TL;DR: A engenharia de prompt é uma habilidade essencial para otimizar interações com modelos de linguagem (LLMs), apresentando 17 técnicas que variam desde abordagens simples como prompting zero-shot até estratégias avançadas como ReAct, cada uma com aplicações específicas para melhorar precisão, consistência e criatividade nas respostas.

Takeaways:

• Técnicas básicas como Zero-Shot, One-Shot e Few-Shot estabelecem a fundação da engenharia de prompt, cada uma adicionando progressivamente mais exemplos para orientar o modelo.
• Prompting de Função, Estilo e Emoção permitem personalizar o tom e a perspectiva das respostas, criando conteúdos mais autênticos e alinhados às necessidades comunicativas.
• Métodos avançados de raciocínio como Chain-of-Thought, Self-Ask e Tree-of-Thought melhoram significativamente a resolução de problemas complexos ao dividir o pensamento em etapas estruturadas.
• A experimentação com diferentes técnicas é fundamental, pois não existe uma fórmula única que funcione para todas as situações.

17 Técnicas de Engenharia de Prompt Que Vão Transformar Sua Interação Com IA

Você já se frustrou com respostas imprecisas ou irrelevantes de modelos de linguagem? A solução pode estar na forma como você estrutura suas perguntas. A engenharia de prompt é uma habilidade essencial que permite extrair o máximo potencial dos LLMs (Modelos de Linguagem de Grande Escala), melhorando significativamente a precisão, consistência e criatividade das respostas.

Neste artigo, vamos explorar 17 técnicas poderosas de engenharia de prompt que você pode implementar imediatamente. Desde abordagens simples até estratégias avançadas, você descobrirá quando e como usar cada uma para obter resultados superiores em suas interações com IA.

1. Prompting Zero-Shot: A Base de Toda Interação

O prompting zero-shot é a técnica mais fundamental e direta de engenharia de prompt. Como o nome sugere, você fornece instruções claras ao modelo sem oferecer exemplos prévios, confiando na capacidade do LLM de compreender e executar a tarefa solicitada.

Esta técnica é particularmente eficaz para:

• Tarefas simples e diretas
• Solicitações factuais
• Traduções básicas
• Perguntas que exigem respostas objetivas

Como aplicar:
Simplesmente forneça uma instrução clara e específica. Por exemplo:

Traduza a frase em inglês 'Flowers on the road' para espanhol.

A beleza do prompting zero-shot está em sua simplicidade. No entanto, à medida que a complexidade da tarefa aumenta, você pode precisar de técnicas mais sofisticadas.

2. Prompting One-Shot: Um Exemplo Vale Mais Que Mil Palavras

Quando uma instrução simples não é suficiente, o prompting one-shot entra em cena. Esta técnica envolve fornecer um único exemplo junto com sua instrução, esclarecendo o formato ou tipo de resposta que você espera.

O prompting one-shot é ideal para:

• Demonstrar o formato de saída desejado
• Estabelecer um padrão para a resposta
• Tarefas que se beneficiam de um exemplo concreto

Como implementar:
Forneça sua instrução seguida de um exemplo claro que demonstre o resultado esperado:

Em maiúsculas, retorne a tradução em espanhol da palavra inglesa 'basket' apenas.
EXEMPLO: Palavra em inglês (entrada): River
Tradução em espanhol (saída): RÍO

Esta abordagem é um meio-termo perfeito entre a simplicidade do zero-shot e a robustez do few-shot prompting.

3. Prompting Few-Shot: Padrões Que Educam o Modelo

O prompting few-shot leva a ideia do one-shot um passo adiante, fornecendo múltiplos exemplos para melhor adaptar o modelo ao seu caso específico. Esta técnica é uma forma de “aprendizado em contexto” que ajuda o LLM a identificar padrões sem necessidade de ajuste fino.

Utilize o prompting few-shot quando:

• A tarefa exigir nuances específicas
• Você precisar de consistência em múltiplas respostas
• O formato de saída for complexo ou altamente estruturado

Implementação prática:
Forneça sua instrução seguida de vários exemplos que demonstrem o padrão desejado:

Retorne o sentimento desta declaração 'The lecture was quite boring' apenas. Positivo, negativo ou neutro.
EXEMPLOS:
'This movie was great!': Positivo
'I hated the service.': Negativo
'I don't know how I feel about it.': Neutro

Esta técnica é extremamente poderosa para “ensinar” o modelo a reconhecer padrões específicos sem necessidade de treinamento adicional.

4. Prompting de Função (Role Prompting): A Arte da Personalização

O prompting de função é uma técnica fascinante que atribui uma persona específica ao modelo. Ao definir uma função ou personagem, você direciona o modelo a adotar um estilo, tom e perspectiva particulares.

Esta técnica é especialmente útil para:

• Conteúdo criativo com uma voz específica
• Simulação de diálogos ou perspectivas específicas
• Obtenção de respostas com um tom ou estilo particular

Como utilizar:
Instrua o modelo a assumir uma persona específica antes de fornecer a tarefa principal:

Escreva um blog curto (500 palavras) com 4 pontos sobre hacks universitários.
FUNÇÃO: Atue como uma garota universitária doce que usa muitas gírias da Geração Z.

O prompting de função permite uma personalização profunda das respostas, tornando-as mais autênticas e alinhadas com necessidades específicas de comunicação.

5. Prompting de Estilo (Style Prompting): Moldando a Forma da Comunicação

Enquanto o prompting de função se concentra na persona, o prompting de estilo foca especificamente no tom, formato ou gênero da resposta. Esta técnica é essencial para garantir que o conteúdo gerado se alinhe com suas expectativas estilísticas.

O prompting de estilo é ideal para:

• Definir o tom da comunicação (formal, casual, técnico)
• Especificar um gênero literário ou formato de escrita
• Garantir consistência estilística em múltiplas gerações

Aplicação prática:
Especifique claramente o estilo desejado em sua instrução:

Escreva um breve e-mail formal solicitando um aumento.

Esta técnica simples mas poderosa garante que a resposta do modelo esteja alinhada com o contexto comunicativo apropriado.

6. Prompting de Emoção (Emotion Prompting): O Poder do Sentimento

O prompting de emoção adiciona uma dimensão afetiva às suas instruções, incorporando elementos emocionais que influenciam o tom e o conteúdo da resposta. Esta técnica é particularmente eficaz para conteúdo criativo e narrativo.

Utilize o prompting de emoção para:

• Geração de conteúdo criativo com carga emocional
• Poesia e narrativas com profundidade sentimental
• Respostas que exigem empatia ou conexão emocional

Como implementar:
Incorpore elementos emocionais em sua instrução:

Escreva um poema sobre meu amigo imaginário perdido que nunca desistiu. Ainda sinto falta do meu amigo.

A inclusão de elementos emocionais pode transformar respostas mecânicas em conteúdo genuinamente tocante e envolvente.

7. Prompting Contextual: Informação de Fundo para Precisão

O prompting contextual enriquece suas instruções com informações de fundo relevantes, permitindo que o modelo gere respostas mais precisas e personalizadas. Esta técnica é fundamental para sistemas que necessitam de alta relevância contextual.

O prompting contextual é essencial para:

• Personalização baseada em dados específicos
• Respostas que devem considerar um contexto particular
• Sistemas de IA conversacional avançados (como chatbots RAG)

Implementação eficaz:
Forneça informações contextuais relevantes antes da instrução principal:

CONTEXTO: Meu nome é Jennifer Luke e sou gerente de marketing na JL firm.
PROMPT: Escreva um e-mail para a equipe sobre a próxima campanha.

Esta técnica permite que o modelo adapte sua resposta a circunstâncias específicas, aumentando significativamente a relevância e utilidade do conteúdo gerado.

8. Rephrase and Respond (RAR): Refinando a Pergunta

A técnica RAR (Reformular e Responder) pede ao modelo que primeiro reformule a pergunta em um formato mais claro e abrangente antes de fornecer a resposta. Este passo intermediário ajuda a garantir que o modelo compreenda completamente a intenção por trás da pergunta.

Utilize RAR quando:

• A pergunta original for ambígua ou mal formulada
• O tópico for complexo e exigir clarificação
• Você precisar de respostas mais precisas e abrangentes

Como aplicar:
Instrua o modelo a reformular a pergunta antes de respondê-la:

Reformule e expanda a seguinte pergunta, e então responda-a: Qual é a diferença entre correlação e causalidade?

Esta técnica simples pode melhorar drasticamente a qualidade das respostas, especialmente para perguntas complexas ou técnicas.

9. Re-Reading (RE2): Reforçando a Compreensão

A técnica RE2 (Re-leitura) envolve repetir a instrução ou pergunta original após a frase “Leia a pergunta novamente:”, incentivando o modelo a processar a informação uma segunda vez. Esta repetição estratégica melhora a precisão em tarefas que exigem raciocínio cuidadoso.

RE2 é particularmente útil para:

• Problemas matemáticos complexos
• Questões de raciocínio lógico
• Tarefas que exigem atenção a detalhes específicos

Implementação prática:
Apresente sua pergunta e então peça ao modelo para relê-la:

Um fazendeiro tem um campo retangular que é 3 vezes mais longo do que largo. O perímetro do campo é 400 metros. Quais são as dimensões do campo? Leia a pergunta novamente: 'Um fazendeiro tem um campo retangular que é 3 vezes mais longo do que largo. O perímetro do campo é 400 metros. Quais são as dimensões do campo?'

Esta técnica simples mas eficaz força o modelo a processar a informação mais cuidadosamente, reduzindo erros em tarefas complexas.

10. System Prompting: Definindo Comportamentos Globais

O system prompting fornece instruções de alto nível que definem como o modelo deve se comportar ao longo de toda a interação. Diferente de prompts específicos para tarefas individuais, os system prompts estabelecem diretrizes gerais para o tom, estilo e comportamento do modelo.

Esta técnica é ideal para:

• Estabelecer um tom consistente ao longo de múltiplas interações
• Definir restrições ou diretrizes gerais
• Criar assistentes virtuais com personalidades específicas

Como utilizar:
Forneça instruções gerais de comportamento no início da interação:

Você é um assistente útil que fornecerá respostas factuais em um tom conciso.

Os system prompts são particularmente poderosos em aplicações conversacionais onde a consistência comportamental é essencial.

11. Self-Ask: Dividir para Conquistar

A técnica Self-Ask instrui o modelo a dividir uma pergunta complexa em subperguntas menores e mais gerenciáveis, respondê-las individualmente e então sintetizar essas respostas em uma conclusão final. Esta abordagem estruturada melhora significativamente o raciocínio do modelo.

Utilize Self-Ask para:

• Perguntas complexas com múltiplas facetas
• Decisões que exigem consideração de vários fatores
• Análises que se beneficiam de uma abordagem sistemática

Implementação eficaz:
Instrua o modelo a dividir a pergunta em componentes menores:

Devo cursar um mestrado em ciência de dados? Divida esta questão em subperguntas menores, responda-as e forneça uma recomendação final baseada em seu raciocínio.

Esta técnica transforma perguntas intimidadoras em processos analíticos estruturados, resultando em respostas mais fundamentadas e abrangentes.

12. Chain-of-Thought (COT): Pensando Passo a Passo

A técnica Chain-of-Thought (Cadeia de Pensamento) instrui o modelo a externalizar seu processo de raciocínio, trabalhando através de um problema passo a passo. Adicionar a simples frase “Vamos pensar passo a passo” pode melhorar dramaticamente o desempenho em tarefas de raciocínio.

COT é especialmente útil para:

• Problemas matemáticos
• Raciocínio lógico
• Análises que exigem múltiplas etapas de pensamento

Como aplicar:
Adicione a instrução para pensar passo a passo:

Qual é o custo total de uma refeição com um desconto de 10% e um imposto de 7%? Vamos pensar passo a passo.

Esta técnica simples mas poderosa reduz significativamente os erros de raciocínio e melhora a transparência do processo de pensamento do modelo.

13. Step-Back Prompting: A Visão do Todo Antes dos Detalhes

O Step-Back Prompting (Prompting de Recuo) envolve primeiro fazer uma pergunta ampla para estabelecer um contexto abrangente, e então fazer uma pergunta mais específica baseada nesse contexto. Esta abordagem ajuda o modelo a considerar o quadro maior antes de focar em detalhes específicos.

Esta técnica é ideal para:

• Análises que se beneficiam de contexto mais amplo
• Tomada de decisão que requer consideração de múltiplos fatores
• Perguntas específicas dentro de domínios complexos

Implementação prática:
Comece com uma pergunta ampla seguida de uma específica:

Explique os principais fatores que influenciam a decisão de uma empresa de expandir para um novo mercado. Com base nisso, uma empresa do setor de tecnologia deve expandir para a Europa?

Esta abordagem em duas etapas permite análises mais fundamentadas e contextualizadas, resultando em respostas mais valiosas.

14. Self-Consistency: A Sabedoria das Múltiplas Perspectivas

A técnica Self-Consistency (Autoconsistência) instrui o modelo a gerar múltiplas respostas independentes para a mesma pergunta e então selecionar a resposta que aparece com mais frequência. Esta abordagem estatística melhora a precisão em tarefas que têm uma resposta claramente correta.

Utilize Self-Consistency quando:

• A precisão for crítica
• A pergunta tiver uma resposta definitiva
• Você quiser reduzir a variabilidade nas respostas

Como implementar:
Peça ao modelo para gerar múltiplas respostas e selecionar a mais comum:

Qual é a linguagem de programação mais popular para aprendizado de máquina? Gere 5 respostas possíveis e retorne apenas aquela que aparece com mais frequência.

Esta técnica aproveita o fato de que, mesmo quando o modelo erra, ele tende a errar de maneiras diferentes, enquanto acertos tendem a convergir para a mesma resposta.

15. Thread-of-Thought (THOT): Navegando por Territórios Complexos

Similar ao Chain-of-Thought, o Thread-of-Thought (Linha de Pensamento) instrui o modelo a trabalhar através de problemas complexos em partes gerenciáveis e passo a passo. A diferença sutil está na fraseologia e na ênfase em dividir o problema em componentes mais facilmente gerenciáveis.

THOT é particularmente eficaz para:

• Problemas complexos de múltiplas partes
• Cenários que envolvem múltiplas entidades ou variáveis
• Questões que requerem análise sistemática

Como aplicar:
Peça ao modelo para guiá-lo através do problema em partes gerenciáveis:

Guie-me por isso em partes gerenciáveis, passo a passo, para descobrir o número máximo de convidados que podem comparecer à festa (o número máximo de pessoas que podem ser satisfeitas com sua preferência musical).

Esta técnica transforma problemas aparentemente intratáveis em sequências lógicas de passos, facilitando tanto o processamento pelo modelo quanto a compreensão pelo usuário.

16. Tree-of-Thought (TOT): Explorando Múltiplos Caminhos

A técnica Tree-of-Thought (Árvore de Pensamento) leva o raciocínio estruturado a um novo nível, instruindo o modelo a não apenas dividir um problema em etapas, mas também a explorar múltiplas soluções possíveis em cada etapa, avaliar sua qualidade e prosseguir com as melhores opções.

TOT é ideal para:

• Problemas de design e inovação
• Cenários que se beneficiam da exploração de múltiplas alternativas
• Tarefas que requerem avaliação comparativa de opções

Implementação eficaz:
Instrua o modelo a explorar múltiplas opções em cada etapa do processo:

Estou projetando um novo tipo de xícara de café que mantém bebidas quentes por mais tempo. Divida este problema em etapas menores. Em cada etapa, gere múltiplas soluções possíveis, avalie sua qualidade (considere fatores como viabilidade, custo-benefício e impacto potencial) e continue com a melhor opção até chegar a uma solução final. Comece com um brainstorming de conceitos iniciais de design.

Esta técnica combina exploração criativa com avaliação crítica, resultando em soluções mais inovadoras e bem fundamentadas.

17. React (Reason and Act): O Ciclo de Pensamento-Ação-Observação

A técnica ReAct (Raciocinar e Agir) instrui o modelo a seguir um ciclo iterativo de pensamento, ação e observação. Esta abordagem é particularmente poderosa para tarefas que envolvem interação com dados externos ou sistemas, permitindo refinamento contínuo baseado em feedback.

Utilize ReAct para:

• Tarefas que envolvem pesquisa ou consulta de dados
• Processos iterativos que se beneficiam de ajustes baseados em resultados
• Interações com APIs ou ferramentas externas

Como implementar:
Instrua o modelo a seguir o ciclo de pensamento-ação-observação:

Preciso encontrar as tendências de mercado mais recentes para veículos elétricos. Primeiro, gere um pensamento sobre as palavras-chave mais relevantes para pesquisar. Então, realize uma pesquisa usando essas palavras-chave chamando a API de pesquisa. Observe os resultados da pesquisa, refine as palavras-chave com base nos dados recuperados e conduza outra pesquisa se necessário. Repita este processo, ajustando sua estratégia com base nas descobertas mais recentes, até encontrar os dados de tendência de mercado mais relevantes e recentes.

Esta técnica sofisticada permite que o modelo se adapte dinamicamente com base em informações externas, resultando em interações mais inteligentes e responsivas.

Conclusão: A Arte e a Ciência da Engenharia de Prompt

A engenharia de prompt é simultaneamente uma arte e uma ciência. As 17 técnicas que exploramos representam um espectro de abordagens, desde as mais simples até as mais sofisticadas, cada uma com seu próprio conjunto de casos de uso ideais.

A chave para o sucesso na engenharia de prompt é a experimentação. Não existe uma fórmula única que funcione para todas as situações. Em vez disso, você deve estar disposto a ajustar suas instruções, adicionar contexto ou combinar técnicas para obter os resultados desejados.

À medida que os LLMs continuam a evoluir, a engenharia de prompt se tornará uma habilidade cada vez mais valiosa. Aqueles que dominam esta arte terão uma vantagem significativa na extração do máximo valor destes poderosos modelos de linguagem.

Comece aplicando estas técnicas em suas próprias interações com IA e observe como a qualidade das respostas melhora drasticamente. Lembre-se: a forma como você pergunta é tão importante quanto o que você pergunta.

Fonte: Anjolaoluwa Ajayi. “17 Técnicas de Engenharia de Prompt e Quando Usá-las”. AI Advances, 26 de janeiro de 2025.