: pegar uma mesma tarefa e pedir saida em Markdown, JSON e tabela. Comparar resultados.

Dominar formatos permite escolher a melhor representacao para cada cenario de uso.

Conversao entre formatos, escolha de formato por caso de uso, validacao de saida.

Palavras e frases que podem ser interpretadas de multiplas formas pelo modelo, gerando resultados imprevisíveis.

Ambiguidade e a causa #1 de respostas insatisfatorias — elimina-la resolve a maioria dos problemas.

Palavras ambiguas ("bom", "completo", "detalhado"), teste de interpretacao, desambiguacao.

Delimitar claramente o que a resposta deve cobrir e, igualmente importante, o que nao deve.

Escopo indefinido gera respostas enormes e genericas. Escopo claro gera respostas focadas e uteis.

Inclusao vs exclusao, limites de cobertura, profundidade vs amplitude, foco tematico.

Usar verbos de acao claros, quantificadores e termos tecnicos em vez de adjetivos vagos.

"Liste 5 itens" e infinitamente mais claro que "liste alguns itens relevantes".

Verbos de acao, quantificadores, substituicao de adjetivos por metricas, vocabulario de precisao.

Escrever prompts que qualquer pessoa pode usar e obter resultados similares, independente de quem executa.

Prompts reproduziveis podem ser compartilhados em equipes e automatizados com confianca.

Determinismo, variaveis, teste com diferentes usuarios, documentacao de prompt.

Lista de verificacao rapida para garantir clareza antes de enviar: objetivo, formato, criterios, escopo.

30 segundos de verificacao podem salvar 30 minutos de retrabalho com respostas inadequadas.

Pre-flight check, 5 perguntas de validacao, revisao por pares de prompts.

Exercicio: receber prompts ambiguos e reescreve-los com clareza total, testando antes e depois.

A pratica de desambiguacao desenvolve o olhar critico para escrever prompts claros naturalmente.

Analise de ambiguidade, reescrita com criterios, teste A/B de prompts.

Processo iterativo: enviar prompt → avaliar resultado → identificar gaps → ajustar → reenviar. Nunca aceitar a primeira versao.

Prompts excelentes raramente surgem na primeira tentativa. A iteracao sistematica garante melhoria continua.

Ciclo PDCA aplicado a prompts, versioning, comparacao de resultados, log de mudancas.

Testar o mesmo prompt com entradas faceis (caso ideal) e dificeis (edge cases, ambiguidades).

Um prompt que funciona so no caso facil nao e confiavel. Testar em dificeis revela fragilidades.

Happy path, edge cases, entradas ambiguas, teste de robustez, casos limites.

Estrategias para corrigir problemas: adicionar contexto, restringir formato, mudar papel, incluir exemplos.

Saber o que ajustar (e o que nao ajustar) economiza tempo e evita mudar o prompt inteiro.

Ajuste fino vs reescrita, uma mudanca por vez, diagnostico de problema, causa raiz.

Comparar resultados entre versoes do prompt usando criterios pre-definidos. Documentar o que mudou e por que.

Sem comparacao sistematica, voce nao sabe se o ajuste realmente melhorou ou piorou o resultado.

Versionamento de prompts, changelog, metricas de comparacao, teste A/B.

Organizar prompts testados e aprovados em uma biblioteca pessoal ou de equipe para reutilizacao.

Prompts validados sao ativos valiosos. Uma biblioteca evita recriar do zero e padroniza a equipe.

Organizacao por categoria, tags, documentacao de uso, compartilhamento, template vs instancia.

Exercicio: criar um prompt, testar, ajustar 3 vezes documentando cada mudanca e seu impacto.

A pratica de iteracao deliberada constroi a intuicao para saber o que ajustar rapidamente.

Iteracao deliberada, documentacao de mudancas, analise de impacto, convergencia.

Criterios objetivos (contagens, presenca, formato) vs subjetivos (tom, qualidade percebida). Priorizar objetivos.

Avaliacao subjetiva varia entre pessoas. Criterios objetivos garantem consistencia na equipe.

Metricas quantitativas, checklist binaria, escala de avaliacao, calibracao entre avaliadores.

Sistema de 0-2 por criterio: clareza do objetivo, formato, criterios verificaveis, consistencia, teste. Meta: 7/10+.

Uma rubrica transforma avaliacao de "achismo" em processo sistematico e replicavel.

Escala 0-2, 5 dimensoes, meta de corte, autoavaliacao, avaliacao por pares.

Verificar se a saida respeita o formato pedido: JSON valido, numero de itens, campos presentes, limites.

Validacao de formato e automatizavel e garante que a saida pode ser processada por outros sistemas.

JSON schema, contagem de itens, campos obrigatorios, limites de tamanho, parsabilidade.

Executar o mesmo prompt multiplas vezes e verificar se os resultados sao consistentes em estrutura e qualidade.

Um prompt que funciona "as vezes" nao e confiavel. Consistencia e indicador de qualidade do prompt.

Reproducibilidade, variancia de saida, temperatura, determinismo, teste de estabilidade.

Indicadores de que voce domina fundamentos: declara objetivo/formato/criterios em cada prompt, testa e refina.

Saber onde voce esta no caminho de aprendizado permite focar nas areas que mais precisam de atencao.

Autoavaliacao, marco de competencia, progresso mensuravel, portfolio de prompts.

Exercicio final: avaliar 3 prompts (seus e de outros) usando a rubrica completa e sugerir melhorias.

Avaliar prompts de terceiros desenvolve visao critica e consolida todos os conceitos da trilha.

Avaliacao cruzada, feedback construtivo, plano de melhoria, reflexao sobre o aprendizado.