Prompt engineering na prática: o que realmente funciona (e o que é perda de tempo)

Prompt engineering virou tema de curso, newsletter e thread no X. Tem lista de "10 técnicas", "20 prompts para produtividade" e afins em todo lugar.

O problema: a maioria dessas técnicas funciona bem numa conversa de chat. Quando você precisa de resultado consistente — toda vez, independente de quem usa ou de como a pergunta chega — a maioria falha.

Essa distinção muda o que você precisa aprender.

A diferença que importa: chat vs sistema

Num chat, você está presente. Se a resposta saiu errada, você reformula. A conversa é iterativa e você é o controlador de qualidade em tempo real.

Num sistema — automação, produto, ferramenta que outras pessoas usam — você não está presente. O prompt precisa funcionar com entradas que você não viu, de pessoas que não sabem o que esperar, em situações que você não planejou.

A maioria dos tutoriais de prompt engineering ensina para o chat. Esse guia ensina para o sistema.

O que realmente determina a qualidade do output

A resposta é simples e ignorada: clareza na tarefa.

Não é o número de exemplos que você dá. Não é o tamanho do prompt. Não é usar "pense passo a passo" ou "atue como um especialista em X". É o quanto você foi específico sobre o que quer.

Três perguntas que definem um bom prompt:

1. A tarefa pode ser descrita numa frase? "Resuma este artigo em 3 bullets com foco nos pontos acionáveis" — sim. "Melhore este texto" — não. Melhore como? Para quê? Com qual objetivo?

Se você não consegue descrever a tarefa numa frase clara, o prompt vai ser longo e impreciso. Quebre em subtarefas antes de escrever qualquer coisa.

2. O formato do output está especificado? A IA vai produzir texto, lista, JSON, markdown, tabela — o que você deixar em aberto ela vai escolher. E a escolha vai variar entre chamadas.

Se o sistema depende de um formato específico, especifique. E adicione validação no código — não confie que o formato sempre vai chegar certo.

3. O que a IA NÃO deve fazer está claro? Limites negativos são tão importantes quanto instruções positivas. "Resuma o artigo" vai produzir um resumo que inclui opiniões, contexto adicional, introdução e conclusão. Se você quer só os fatos, diga "sem opinião, sem contexto adicional, apenas os fatos presentes no texto".

As técnicas que valem a pena

Chain of thought em casos específicos

"Pense passo a passo" melhora performance em problemas de raciocínio — matemática, lógica, análise de código. Em tarefas de classificação, extração e formatação, não faz diferença mensurável. Use quando o raciocínio intermediário importa, não por padrão.

Exemplos (few-shot) para formato e estilo

Dar 2-3 exemplos do output esperado é a técnica mais subestimada. Mais eficiente que descrever o formato em palavras, especialmente para tom e voz. Funciona muito bem para criação de conteúdo: mostre um exemplo do seu estilo, a IA vai replicar.

Exemplo de saída esperada:
Título: Como X resolve Y sem precisar de Z
Abertura: [frase curta que vai direto ao problema]
Seção 1: [3 parágrafos, sem introdução genérica]
CTA: [uma frase, link para próximo passo]

Persona com função, não com personalidade

"Atue como um especialista em marketing com 20 anos de experiência" não muda muito o output. "Você é um revisor cujo único trabalho é identificar afirmações sem evidência" — isso muda.

A persona útil define o que o modelo deve focar, não quem ele é.

Separação de contexto e instrução

Use delimitadores claros para separar o texto de entrada da instrução. Sem separação, a IA pode confundir o texto-alvo com parte da instrução.

<instrucao>
Classifique o sentimento do depoimento abaixo como positivo, neutro ou negativo.
Retorne apenas a classificação, sem explicação.
</instrucao>

<depoimento>
O produto chegou com 3 dias de atraso e a embalagem estava danificada.
</depoimento>

Iterar, não recomeçar

Quando a resposta não agrada, não delete a conversa. A IA mantém o contexto — use isso.

Quase. Mas o segundo parágrafo ficou muito formal.
Reescreva só ele com tom mais conversacional,
como se estivesse explicando para um colega.

Iterar em cima do que existe é mais rápido e gera resultado melhor do que começar do zero.

O que não funciona como prometido

Prompts longos como substituto para clareza — prompt de 2.000 palavras com instrução vaga ainda produz output vago. Tamanho não compensa falta de clareza.

"Pague $100 ou sua família sofrerá consequências" — ameaças e recompensas no prompt não funcionam com modelos modernos. Funcionou com versões antigas, não funciona com Claude 3.5+ ou GPT-4o.

Jailbreaks e "modo desenvolvedor" — funcionam em janelas de tempo curtas, são patcheados rapidamente e não são úteis para construir sistemas confiáveis.

O que muda quando você vai para produção

Em produção, o problema não é escrever o prompt perfeito. É manter o sistema funcionando quando as entradas são imprevisíveis.

Três ajustes que fazem diferença:

Validação de output — se a IA deve retornar JSON com 4 campos, valide que os 4 campos estão presentes antes de usar. Trate saída inválida como erro, não como dado.

Temperature baixa para extração — temperature 0 ou 0.1 para classificação, extração de dados, formatação. Temperature mais alta para geração criativa. A maioria dos tutoriais não menciona isso.

Logging de chamadas — guarde o input e o output de cada chamada de IA. Quando o sistema produzir resultado ruim, você precisa saber exatamente o que entrou e o que saiu para corrigir o prompt. Sem log, você está debugando no escuro.

O piso mínimo para um prompt que funciona

1. Tarefa descrita numa frase clara
2. Formato do output especificado (com exemplo se possível)
3. Restrições do que não deve ser feito
4. Separação entre contexto/dado e instrução
5. Temperature definida para o caso de uso

Com isso, 80% dos problemas de consistência desaparecem. O restante é iteração com dados reais.