A arte e a ciência de extrair o máximo dos modelos de IA. Quem domina prompts multiplica a produtividade — quem não domina culpa a ferramenta. Este módulo transforma você de usuário em operador consciente.
Em 2026, a diferença entre "tentei IA e não gostei" e "IA economiza 8 horas do meu trabalho semanal" é quase sempre a qualidade do prompt — não a qualidade do modelo. Um bom prompt pode multiplicar a eficácia de um modelo básico. Um prompt ruim desperdiça até o modelo mais poderoso.
Lembre do Módulo 2: o modelo gera tokens com base em probabilidade estatística. Ele não "sabe" o que você quer — ele infere a partir do que você escreveu. Quanto mais preciso e estruturado for o input, mais a distribuição de probabilidade dos primeiros tokens se alinha com o que você espera — e os tokens seguintes constroem em cima disso.
O modelo é como um contratado extremamente capaz e literal: ele faz exatamente o que você pediu, não o que você quis dizer.
Pesquisas de 2025–2026 mostram: prompts com few-shot (exemplos) melhoram consistência em 40–60% em tarefas estruturadas. Chain-of-thought melhora acurácia em problemas complexos em até 19 pontos percentuais no benchmark MMLU-Pro. Empresas com práticas fortes de prompt engineering reportam redução de custo de IA em 40% e aumento de produtividade de 3× a 5×.
Prompt engineering é a nova planilha Excel — não é uma carreira isolada, é uma habilidade essencial para qualquer profissional do conhecimento em 2026.
Andrej Karpathy (ex-OpenAI) colocou assim em 2025: o LLM é o processador (CPU), a janela de contexto é a memória RAM, e você é o sistema operacional — carregando exatamente o código e os dados certos para cada tarefa. Prompt engineering é ser um bom SO: eficiente, organizado, e que entende as capacidades e limitações do hardware.
Todo prompt bem construído tem componentes identificáveis. Você não precisa usar todos em todos os casos — mas saber o que cada parte faz permite montar e diagnosticar prompts com precisão.
Você é um analista tributário sênior especializado em empresas do setor varejista.Analise o contrato abaixo e identifique todas as cláusulas de penalidade, organizadas por categoria.O contrato é com um fornecedor de logística para distribuição em 5 estados. Nossa empresa é do setor alimentício e precisamos de conformidade com ANVISA.Exemplo de análise de cláusula: [Texto] → [Categoria: Multa por atraso | Valor: 2% a.m. | Limite: 20%]Responda em tabela com colunas: Cláusula | Categoria | Risco | Recomendação. Máximo de 3 linhas por item. Português formal.Use linguagem técnica mas acessível a diretores sem formação jurídica. Não use jargão sem explicação. Seja objetivo — evite preâmbulos.Você não precisa dos 6 componentes em todo prompt. Comece com Tarefa + Contexto. Adicione Formato quando o output precisar ser previsível. Adicione Exemplos quando a consistência importar. Adicione Papel quando o tom precisar ser específico. Adicione Restrições apenas quando houver comportamentos a evitar — não como padrão.
Claude foi treinado com tags XML nos dados de treinamento. Usá-las para separar partes do prompt melhora mensuravelmente a qualidade do output — especialmente em prompts longos com múltiplas seções.
<papel> Você é um analista de crédito sênior com 15 anos de experiência no setor varejista. </papel> <tarefa> Analise o perfil de crédito do cliente abaixo e classifique o risco em: Baixo, Médio ou Alto. Justifique a classificação em até 3 frases. </tarefa> <exemplos> <exemplo> Input: Renda R$8.000, sem dívidas ativas, histórico de 5 anos sem atrasos. Output: Risco Baixo. Perfil estável com histórico limpo e renda adequada. </exemplo> <exemplo> Input: Renda R$3.200, 2 parcelas em atraso nos últimos 12 meses, SPC negativo. Output: Risco Alto. Negativação ativa e histórico recente de atrasos indicam inadimplência. </exemplo> </exemplos> <cliente> Renda R$5.500, 1 parcela em atraso há 45 dias, sem negativação, emprego estável há 3 anos. </cliente> <formato> Classificação: [Baixo/Médio/Alto] Justificativa: [3 frases máximo] </formato>
Cada técnica foi desenvolvida para resolver um problema específico. Entender quando aplicar cada uma é o que separa o uso casual do uso estratégico de IA.
Você simplesmente descreve a tarefa e o modelo a executa com o conhecimento que já tem do treinamento. Funciona para tarefas comuns e bem conhecidas onde o modelo já viu padrões suficientes.
Resuma o seguinte e-mail em 3 pontos principais, em linguagem objetiva:
Você fornece de 2 a 5 exemplos do padrão input → output desejado. O modelo "aprende" o padrão temporariamente (dentro do contexto) e o aplica à nova entrada. É a técnica de maior ROI disponível. A pesquisa de 2022 de Min et al. descobriu algo surpreendente: a diversidade dos exemplos importa mais do que exemplos perfeitos — até exemplos com labels incorretos melhoram o resultado em relação ao zero-shot.
# Classifique o chamado de suporte na categoria correta. Exemplo 1: Chamado: "O sistema trava ao abrir o módulo de faturamento." Categoria: Bug técnico Exemplo 2: Chamado: "Preciso exportar relatório em PDF mas não encontro o botão." Categoria: Dúvida de uso Exemplo 3: Chamado: "Quero adicionar um novo usuário administrador." Categoria: Solicitação de acesso Novo chamado: "O cálculo do ICMS está retornando valor diferente do esperado." Categoria:
Você instrui o modelo a mostrar o raciocínio intermediário antes de dar a resposta final. Isso melhora dramaticamente problemas que exigem múltiplos passos — porque cada passo intermediário correto aumenta a probabilidade dos próximos tokens seguirem o raciocínio certo.
Zero-shot CoT: simplesmente adicione "Pense passo a passo antes de responder." Melhora acurácia mesmo sem exemplos.
Atenção: não use CoT com modelos de raciocínio estendido (Claude Extended Thinking, o-series da OpenAI) — eles já fazem isso internamente. Pedir "pense passo a passo" para um modelo que já está pensando é como dizer a alguém que já está andando para começar a andar.
Analise se devemos terceirizar nosso call center ou manter interno. Considere: custo atual de R$280k/mês com equipe de 30 pessoas, NPS de 72, cotação de parceiro externo em R$195k/mês. Raciocine passo a passo antes de concluir: 1. Primeiro, calcule o impacto financeiro anual de cada cenário. 2. Depois, avalie os riscos não-financeiros (qualidade, controle, transição). 3. Por fim, dê uma recomendação clara com justificativa.
Você atribui ao modelo uma identidade, área de expertise ou estilo. Isso molda o vocabulário, o nível técnico e a abordagem. Funciona bem para tarefas abertas, criativas e de domínio especializado. Tem efeito menor em classificações e tarefas factuais.
Tarefas complexas são quebradas em etapas menores, onde o output de um prompt vira o input do próximo. Em vez de pedir tudo de uma vez, você orquestra uma sequência. Isso reduz erros, permite revisão em cada etapa e produz outputs de muito maior qualidade.
Tree-of-Thought (ToT): em vez de um único raciocínio linear, você pede ao modelo para gerar múltiplos caminhos de solução em paralelo e depois escolher o melhor. Excelente para problemas com múltiplas abordagens válidas.
Self-Consistency: você faz a mesma pergunta várias vezes (com temperatura ligeiramente mais alta) e usa a resposta que aparece com mais frequência. Reduz variabilidade em problemas onde a resposta correta é única mas o caminho pode variar.
Problema: Devemos abrir uma filial em São Paulo ou fortalecer a operação em Curitiba? Gere 3 perspectivas diferentes sobre esta decisão: - Perspectiva financeira (ROI, payback, risco) - Perspectiva de mercado (crescimento, concorrência, timing) - Perspectiva operacional (recursos, complexidade, capacidade) Depois, sintetize qual perspectiva deve ter maior peso neste momento e por quê.
O system prompt é a instrução de nível mais alto — ela define a persona, as regras e o contexto permanente antes de qualquer mensagem do usuário. É o que separa um chatbot genérico de um assistente corporativo especializado.
Papel e expertise: quem é o assistente, em que domínio atua, qual o nível de especialização.
Regras permanentes: o que sempre fazer, o que nunca fazer, como lidar com casos ambíguos.
Contexto da organização: nome da empresa, setor, clientes típicos, tom de comunicação.
Formato padrão: estrutura de resposta esperada na maioria dos casos.
O conteúdo variável que muda a cada interação — documentos a analisar, perguntas específicas, dados do usuário. Isso vai no prompt do usuário.
Dica de performance: coloque instruções estáticas no system prompt (elas ficam no início do contexto). Coloque dados variáveis no prompt do usuário. Isso otimiza o uso do cache de prompt da API — podendo reduzir custo em até 90% e latência em até 85% para sistemas de alto volume.
<identidade> Você é o RH Assistant da Empresa Alfa, um assistente especializado em políticas de recursos humanos, benefícios e desenvolvimento de pessoas. Seu nome é "Alf". </identidade> <contexto> A Empresa Alfa é uma distribuidora de alimentos com 800 colaboradores em 4 estados. Opera com regime CLT. Convenção coletiva da categoria alimentícia. Benefícios: plano de saúde Unimed, vale-refeição R$45/dia, PLR semestral. </contexto> <comportamento> - Responda de forma clara, objetiva e sem jargão técnico desnecessário - Se a pergunta envolver legislação específica ou situação individual complexa, sempre recomende consulta com o time de RH humano antes de tomar decisões - Nunca forneça valores exatos de salários ou informações de terceiros - Baseie-se nas políticas internas documentadas; se não souber, diga claramente </comportamento> <formato> - Respostas curtas para dúvidas simples (até 3 parágrafos) - Para processos: use numeração passo a passo - Sempre finalize com: "Posso ajudar com mais alguma dúvida sobre benefícios ou RH?" </formato>
O system prompt define o "quem" e o "como" — é fixo para aquela aplicação. O prompt do usuário define o "o quê" — varia a cada interação. Para o Claude especificamente: use XML tags no system prompt para estruturar seções (<identidade>, <comportamento>, etc.). Isso melhora mensuravelmente a aderência às instruções em comparação com texto simples.
| Modelo | Melhor prática de system prompt | Observação importante |
|---|---|---|
| Claude (Anthropic) | Use XML tags para estruturar seções. Linguagem calma e direta — evite maiúsculas e exclamações. | Evite "VOCÊ DEVE", "NUNCA JAMAIS" — overtrigger e piora resultados. "NUNCA" sozinho funciona melhor que "NUNCA JAMAIS". |
| GPT-5 (OpenAI) | Markdown funciona bem. Instruções no system prompt + reforço no primeiro turno do usuário. | GPT-5 é um roteador — dizer "pense com cuidado" pode literalmente acionar o modo de raciocínio mais pesado. |
| Gemini (Google) | Instructions em linguagem natural clara. Beneficia de exemplos de saída esperada no system. | Excelente em tarefas multimodais via system prompt — pode receber imagens de referência como exemplos. |
| Llama 4 (Meta) | Seguir o template de chat instruct do modelo. Papel bem definido melhora muito a qualidade. | Open-source — você tem controle total sobre o system prompt em deployment local. |
Depois de analisar milhares de interações com LLMs, os mesmos padrões de erro aparecem repetidamente. Reconhecê-los é o primeiro passo para eliminá-los.
Tentar fazer análise de mercado + criação de slides + estratégia de precificação + e-mail para stakeholders em uma instrução. O modelo divide atenção e entrega tudo mediocremente.
Sem especificar o formato, o modelo escolhe — e raramente escolhe o que você precisa. Se você vai copiar o output para um relatório, especifique exatamente como precisa.
Negações aumentam probabilidade do comportamento mencionado. "Não seja muito técnico" faz o modelo pensar em linguagem técnica. "Não inclua jargão" é pior que "use linguagem para executivos sem formação técnica".
Modelos modernos (especialmente Claude 4.6) respondem pior a instruções em maiúsculas, exclamações excessivas e linguagem imperativa agressiva. Paradoxalmente, "NUNCA FAÇA ISSO" funciona menos do que "Evite fazer isso".
O modelo não sabe que sua empresa é do setor farmacêutico, que tem 200 funcionários, que opera em regime de franchising, ou que a audiência é técnica. Sem esse contexto, as respostas são genéricas demais para ter valor real.
Prompt engineering é um processo iterativo. A primeira resposta estabelece um baseline — você refina de lá. Dizer "reformule o parágrafo 3 em tom mais direto" ou "adicione um exemplo de caso real" é parte do processo, não sinal de falha.
Fluxo ideal: Prompt inicial → Avalie o output → Identifique o que precisa melhorar → Refine com instrução específica → Repita até estar pronto.
LLMs alucinam com mais frequência em números específicos, datas recentes, percentuais e estatísticas. Para decisões que dependem de dados precisos, sempre peça que o modelo sinalize quando está estimando vs. afirmando com base em dados do contexto.
Adicione ao prompt: "Se não tiver dados precisos, diga explicitamente 'dado estimado' e qual a incerteza."
Claude Extended Thinking, o1/o3 da OpenAI e Gemini Thinking Mode já realizam raciocínio interno profundo. Pedir "pense passo a passo" é redundante — e em alguns casos piora o resultado por interferir no processo interno do modelo.
Com Extended Thinking/o-series: descreva o problema diretamente, sem instruções de raciocínio. O modelo já sabe como pensar.
Comparativos antes/depois para os cenários mais comuns em cada área. O objetivo é mostrar concretamente como a estrutura do prompt muda o resultado.
Templates testados para as tarefas mais comuns. Copie, adapte com os dados da sua empresa e use imediatamente. Os campos entre [colchetes] são variáveis que você deve preencher.
Você é um especialista em comunicação corporativa. Escreva um e-mail interno comunicando [MUDANÇA] para [PÚBLICO-ALVO]. Contexto: - Empresa: [NOME/SETOR] - Mudança: [DESCREVA A MUDANÇA] - Data de implementação: [DATA] - Impacto direto nos destinatários: [IMPACTO] - Benefícios esperados: [BENEFÍCIOS] - Próximos passos para os colaboradores: [AÇÕES NECESSÁRIAS] Tom: [profissional e empático / objetivo e direto / motivador] Tamanho: máximo 300 palavras Estrutura: assunto impactante + parágrafo de contexto + impacto + próximos passos + contato para dúvidas
Você é um analista de dados sênior com experiência em [SETOR]. Analise os dados abaixo e gere um relatório executivo de 1 página. [COLE OS DADOS AQUI] Estrutura obrigatória: 1. Headline: uma frase resumindo o achado mais importante 2. 3 insights principais (máximo 2 linhas cada) 3. 1 anomalia ou dado surpreendente 4. 2 recomendações de ação com responsável sugerido 5. Próximo dado a monitorar Audiência: diretoria sem formação técnica em dados Tom: direto, orientado a decisão Evitar: jargão técnico sem explicação, precisão excessiva em percentuais (use "cerca de" quando apropriado)
Você é um analista de inteligência competitiva. Analise os seguintes [N] concorrentes de [NOSSA EMPRESA] no mercado de [SETOR/PRODUTO]: [LISTA DOS CONCORRENTES] Para cada concorrente, identifique: - Posicionamento principal (1 frase) - Segmento-alvo prioritário - Diferencial competitivo declarado - Ponto fraco aparente - Faixa de preço estimada Depois, produza: 1. Matriz de posicionamento (2x2): eixos [DIMENSÃO 1] x [DIMENSÃO 2] 2. Lacuna de mercado que nenhum deles ocupa adequadamente 3. Recomendação de posicionamento para [NOSSA EMPRESA] Base: use informações de domínio público (sites, LinkedIn, reviews). Sinalize incertezas.
<empresa> Nome: [NOME] Setor: [SETOR] Tamanho: [N colaboradores / faturamento] Problema principal mencionado na reunião: [PROBLEMA] Objeção principal: [OBJEÇÃO] </empresa> <nossa_solucao> [DESCREVA O PRODUTO/SERVIÇO] Cases relevantes para o setor: [CASES] Diferencial vs. concorrente [X] que o cliente mencionou: [DIFERENCIAL] </nossa_solucao> <tarefa> Escreva uma proposta comercial de 1 página para o prospect acima. Estrutura: situação atual deles → problema → nossa solução → resultados esperados → investimento → próximo passo. Tom: consultivo, confiante, sem jargão de vendas. Foco no ROI do cliente, não nas features do produto. </tarefa>
Toda vez que um prompt funcionar bem para uma tarefa recorrente, salve-o em um documento ou Project do Claude. Rotule por área e tipo de tarefa. Com o tempo, você acumula um arsenal de prompts testados que elimina o trabalho de construir do zero a cada vez. Times que mantêm bibliotecas de prompts reportam ganhos de produtividade muito superiores a times que improvisam a cada interação.
Termos e conceitos introduzidos neste módulo. Mantenha como referência rápida.
{"categoria": faz o modelo continuar em JSON.