📐 Estrutura vs Conteudo
Um prompt eficaz separa claramente forma (como voce organiza) de substancia (o que voce pede). A estrutura e o esqueleto — o conteudo e o que preenche esse esqueleto. Dominar essa separacao permite criar templates reutilizaveis que funcionam com qualquer conteudo.
🏗️ O Esqueleto de um Prompt
Pense em um prompt como um formulario: os campos (papel, tarefa, formato) sao a estrutura. O que voce escreve em cada campo e o conteudo. Mesmo formulario, conteudos diferentes — resultados diferentes mas consistentes.
- •Estrutura fixa: Secoes nomeadas, ordem logica, delimitadores claros
- •Conteudo variavel: O que muda a cada uso — dados, contexto, requisitos especificos
- •Template: Quando a estrutura e reutilizavel, voce tem um template — o ativo mais valioso
💡 Dica Pratica
Comece sempre pela estrutura antes de preencher o conteudo. Crie o esqueleto com campos vazios (Papel: ___, Tarefa: ___, Formato: ___) e depois preencha. Isso evita pular secoes importantes.
🎭 System Prompt vs User Prompt
Existem dois niveis de instrucao em uma conversa com LLMs: o system prompt (comportamento global e persistente) e o user prompt (tarefa especifica da vez). Saber usar os dois e essencial para criar assistentes consistentes.
🔑 Dois Niveis de Instrucao
- •System Prompt: Define personalidade, regras globais, tom e restricoes que valem para TODA a conversa. Ex.: "Voce e um consultor financeiro. Responda sempre em portugues. Nunca de conselhos de investimento especificos."
- •User Prompt: A tarefa especifica do momento. Ex.: "Analise o balanco trimestral abaixo e liste 3 pontos de atencao."
- •Assistant Message: Respostas anteriores do modelo — formam contexto para as proximas interacoes
📊 Quando Usar Cada Um
- System prompt: Regras que nao mudam entre mensagens — tom, idioma, formato padrao, restricoes de seguranca
- User prompt: Tarefas que mudam a cada interacao — dados novos, perguntas, solicitacoes pontuais
- Em chats (ChatGPT/Claude): O system prompt e configurado via "Custom Instructions" ou no inicio da conversa
- Via API: System e user sao mensagens separadas com roles distintos
📏 Delimitadores e Secoes
Delimitadores sao marcadores visuais que separam partes do prompt. Eles ajudam o modelo a distinguir instrucoes de dados, contexto de tarefa, e exemplo de conteudo real. Sem delimitadores, tudo se mistura.
🔧 Tipos de Delimitadores
Triple quotes: """texto aqui"""
XML tags: <contexto>texto</contexto>
Markdown: ### Secao / --- separador
Rotulos: Instrucao: / Dados: / Saida:
- •XML tags sao os mais eficazes — modelos como Claude os reconhecem nativamente
- •Triple quotes sao ideais para isolar textos longos de entrada
- •Markdown headers funcionam bem para organizar secoes de instrucao
💡 Exemplo com XML Tags
<instrucao>
Resuma o texto abaixo em 3 bullets.
</instrucao>
<texto>
[conteudo a ser resumido]
</texto>
<formato>
Lista Markdown, maximo 20 palavras por item.
</formato>
🔗 Instrucoes Explicitas vs Implicitas
Instrucoes explicitas dizem exatamente o que fazer: "liste 3 itens". Instrucoes implicitas dependem do modelo inferir a partir do contexto. Saber quando usar cada uma e crucial para prompts eficientes.
✓ Instrucoes Explicitas
- ✓"Liste exatamente 5 itens"
- ✓"Responda em portugues formal"
- ✓"Formato: JSON com campos nome, descricao"
- ✓"Nao inclua opiniao pessoal"
~ Instrucoes Implicitas (risco)
- ~"Liste os itens" (quantos?)
- ~"Faca um resumo" (que tamanho?)
- ~"Analise isso" (que tipo de analise?)
- ~"Melhore o texto" (melhorar como?)
💡 Regra de Ouro
Use instrucoes explicitas para tudo que e critico (formato, quantidade, restricoes). Use implicitas apenas para o que o contexto ja deixa obvio. Na duvida, seja explicito — o custo de tokens extras e muito menor que o custo de retrabalho.
📝 Exemplos (Few-Shot)
Few-shot prompting e a tecnica de incluir 1-3 exemplos de entrada/saida no prompt para que o modelo aprenda o padrao desejado. E uma das formas mais poderosas de alinhar formato, tom e estilo sem escrever instrucoes longas.
📋 Os Tres Niveis
- •Zero-shot: Sem exemplos — so instrucao. Funciona para tarefas simples e conhecidas pelo modelo
- •One-shot: 1 exemplo. Bom para definir formato e tom basico
- •Few-shot: 2-3 exemplos. Ideal para padroes complexos, formatos especificos ou estilos unicos
💡 Exemplo de Few-Shot
Classifique o sentimento do comentario como Positivo, Neutro ou Negativo.
Exemplo 1:
Comentario: "Adorei o produto, chegou rapido!"
Sentimento: Positivo
Exemplo 2:
Comentario: "O produto e ok, nada demais."
Sentimento: Neutro
Agora classifique:
Comentario: "[comentario do usuario]"
📊 Quando Usar Few-Shot
- Use quando: formato complexo, tom especifico, classificacao, padrao que palavras nao descrevem bem
- Nao use quando: tarefa simples, formato obvio, exemplos longos que gastam tokens sem necessidade
- Qualidade importa: exemplos ruins ensinam padroes ruins — use exemplos representativos e corretos
🧪 Exercicio: Dissecar um Prompt
Hora de praticar. Pegue prompts reais (seus ou encontrados online) e identifique cada elemento: papel, objetivo, contexto, formato, criterios. O que esta faltando? O que poderia ser melhorado?
📋 Instrucoes do Exercicio
- •Passo 1: Escolha 3 prompts que voce usa no dia a dia
- •Passo 2: Para cada prompt, marque: tem papel? tem objetivo claro? tem formato? tem criterios?
- •Passo 3: Reescreva adicionando os elementos ausentes usando delimitadores
- •Passo 4: Teste as duas versoes e compare resultados
🎯 Exemplo de Dissecacao
Prompt original: "Escreva um email para o cliente sobre o atraso."
---
Analise:
Papel: ❌ ausente
Objetivo: ⚠️ vago ("sobre o atraso")
Contexto: ❌ qual cliente? qual atraso?
Formato: ❌ ausente
Criterios: ❌ ausente
📝 Resumo do Modulo
Proximo Modulo:
1.3 — Papel e Contexto: domine a arte de definir quem o modelo deve ser