Prompt engineering é a prática de conceber e refinar as instruções em texto, conhecidas como prompts, que são dadas a um grande modelo de linguagem (LLM) para o orientar na produção de resultados precisos, relevantes e úteis. Em vez de retreinar ou fazer fine-tuning de um modelo, o prompt engineering funciona inteiramente através da entrada: as palavras, estrutura, exemplos e contexto fornecidos pelo utilizador moldam a forma como a IA responde. Tornou-se uma competência essencial para qualquer pessoa que trabalhe com IA generativa, desde programadores que integram APIs até utilizadores finais que procuram respostas melhores de chatbots.
Como funciona o Prompt Engineering
Os grandes modelos de linguagem geram texto prevendo o token seguinte mais provável numa sequência, com base em padrões aprendidos durante o treino. O prompt fornece o contexto imediato para essa previsão, pelo que pequenas alterações na formulação, na ordem ou nos exemplos incluídos podem produzir resultados visivelmente diferentes. O prompt engineering experimenta sistematicamente esta entrada para descobrir quais formulações elicam de forma fiável o comportamento desejado.
Por exemplo, pedir a um modelo "Resume este artigo" pode produzir um resumo genérico, enquanto "Resume o seguinte artigo em três pontos, focando o impacto financeiro e escrito para uma audiência executiva não técnica" produz um resultado muito mais direcionado. O mesmo princípio aplica-se a técnicas mais avançadas como o chain-of-thought prompting, em que o utilizador instrui o modelo a raciocinar passo a passo, ou o few-shot prompting, em que vários exemplos de entrada–saída são incluídos no prompt para que o modelo possa inferir o padrão desejado.
Porque é importante
O prompt engineering é frequentemente a forma mais rápida e mais barata de melhorar o desempenho de um sistema de IA. Ajustar um prompt pode resolver problemas como alucinações, respostas fora do tópico ou formatação incorreta sem qualquer retreino do modelo. É relevante para programadores que criam funcionalidades alimentadas por LLMs, para empresas que implementam chatbots e copilots, para investigadores que investigam o comportamento dos modelos e para utilizadores comuns que pretendem respostas de maior qualidade dos assistentes de IA.
Desempenha também um papel central em sistemas de IA agentic, nos quais prompts cuidadosamente estruturados coordenam a forma como um modelo planeia, utiliza ferramentas e encadeia tarefas de múltiplos passos. À medida que os modelos de base se tornam mais capazes, o prompt engineering continua a ser a interface principal através da qual os humanos dirigem o seu comportamento.
Técnicas-chave
- Zero-shot prompting: Pedir ao modelo que execute uma tarefa sem exemplos, confiando no seu treino geral.
- Few-shot prompting: Incluir um pequeno número de exemplos de entrada–saída dentro do prompt para demonstrar a tarefa ou formato desejado.
- Chain-of-thought (CoT) prompting: Instruir o modelo a raciocinar passo a passo, melhorando a precisão em problemas de lógica, matemática e múltiplos passos.
- Role prompting: Atribuir ao modelo uma persona ou perspetiva (por exemplo, "És um editor de texto especializado") para moldar o tom e o estilo.
- Prompts de sistema e de instrução: Separar regras comportamentais de alto nível do pedido imediato do utilizador para resultados mais consistentes.
- Encadeamento de prompts e uso de ferramentas: Dividir tarefas complexas em prompts sequenciais, frequentemente combinados com ferramentas externas ou sistemas de recuperação.
O prompt engineering tem menos a ver com formulações engenhosas e mais com compreender como um modelo interpreta contexto, exemplos e instruções. Dominá-lo é agora considerado uma competência base para trabalhar de forma produtiva com IA generativa.
