O que é engenharia de prompt e como ela funciona na prática?

A mesma pergunta, escrita de dois jeitos diferentes, devolve duas respostas de qualidade completamente diferente

Fala aí, beleza? Esse detalhe incomoda todo mundo que começa a usar IA de verdade, e é exatamente ele que deu nome a uma disciplina: engenharia de prompt

E não é papo de nicho, não: a AWS descreve o processo como guiar modelos de IA generativa a gerar as saídas desejadas por meio da formulação da instrução, e a IBM mantém verbete próprio sobre o tema descrevendo a mesma coisa como criar e refinar entradas pra obter resultados melhores

Neste post eu explico o conceito, o porquê da instrução mexer tanto na resposta, e os princípios que se repetem em QUALQUER ferramenta de IA que você abrir

Por que a forma de escrever a instrução muda o resultado

O ponto que destrava a cabeça do iniciante é esse: o modelo não adivinha sua intenção

Ele responde ao que está escrito, não ao que você imaginou enquanto escrevia

A documentação da Anthropic é bem direta nisso e orienta ser explícito nas instruções com os modelos Claude 4.x e mais novos, porque eles executam literalmente o que foi pedido e nada além disso

O exemplo que a própria doc usa é ótimo: pedir "sugira algumas mudanças" pode devolver só sugestões, enquanto "altere esta função para melhorar o desempenho" devolve a alteração feita

Formação Recomendada

Formação Agentes de IA

Domine a criação de Agentes de IA e Venda para Empresas

• 402 aulas
• 32 projetos
• 38h 19min

Conhecer formação

Mesma tarefa na sua cabeça, resultado bem diferente na tela

A mesma documentação recomenda ainda explicar o MOTIVO por trás da instrução, e não só a instrução seca

E tem uma coisa importante pra deixar clara logo de cara: mexer no prompt não retreina nada, os pesos do modelo continuam iguais

Você está mudando a entrada, não o cérebro do bicho

Prova de que só mudar o formato do prompt melhora a resposta

"Tá, mas isso é achismo de internet?"

Não é

A técnica de chain of thought (cadeia de pensamento) nasceu de um artigo científico: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (arXiv:2201.11903), de Jason Wei e coautores, submetido em 28 de janeiro de 2022

No artigo, com 8 exemplares de cadeia de pensamento, um modelo de 540 bilhões de parâmetros atingiu acurácia estado da arte no benchmark GSM8K de problemas matemáticos, superando um GPT-3 com fine-tuning e verificador

Se liga no que aconteceu ali: o ganho veio do FORMATO da instrução

Sem treinar o modelo de novo, sem dado novo, sem nada além de mostrar o raciocínio dentro do prompt

É o argumento mais honesto que existe a favor de escrever a instrução com método

Os princípios de engenharia de prompt que se repetem em qualquer ferramenta

Aqui mora o núcleo do post

Os três guias oficiais mais consultados (Anthropic, OpenAI e Google) usam palavras diferentes, mas apontam pro mesmo lugar

O que a Anthropic recomenda, e em qual ordem

A documentação oficial da Anthropic organiza as técnicas numa sequência recomendada, indo das mais amplamente eficazes pras mais específicas:

1. ser claro, direto e detalhado
2. usar exemplos (multishot)
3. deixar o modelo pensar (chain of thought)
4. usar tags XML pra estruturar
5. atribuir papel
6. encadear prompts (prompt chaining)

A recomendação é testar nessa ordem quando você está depurando desempenho, e não jogar tudo de uma vez no prompt

A empresa também publicou um guia de boas práticas de engenharia de prompt pra 2026 listando as habilidades de maior impacto: usar tags XML pra estruturar, pedir evidências antes das conclusões, atribuir papel específico, pedir raciocínio passo a passo e mostrar exemplos em vez de escrever instruções longas

Repara que "atribuir papel" aparece nos dois lugares com pesos diferentes: lá pro fim da sequência de depuração, e aqui entre as habilidades de maior impacto

Não é contradição, são recortes diferentes: um é a ORDEM de teste quando algo não está indo bem, o outro é uma lista de habilidades, sem ordem de teste

Esse "pedir evidências antes das conclusões" é subestimado demais, viu

As seis estratégias da OpenAI

O guia oficial da OpenAI sobre o assunto é organizado em seis estratégias de alto nível:

• escrever instruções claras
• fornecer texto de referência
• dividir tarefas complexas em subtarefas mais simples
• dar tempo ao modelo para "pensar"
• usar ferramentas externas
• testar mudanças sistematicamente

Repara que a última é a mais chata e a que quase ninguém faz: testar sistematicamente

Sem comparar saídas, tu não sabe se melhorou ou se teve sorte na rodada

Os quatro elementos do guia do Google pro Gemini no Workspace

O guia de prompts do Google pro Gemini no Workspace (edição de outubro de 2024) propõe montar a instrução com quatro elementos: Persona, Tarefa (Task), Contexto e Formato

O guia afirma que não é obrigatório usar os quatro sempre, mas que considerar cada um melhora o resultado

E dá um detalhe prático MUITO bom: a tarefa é o componente mais importante e deve conter um verbo

Simples assim, se não tem verbo, provavelmente não tem tarefa

Comparando os três de uma vez

O convergente é o que interessa: o melhor prompt não é o mais longo, e sim o que atinge o objetivo de forma confiável com a estrutura mínima necessária, como diz o guia de boas práticas da Anthropic

Quem escreve código topa com esses mesmos princípios aplicados no dia a dia, e eu já detalhei isso num guia de engenharia de prompt para devs aqui no blog

Como estruturar um prompt na prática: separar contexto, instrução e exemplos

Estrutura é a parte que mais dá resultado rápido, e é a mais fácil de aplicar hoje mesmo

A Anthropic mantém uma página dedicada chamada Use XML tags to structure your prompts e documenta que as tags ajudam o modelo a separar os componentes do prompt: contexto, instrução e exemplos

A doc também registra que dá pra combinar isso com multishot e chain of thought, ou seja, as técnicas não brigam entre si, elas empilham

Na prática o desenho é esse:

<contexto>
quem é o público, qual o cenário, quais restrições existem
</contexto>

<instrucao>
o que você quer que seja feito, com verbo e resultado esperado
</instrucao>

<exemplos>
uma ou mais amostras do formato de saída que você considera bom
</exemplos>

Parece bobo

Mas é a diferença entre o modelo entender "isso aqui é referência" e o modelo achar que aquele trecho também era ordem

Tem ainda um efeito de ORDEM que vale conhecer: a recomendação é colocar conteúdo estático primeiro (instruções de sistema, exemplos, definições de ferramentas) e conteúdo variável por último

Com o cache de prompt da Anthropic, isso pode reduzir custo em até 90% e latência em até 85%

Só um aviso pra não gerar confusão: essa parte de cache vale pra quem usa a API, não é algo que você configura digitando num chat qualquer

O que aprendi pedindo a um agente de IA para construir algo inteiro em um prompt

No vídeo abaixo eu levo essa conversa pro extremo: escrevi um único prompt descrevendo em detalhe uma plataforma de cursos, com autenticação, painel do aluno, painel de administrador, banco de dados pra persistir os dados e um design bonito

Antes de enviar, eu li o prompt devagar na tela justamente pra mostrar a profundidade do pedido

O detalhamento do que você pede é o que define o tamanho do que volta

Deixei alguns pontos de propósito em aberto (decisões técnicas que não especifiquei) só pra mostrar que a ferramenta preenche as lacunas sozinha, e quem quiser pode determinar esses pontos no próprio pedido

Também coloquei um detalhe pequeno e bem prático: pedi que fosse criado um usuário administrador, e depois usei esse usuário pra testar o painel admin

E olha, o prompt inicial não foi a única interação: durante a execução eu ainda respondi algumas perguntas do agente e colei as chaves do Stripe no passo a passo apresentado

Antes do deploy eu testei o resultado na URL temporária: criei conta, me matriculei num curso, paguei com dados de teste e conferi a venda aparecendo no painel de administrador

O curso gerado dentro da plataforma saiu com 3 aulas

Num segundo teste, com navegação web, eu escrevi um prompt de viagem com todos os parâmetros explícitos: cidade de origem, cidade de destino, número de pessoas, intervalo de datas, duração e um teto de preço, além de pedir voos, hospedagem e roteiro de uma vez

A partir daquele texto, o agente montou sozinho 5 tarefas executadas em sequência: voos, hospedagem, restaurantes, roteiro e relatório final

Ah, e pedi que o relatório viesse bonito

A IA interpretou isso como estilizar a saída e entregou um HTML formatado 😀

A leitura que fica: quanto mais o resultado depende de várias etapas encadeadas, mais o texto do prompt define o que o sistema entende como escopo

É o princípio de dividir tarefa complexa em subtarefas do guia da OpenAI aparecendo sozinho, do outro lado

O pedido é simples do lado de quem escreve, e a complexidade fica com o sistema

Engenharia de prompt e engenharia de contexto: qual a diferença

Esse é o par de termos que mais confunde quem chegou agora

A própria Anthropic posiciona engenharia de contexto como a evolução natural quando o assunto são agentes

No artigo de engenharia deles a separação fica assim: escrever prompts eficazes é a primeira disciplina, e eles citam em especial o system prompt, que é a instrução fixa que define o comportamento do modelo

Mas repara que os princípios são os mesmos em qualquer instrução que você escreve, do system prompt ao pedido solto que você digita no chat: os exemplos da própria doc do Claude 4.x são instruções diretas de tarefa

Já engenharia de contexto é a curadoria do conjunto de tokens que entra na janela de contexto: instruções, ferramentas, MCP, dados externos e histórico

E tem outra diferença de natureza: a engenharia de contexto é iterativa, repetida a cada chamada

Ou seja, um não substituiu o outro

Se você está escrevendo uma instrução, é engenharia de prompt

Se você está decidindo O QUE cabe na janela antes de cada chamada do agente, aí virou engenharia de contexto

Onde estudar e testar prompts sem pagar nada

Tem caminho oficial e gratuito, não precisa procurar "prompt secreto" em lugar nenhum

1. Tutorial interativo da Anthropic: o repositório público prompt-eng-interactive-tutorial traz o curso dividido em 9 capítulos com exercícios, mais um apêndice de métodos avançados (o material também aparece no repositório github.com/anthropics/courses)
2. Ferramentas de prompt do Claude Console: gerador de prompt, templates com variáveis, melhorador de prompt e ferramenta de avaliação

Um cuidado nesse segundo item, porque é onde muita gente se perde: essas ferramentas ficam no Console de desenvolvedor, não no chat do Claude.ai

Se você procurar isso no chat, não vai achar, e a culpa não é sua

Sobre o melhorador de prompt (prompt improver), ele foi lançado em 14 de novembro de 2024 e, nos testes divulgados pela própria Anthropic, aumentou a acurácia em 30% num teste de classificação multirrótulo e levou a aderência à contagem de palavras a 100% numa tarefa de sumarização

O mais interessante é o QUE ele faz por baixo, porque é receita replicável na mão:

• identifica e extrai exemplos do template
• cria um rascunho estruturado em seções claras
• refina com instruções de raciocínio (chain of thought)
• atualiza os exemplos pra refletir o novo raciocínio

Olha as mesmas técnicas do começo do post aparecendo de novo, agora automatizadas

E se você prefere estudar em português, o tema já tem produção consolidada por aqui: existem artigos de referência publicados pela Alura e pelo Prompt Engineering Guide (na versão /pt), além do panorama de opções de curso de engenharia de prompts que eu reuni no blog

Conclusão

Engenharia de prompt é ajuste de instrução, não mágica

É a prática de projetar e refinar o que você escreve pra guiar o modelo até a saída desejada, sem tocar nos pesos dele, e os princípios convergem entre Anthropic, OpenAI e Google mesmo com nomes diferentes

O próximo passo é bem concreto: pega um prompt que você JÁ usa toda semana e aplica a sequência recomendada uma técnica por vez

Primeiro deixa claro e detalhado

Depois mostra um exemplo

Depois pede o raciocínio passo a passo

Depois estrutura separando contexto, instrução e exemplos

E compara as saídas a cada mudança, testando de forma sistemática como orienta o guia da OpenAI

É chatinho nas duas primeiras rodadas e vira automático depois…

até o próximo post! =)