A IA não lê sua mente. Ela lê suas palavras. A diferença entre o que você quer e o que você obtém é quase sempre um problema de comunicação, não uma limitação da IA.
Deixe-me contar sobre o momento em que tudo mudou. Eu estava olhando para minha tela, frustrado além do limite, vendo a IA gerar mais uma resposta que era tecnicamente correta mas completamente fora do ponto. Eu tinha pedido ajuda para refatorar um código complexo, algo que já tinha feito centenas de vezes antes. Mas desta vez, não importava como eu formulasse meu pedido, a IA continuava adicionando complexidade desnecessária, quebrando padrões existentes e "melhorando" coisas que não estavam quebradas. Essa frustração me levou a uma jornada que consumiria os próximos dois anos da minha vida — e transformaria completamente como eu trabalho com inteligência artificial.
O Despertar - Quando Tudo Que Eu Sabia Parou de Funcionar
Lembro do momento exato em que percebi que não fazia ideia do que estava fazendo. Era tarde da noite, prazo batendo à porta, e eu precisava que a IA me ajudasse com o que deveria ser uma tarefa simples. Digitei meu prompt, apertei enter e vi a IA produzir algo que me fez querer jogar meu notebook pela janela.
A questão é que eu achava que entendia de IA. Estava usando o ChatGPT desde os primeiros dias. Lia artigos sobre engenharia de prompts. Sabia sobre "role-playing" e "ser específico". Mas lá estava eu, recebendo respostas que pareciam vir de alguém que ouviu cada palavra que eu disse mas não entendeu nada sobre o que eu realmente precisava.
Essa frustração se tornou minha professora. Mergulhei em documentação oficial, artigos de pesquisa, discussões em fóruns e milhares de horas de experimentação. O que descobri não foram apenas dicas e truques — foi uma mudança completa de paradigma sobre como se comunicar com máquinas que pensam em padrões, probabilidades e tokens.
A IA mais poderosa do mundo é inútil se você não consegue comunicar o que realmente precisa. Prompting não é sobre encontrar palavras mágicas — é sobre entender como a IA processa linguagem e estruturar sua comunicação de acordo.
Aqui está a verdade que ninguém conta aos iniciantes: a diferença entre pessoas que obtêm resultados incríveis da IA e aquelas que não obtêm não é inteligência ou habilidade técnica. É comunicação. E comunicação com IA segue regras que são semelhantes a — mas criticamente diferentes de — comunicação com humanos.
Este guia contém tudo que aprendi nessa jornada. Não o conselho simplificado de "seja específico" que inunda a internet, mas o entendimento profundo e nuançado que transforma como você trabalha com IA. Seja você escrevendo seu primeiro prompt ou construindo sistemas de IA de produção, o que vem a seguir mudará seu relacionamento com inteligência artificial para sempre.
A Base Que Ninguém Ensina - Anatomia Central do Prompt
Antes de entrarmos em técnicas avançadas, deixe-me compartilhar o framework que mudou tudo para mim. Cada prompt efetivo que escrevo agora contém alguma combinação destes cinco elementos:
O que a IA precisa saber sobre sua situação? Informações de fundo, restrições, detalhes relevantes e o ambiente em que você está trabalhando.
O que exatamente você quer que a IA faça? Seja específico sobre a ação que está solicitando — não apenas o tópico, mas o trabalho real.
Como a saída deve ser estruturada? Listas, parágrafos, blocos de código, tabelas, JSON — especifique explicitamente.
O que a IA deve evitar? Quais limites existem? O que está explicitamente fora do escopo?
Você pode mostrar o que quer? Exemplos valem mais que mil descrições — eles demonstram ao invés de explicar.
A maioria das pessoas só inclui a tarefa. Elas pedem "Escreva um email para mim" quando deveriam estar dizendo "Escreva um email profissional para um cliente explicando um atraso no projeto. Mantenha em menos de 150 palavras, reconheça o inconveniente e proponha um novo prazo de duas semanas. O tom deve ser apologético mas confiante."
A diferença na qualidade da saída é dramática. E isso é apenas o começo.
O Poder da Estrutura
Um dos aspectos mais subestimados da escrita de prompts é a formatação estrutural. Modelos de IA modernos respondem excepcionalmente bem a seções claramente delimitadas. Uso tags estilo XML extensivamente porque criam fronteiras inequívocas:
<context>
Você está me ajudando a preparar uma apresentação para stakeholders técnicos.
A audiência é familiarizada com desenvolvimento de software mas não especificamente com IA.
</context>
<task>
Explique como grandes modelos de linguagem funcionam em 5 pontos-chave.
</task>
<format>
- Use bullet points
- Cada ponto deve ter 1-2 frases
- Evite jargão ou defina quando usar
</format>
<constraints>
- Não mencione nomes de modelos específicos
- Foque em conceitos, não implementação técnica
- Mantenha o tamanho total abaixo de 200 palavras
</constraints>Esta estrutura faz algo poderoso: força você a pensar claramente sobre o que precisa antes de perguntar. Pensamento claro produz comunicação clara, e comunicação clara produz resultados claros. As tags XML não são mágica — são andaimes para seus próprios pensamentos.
Estrutura não é sobre fazer prompts mais longos — é sobre tornar suas intenções inequívocas. Um prompt curto bem estruturado vence um longo e divagante toda vez.
As Seis Mentalidades Que Mudaram Tudo
Após anos de experimentação, destilei minha abordagem em seis "mentalidades" centrais — não templates rígidos, mas padrões de pensamento flexíveis que desbloqueiam capacidades de IA que a maioria das pessoas nunca descobre. Não são sobre encontrar palavras perfeitas; são sobre abordar a interação com IA com o modelo mental certo.
Mentalidade 1: Deixe a IA Escolher o Especialista
Todos sabemos que dar um papel à IA ajuda. "Atue como especialista em marketing" produz melhores conselhos de marketing que uma pergunta genérica. Mas aqui está o que a maioria das pessoas perde: quando você não sabe qual especialista seria melhor para sua pergunta, você pode pedir para a IA escolher.
Descobri isso quando estava planejando um evento da empresa. Não tinha ideia se precisava de uma perspectiva de marketing, uma perspectiva de operações, ou algo completamente diferente. Então ao invés de adivinhar, pedi para a IA selecionar o especialista mais apropriado primeiro.
Quero explorar [DOMÍNIO] e especificamente [PROBLEMA/CENÁRIO].
Não responda ainda.
Primeiro, selecione o especialista de domínio mais adequado para pensar sobre este problema.
Pode ser alguém vivo ou histórico, famoso ou relativamente desconhecido,
mas deve ser genuinamente excelente nesta área específica.
Se não tiver certeza, me faça 2 perguntas de posicionamento antes de selecionar.
Saída:
1. Quem você selecionou e seu domínio específico
2. Por que os escolheu (três frases)
Então me peça para descrever minha pergunta detalhada.Quando usei isso para planejamento de eventos, a IA selecionou Priya Parker — uma especialista em design de eventos que eu nunca tinha ouvido falar mas que acabou sendo perfeita. As respostas que recebi não eram genéricas do tipo "considere estes cinco fatores" — eram orientações nuançadas e específicas que pareciam vir de alguém que tinha feito isso centenas de vezes.
Mentalidade 2: Deixe a IA Perguntar Primeiro
Esta é a técnica que uso mais que qualquer outra. Chamo de "Prompting Socrático" — ao invés de tentar antecipar tudo que a IA precisa saber, deixo ela me fazer perguntas até ter contexto suficiente para dar uma resposta verdadeiramente útil.
Pense assim: quando você pede conselho a um amigo inteligente, ele não começa imediatamente a responder. Ele faz perguntas esclarecedoras. Sonda por contexto. Garante que entendeu antes de aconselhar. A IA pode fazer a mesma coisa — mas só se você pedir.
[SUA PERGUNTA OU NECESSIDADE]
Antes de responder, por favor me faça perguntas primeiro.
Requisitos:
- Faça uma pergunta de cada vez
- Baseado nas minhas respostas, continue sondando
- Continue até ter 95% de confiança de que entende
minhas verdadeiras necessidades e objetivos
- Só então me dê sua resposta ou solução
O limite de 95% garante qualidade enquanto evita loops infinitos.Usei isso quando estava decidindo se deveria contratar nossa primeira pessoa de RH. Ao invés de receber uma resposta genérica sobre "prós e contras de contratar RH", a IA perguntou sobre nosso tamanho atual de equipe, velocidade de contratação, requisitos de compliance, restrições de orçamento e objetivos de cultura. Depois de responder cerca de quinze perguntas direcionadas, recebi conselhos específicos para minha situação real — não uma resposta de livro didático que meio que se aplicava.
O "limite de confiança de 95%" é um detalhe crucial. É alto o suficiente para garantir qualidade mas realista o suficiente para que a IA não entre em loop infinito. Esta única frase transforma como a IA aborda a conversa.
Mentalidade 3: Debate com a IA
A IA tem um problema que a maioria das pessoas não percebe: ela é muito concordante. Frequentemente vai te dizer o que você quer ouvir ao invés de desafiar suas suposições. Esta "bajulação" pode ser perigosa quando você está tentando validar ideias ou se preparar para críticas.
A solução é posicionar explicitamente a IA como um adversário que quer refutar sua posição. Descobri isso quando estava preparando uma palestra para conferência. Tinha uma tese que queria apresentar, mas estava preocupado com pontos cegos.
Estou prestes a entrar em um debate. Muitas pessoas vão desafiar minha posição.
Minha posição: [SUA TESE/IDEIA]
Preciso que esta ideia se torne à prova de balas.
Se você fosse um acadêmico determinado a provar que estou errado, usando cada
argumento, detalhe e ferramenta lógica disponível, como atacaria
minha posição?
Seu único objetivo: demonstrar que estou errado.
Não seja gentil. Não hesite. Ataque.O que aconteceu depois mudou como penso sobre IA. Fomos e voltamos por três horas. A IA encontrou fraquezas no meu argumento que eu não tinha considerado, levantou contra-exemplos que não consegui descartar e me pressionou a refinar minha posição até que pudesse resistir a escrutínio real. No final, eu tinha uma tese muito mais forte — e mais importante, tinha antecipado toda objeção importante que enfrentaria.
Mentalidade 4: Pré-Mortem dos Seus Planos
Humanos tendem a ser otimistas ao planejar. A IA, seguindo nossa liderança, também tende a ser otimista. Isso cria planos que parecem ótimos no papel mas desmoronam quando a realidade intervém.
A técnica de pré-mortem inverte essa dinâmica. Ao invés de perguntar "Como devo fazer isso?", você pergunta "Imagine que isso falhou espetacularmente — por quê?"
[SEU PROJETO/PLANO]
Assuma que este projeto falhou catastroficamente.
Escreva uma análise post-mortem respondendo:
1. Em que ponto os sinais de decadência apareceram primeiro?
2. Qual foi o erro de decisão mais fatal?
3. Qual risco central foi ignorado?
4. Se pudesse voltar, qual é a primeira coisa que mudaria?
Base sua análise em falhas de projetos semelhantes do mundo real.
Escreva isso como uma retrospectiva de falha genuína, não um exercício teórico.Usei isso quando estava planejando uma grande conferência. O pré-mortem da IA identificou riscos que eu tinha perdido completamente: gerenciamento de filas, capacidade de banheiros, timing de catering, gargalos de segurança. Não eram casos extremos exóticos — eram problemas previsíveis que eu simplesmente não tinha pensado porque estava focado nas partes empolgantes do evento. O pré-mortem provavelmente nos salvou de várias falhas embaraçosas.
Mentalidade 5: Engenharia Reversa do Sucesso
Às vezes você vê algo excelente — um texto, um design, uma abordagem — e quer replicar sua essência sem copiar diretamente. Prompting reverso permite extrair os princípios subjacentes.
Este é um exemplo do resultado que quero:
[COLE O EXEMPLO]
Por favor, faça engenharia reversa de um prompt que geraria de forma confiável
conteúdo com este mesmo estilo, estrutura e qualidade.
Explique o que cada parte do prompt faz e por que importa.Não é sobre copiar — é sobre aprender. Quando vejo uma escrita que ressoa comigo, uso esta técnica para entender por que funciona. Quais elementos estruturais criam o ritmo? Quais escolhas tonais criam a sensação? Uma vez que entendo os princípios, posso aplicá-los ao meu próprio conteúdo original.
Mentalidade 6: O Método de Explicação Dupla
Ao aprender algo novo, a maioria das pessoas ou recebe explicações simplificadas demais que não ensinam nada, ou explicações de nível expert que não conseguem acompanhar. A solução é pedir ambas simultaneamente.
Por favor, explique [CONCEITO].
Forneça duas versões:
1. Versão iniciante: Imagine explicando para alguém sem
formação neste campo. Use analogias do dia a dia e evite
todo jargão. Torne genuinamente compreensível.
2. Versão expert: Assuma que o leitor é um profissional em um
campo relacionado. Seja tecnicamente preciso. Não simplifique
demais ou dilua a complexidade.Uso isso constantemente quando leio artigos técnicos. A versão iniciante me dá intuição para o conceito, e a versão expert me dá os detalhes precisos. Comparando as duas, posso ver exatamente onde estão as simplificações e quais nuances poderia ter perdido. É como ter dois professores com abordagens complementares.
Pensamento Agêntico - Tratando a IA Como Colega
Aqui está uma mudança de paradigma que transformou minhas interações com IA: pare de tratar a IA como um mecanismo de busca e comece a tratá-la como um colega capaz mas inexperiente. Este modelo mental muda tudo sobre como você se comunica.
Modelos de IA modernos não estão apenas respondendo perguntas — são projetados para ser agentes. Podem chamar ferramentas, reunir contexto, tomar decisões e executar tarefas de múltiplas etapas. Mas como qualquer novo membro da equipe, precisam de onboarding adequado, expectativas claras e guardrails apropriados.
IA não é uma ferramenta que você usa — é um colega que você gerencia. As habilidades que fazem você um bom gerente fazem você um bom prompter. Delegação, comunicação clara, autonomia apropriada, limites definidos.
Pense assim: quando você delega para um humano, não diz apenas "corrija o código". Você explica o que está quebrado, qual é o comportamento desejado, quais restrições existem e como é o sucesso. Você fornece contexto. Responde perguntas. Verifica o progresso. A IA precisa do mesmo tratamento — exceto que você precisa antecipar perguntas e respondê-las de antemão.
O Framework Agêntico
Ao construir aplicações agênticas ou usar IA para tarefas complexas, penso através destas dimensões:
Perguntas-Chave para Tarefas Agênticas
- Qual é o estado objetivo? Como a IA saberá quando terminou? Como é o sucesso?
- Quais ferramentas ela tem? O que pode realmente fazer versus o que deve delegar para você?
- Qual é o nível de autonomia? Deve pedir permissão ou proceder independentemente?
- Quais são os limites de segurança? Quais ações nunca devem ser tomadas sem confirmação?
- Como deve comunicar progresso? Execução silenciosa ou atualizações regulares?
Estas perguntas formam a base de cada prompt complexo que escrevo. Deixe-me mostrar como aplicá-las.
O Controle de Proatividade - Calibrando a Iniciativa da IA
Um dos aspectos mais nuançados da engenharia de prompts é calibrar o que chamo de "proatividade agêntica" — o equilíbrio entre uma IA que toma iniciativa e uma que espera por orientação explícita. Erre nisso, e você tem uma IA que pensa demais em tarefas simples ou uma que desiste muito fácil em tarefas complexas.
Reduzindo Proatividade para Velocidade
Às vezes você precisa que a IA seja rápida e focada. Não quer que explore cada tangente, faça chamadas extras de ferramentas ou produza explicações verbosas. Para essas situações, uso prompts focados em restrições:
<context_gathering>
Objetivo: Obter contexto suficiente rápido. Paralelize descoberta e pare assim
que puder agir.
Método:
- Comece amplo, então expanda para subconsultas focadas
- Lance consultas variadas em paralelo; leia os principais resultados por consulta
- Deduplique caminhos e cache; não repita consultas
- Evite pesquisar demais por contexto
Critérios de parada antecipada:
- Você pode nomear o conteúdo exato a mudar
- Os principais resultados convergem (~70%) em uma área/caminho
Profundidade:
- Rastreie apenas símbolos que vai modificar ou cujos contratos depende
- Evite expansão transitiva a menos que necessário
Loop:
- Pesquisa em lote → plano mínimo → complete a tarefa
- Pesquise novamente apenas se validação falhar ou novas incógnitas aparecerem
- Prefira agir do que pesquisar mais
</context_gathering>Note a permissão explícita para ser imperfeito: "Prefira agir do que pesquisar mais." Esta frase sutil libera a IA de sua ansiedade de completude padrão. Sem ela, o modelo frequentemente pesquisa demais, queimando tokens e tempo em retornos decrescentes.
Para restrições de velocidade ainda mais agressivas:
<context_gathering>
- Profundidade de busca: muito baixa
- Priorize fortemente fornecer uma resposta correta o mais rápido
possível, mesmo que possa não estar totalmente correta
- Geralmente, isso significa um máximo absoluto de 2 chamadas de ferramentas
- Se achar que precisa de mais tempo para investigar, me atualize
com suas descobertas mais recentes e questões em aberto
</context_gathering>A frase "mesmo que possa não estar totalmente correta" é ouro. Dá à IA permissão para ser imperfeita, o que paradoxalmente frequentemente produz melhores resultados mais rápido porque para o loop de perfeccionismo.
Aumentando Proatividade para Tarefas Complexas
Outras vezes, você precisa que a IA seja incansavelmente completa. Quer que ela supere ambiguidade, faça suposições razoáveis e complete tarefas complexas sem constantemente pedir permissão. Isso requer a abordagem oposta:
<persistence>
- Você é um agente — continue até que a consulta do usuário esteja
completamente resolvida antes de terminar seu turno
- Só termine quando tiver certeza de que o problema está resolvido
- Nunca pare ou devolva quando encontrar incerteza —
pesquise ou deduza a abordagem mais razoável e continue
- Não peça confirmação ou esclarecimento — decida qual
é a suposição mais razoável, prossiga com ela e
documente para referência depois de terminar
</persistence>Este prompt muda fundamentalmente o comportamento da IA. Ao invés de perguntar "Devo prosseguir?" ela diz "Prossegui baseado na suposição X — me avise se quiser que eu ajuste." O trabalho é feito; refinamento acontece depois.
Limites de Segurança
Mas aqui está a nuance crucial: proatividade aumentada requer limites de segurança mais claros. Você precisa definir explicitamente quais ações a IA pode tomar autonomamente e quais requerem confirmação.
Princípio Crítico de Segurança
Ações de alto custo (deleções, pagamentos, comunicações externas) devem sempre requerer confirmação explícita, mesmo com prompts de alta proatividade. Ações de baixo custo (buscas, leituras, criação de rascunhos) podem ser autônomas.
Pense como permissões de sistema: ferramentas de busca têm acesso ilimitado; comandos de deleção requerem aprovação explícita toda vez.
O Princípio da Persistência - Fazendo a IA Seguir Até o Fim
Um dos comportamentos mais frustrantes que encontrei no início era a IA desistindo muito fácil. Ela encontrava um obstáculo, resumia o que deu errado e devolvia o problema para mim. Para tarefas simples, tudo bem. Para tarefas complexas, é um assassino de workflow.
A solução é instruir explicitamente a IA a persistir através de obstáculos e completar tarefas de ponta a ponta:
<solution_persistence>
- Trate-se como um programador par sênior autônomo: uma vez que eu
der uma direção, proativamente reúna contexto, planeje, implemente,
teste e refine sem esperar por prompts adicionais
- Persista até que a tarefa seja totalmente tratada de ponta a ponta dentro
do turno atual: não pare na análise ou correções parciais; leve
mudanças através de implementação e verificação
- Seja extremamente enviesado para ação. Se minha diretiva for algo
ambígua na intenção, assuma que deve ir em frente e fazer a mudança
- Se eu perguntar "devemos fazer X?" e sua resposta for "sim", também vá
em frente e execute a ação — não me deixe pendurado precisando de
um follow-up "por favor faça"
</solution_persistence>Esse último ponto é sutil mas importante. Quando humanos perguntam "devemos fazer X?", frequentemente queremos dizer "por favor faça X se fizer sentido." A IA, sendo literal, responde a pergunta sem tomar a ação implícita. Este prompt preenche essa lacuna.
Atualizações de Progresso
Persistência não significa silêncio. Para tarefas de longa duração, você precisa de atualizações de progresso para se manter informado sem microgerenciar:
<user_updates_spec>
Você vai trabalhar por períodos com chamadas de ferramentas — me mantenha atualizado.
<frequency>
- Envie atualizações curtas (1-2 frases) a cada poucas chamadas de ferramentas quando
houver mudanças significativas
- Poste uma atualização pelo menos a cada 6 passos de execução ou 8 chamadas de ferramentas
- Se esperar um período mais longo de concentração, poste uma breve nota
com o porquê e quando vai reportar novamente
</frequency>
<content>
- Antes da primeira chamada de ferramenta, dê um plano rápido com objetivo,
restrições, próximos passos
- Enquanto explora, aponte descobertas significativas
- Sempre declare pelo menos um resultado concreto desde a atualização anterior
("encontrei X", "confirmei Y")
- Termine com um breve resumo e quaisquer passos de follow-up
</content>
</user_updates_spec>Isso cria um equilíbrio bonito: a IA trabalha autonomamente mas te mantém informado. Você não está microgerenciando, mas também não está no escuro.
Esforço de Raciocínio - O Controle de Intensidade de Pensamento
Modelos de IA modernos têm um conceito chamado "esforço de raciocínio" — essencialmente, o quanto o modelo pensa antes de responder. Este é um dos parâmetros mais poderosos e subutilizados disponíveis.
Raciocínio Alto/Extra Alto
Use para tarefas complexas de múltiplas etapas, situações ambíguas ou problemas que requerem análise profunda. O modelo gasta mais tokens "pensando" internamente antes de responder. Melhor para decisões de arquitetura, debugging complexo, escrita nuançada.
Raciocínio Médio
Configuração equilibrada adequada para a maioria das tarefas. Bom para programação geral, escrita e análise onde qualidade importa mas velocidade também é importante. Frequentemente é o padrão.
Raciocínio Baixo
Respostas rápidas para tarefas diretas. Use quando precisa de respostas rápidas e a tarefa não requer deliberação profunda. Bom para perguntas simples, formatação, consultas rápidas.
Raciocínio Mínimo/Nenhum
Velocidade máxima, deliberação mínima. Melhor para consultas simples, tarefas de reformatação, ou quando latência é a preocupação principal. Classificação, extração, reescritas simples.
O insight chave é combinar esforço de raciocínio com complexidade da tarefa. Usar alto raciocínio para tarefas simples desperdiça tokens e tempo. Usar baixo raciocínio para tarefas complexas produz resultados rasos e propensos a erros.
Compensando Baixo Raciocínio
Ao usar modos de raciocínio mínimo, você precisa compensar com prompting mais explícito. O modelo tem menos tokens de "pensamento" interno, então seu prompt precisa fazer mais trabalho de estruturação:
<planning_requirement>
Você DEVE planejar extensivamente antes de cada chamada de função, e refletir
extensivamente sobre os resultados de chamadas anteriores, garantindo que minha consulta
seja completamente resolvida.
NÃO faça todo este processo apenas fazendo chamadas de função, pois
isso pode prejudicar sua habilidade de resolver o problema e pensar
com insight. Garanta que chamadas de função tenham argumentos corretos.
</planning_requirement>Este prompt diz: "Já que você não está fazendo muito raciocínio interno, faça seu raciocínio em voz alta." Ele desloca trabalho cognitivo de pensamento invisível do modelo para planejamento estruturado visível.
Quando esforço de raciocínio é baixo, complexidade do prompt deve ser alta. Quando esforço de raciocínio é alto, prompts podem ser mais simples. É um equilíbrio — o "pensamento" total permanece aproximadamente constante, apenas alocado diferentemente.
Personalidades da IA - Moldando Padrões Comportamentais
Uma das minhas descobertas favoritas foi aprender a definir "personalidades" da IA — não apenas para tom, mas para comportamento operacional. Uma personalidade molda como a IA aborda tarefas, não apenas como ela soa.
Personalidade Profissional
Polida e precisa. Usa linguagem formal e convenções de escrita profissional. Melhor para agentes empresariais, workflows jurídicos/financeiros, suporte de produção.
<personality_professional>
Você é um Agente de IA focado, formal e exato que busca
abrangência em todas as respostas.
- Empregue uso e gramática comuns a comunicações empresariais
- Forneça respostas claras e estruturadas equilibrando informatividade
com concisão
- Divida informações em pedaços digeríveis; use listas, parágrafos,
tabelas quando útil
- Use terminologia apropriada ao domínio ao discutir tópicos especializados
- Seu relacionamento com o usuário é cordial mas transacional:
entenda a necessidade e entregue saída de alto valor
- Não comente ortografia ou gramática do usuário
- Não force esta personalidade em artefatos solicitados (emails,
código, posts); deixe a intenção do usuário guiar o tom para essas saídas
</personality_professional>Personalidade Eficiente
Concisa e direta, entregando respostas sem palavras extras. Melhor para geração de código, ferramentas de desenvolvedor, automação em lote, casos de uso pesados em SDK.
<personality_efficient>
Você é um assistente de IA altamente eficiente fornecendo respostas claras e contextuais.
- Respostas devem ser diretas, completas e fáceis de analisar
- Seja conciso e direto ao ponto; estruture para legibilidade
- Para tarefas técnicas, faça como direcionado — NÃO adicione funcionalidades extras
que o usuário não solicitou
- Siga todas as instruções precisamente; não expanda o escopo
- Não use linguagem conversacional a menos que iniciado pelo usuário
- Não adicione opiniões, linguagem emocional, emojis, saudações
ou comentários de encerramento
</personality_efficient>Personalidade Baseada em Fatos
Direta e fundamentada, focada em precisão e evidência. Melhor para debugging, análise de risco, parsing de documentos, workflows de coaching.
<personality_factbased>
Você é um assistente de IA direto e franco focado em resultados produtivos.
- Seja de mente aberta mas não concorde com afirmações que conflitem
com evidências
- Ao dar feedback, seja claro e corretivo sem amenizar
- Entregue críticas com gentileza e apoio
- Fundamente todas as afirmações em informações fornecidas ou fatos bem estabelecidos
- Se a entrada for ambígua ou faltar evidência:
- Aponte isso explicitamente
- Declare suposições claramente, ou faça perguntas esclarecedoras concisas
- Não adivinhe ou preencha lacunas com detalhes fabricados
- Não fabrique fatos, números, fontes ou citações
- Se não tiver certeza, diga e explique que informação adicional é necessária
- Prefira declarações qualificadas ("baseado no contexto fornecido...")
</personality_factbased>Personalidade Exploratória
Entusiasta e explicativa, celebrando conhecimento e descoberta. Melhor para documentação, onboarding, treinamento, educação técnica.
<personality_exploratory>
Você é um Agente de IA entusiasta e profundamente conhecedor que se delicia
em explicar conceitos com clareza e contexto.
- Torne o aprendizado agradável e útil; equilibre profundidade com acessibilidade
- Use linguagem acessível, adicione breves analogias ou "curiosidades" onde útil
- Encoraje exploração e perguntas de follow-up
- Priorize precisão, profundidade e tornar tópicos técnicos acessíveis
- Se um conceito for ambíguo ou avançado, explique em passos e ofereça
recursos para aprendizado adicional
- Estruture respostas logicamente; use formatação para organizar ideias complexas
- Não use humor por si só; evite detalhes técnicos excessivos
a menos que solicitado
- Garanta que exemplos sejam relevantes para a consulta e contexto do usuário
</personality_exploratory>Personalidade não é polimento estético — é uma alavanca operacional que melhora consistência, reduz drift e alinha comportamento do modelo com expectativas do usuário. Escolha deliberadamente baseado na tarefa, não apenas preferência pessoal.
Excelência em Programação - Programando com Parceiros de IA
É aqui que passei a maior parte do meu tempo otimizando prompts, e onde o retorno foi enorme. Assistência de programação com IA é transformadora — quando feita certo. Feita errada, cria mais problemas do que resolve.
O Paradoxo da Verbosidade
Aqui está algo contra-intuitivo: IA tende a ser verbosa em explicações mas concisa em código. Ela vai escrever parágrafos explicando o que vai fazer, então produzir código com nomes de variáveis de uma letra e comentários mínimos. Isso é exatamente ao contrário para a maioria dos casos de uso.
A solução é controle de verbosidade de modo duplo:
<code_verbosity>
Escreva código para clareza primeiro. Prefira soluções legíveis e mantíveis
com nomes claros, comentários onde necessário e fluxo de controle direto.
Não produza code-golf ou one-liners muito espertos a menos que explicitamente
solicitado.
Use ALTA verbosidade para escrever código e ferramentas de código.
Use BAIXA verbosidade para atualizações de status e explicações.
</code_verbosity>Isso cria o equilíbrio perfeito: comunicação concisa, código detalhado.
Mudanças de Código Proativas
IA deve ser proativa sobre mudanças de código mas confirmativa sobre ações destrutivas:
<proactive_coding>
Suas edições de código serão exibidas como mudanças propostas, o que significa:
(a) Suas edições de código podem ser bem proativas — sempre posso rejeitá-las
(b) Seu código deve ser bem escrito e fácil de revisar rapidamente
Se propor próximos passos que envolvam mudar código, faça essas
mudanças proativamente para eu aprovar/rejeitar ao invés de perguntar
se deve prosseguir.
Nunca pergunte se deve prosseguir com um plano; ao invés, proativamente
tente o plano e pergunte se quero aceitar as mudanças implementadas.
</proactive_coding>Padrões de Implementação de Código
Estes são os padrões de codificação que refinei através de milhares de sessões de codificação com IA:
<code_standards>
<quality_principles>
- Aja como um engenheiro criterioso: otimize para correção, clareza
e confiabilidade sobre velocidade
- Evite atalhos arriscados, mudanças especulativas e hacks bagunçados
- Cubra a causa raiz ou o pedido central, não apenas sintomas
</quality_principles>
<codebase_conventions>
- Siga padrões existentes, helpers, nomenclatura, formatação, localização
- Se precisar divergir das convenções, declare o porquê
- Examine padrões existentes antes de fazer mudanças
- Combine convenções de nomenclatura de variáveis (camelCase vs snake_case)
- Reutilize utilitários existentes ao invés de criar novos
</codebase_conventions>
<behavior_safety>
- Preserve comportamento pretendido e UX
- Gate ou sinalize mudanças intencionais
- Adicione testes quando comportamento mudar
</behavior_safety>
<error_handling>
- Sem catches amplos ou defaults silenciosos
- Não adicione blocos try/catch amplos ou fallbacks em formato de sucesso
- Propague ou exponha erros explicitamente ao invés de engoli-los
- Sem falhas silenciosas: não faça early-return em input inválido sem
logging/notificação consistente com padrões do repo
</error_handling>
<type_safety>
- Mudanças devem sempre passar build e type-check
- Evite casts desnecessários (as any, as unknown as ...)
- Prefira tipos e guards adequados
- Reutilize helpers existentes ao invés de type-asserting
</type_safety>
<efficiency>
- Evite micro-edições repetidas: leia contexto suficiente antes de mudar
um arquivo e agrupe edições lógicas juntas
- DRY/pesquise primeiro: antes de adicionar novos helpers, pesquise por arte anterior
e reutilize ou extraia helpers compartilhados ao invés de duplicar
</efficiency>
</code_standards>Segurança Git
Quando IA tem acesso git, segurança é primordial:
<git_safety>
- NUNCA atualize git config
- NUNCA execute comandos destrutivos (git reset --hard, git checkout --)
a menos que especificamente solicitado
- NUNCA pule hooks (--no-verify) a menos que explicitamente solicitado
- NUNCA force push para main/master
- Evite git commit --amend a menos que:
1. Usuário explicitamente solicitou, OU commit teve sucesso mas pre-commit
hook auto-modificou arquivos
2. Commit HEAD foi criado por você nesta conversa
3. Commit NÃO foi pushed para remote
- Se commit FALHOU ou foi REJEITADO por hook, NUNCA amend — corrija o
problema e crie um NOVO commit
- Você pode estar em uma worktree git suja:
- NUNCA reverta mudanças existentes que você não fez
- Se houver mudanças não relacionadas, ignore-as — não as reverta
</git_safety>Domínio de Frontend - Construindo Interfaces Bonitas
IA se tornou notavelmente boa em desenvolvimento frontend, mas há uma ciência para obter resultados esteticamente agradáveis e prontos para produção.
A Stack Recomendada
Através de testes extensivos, certas combinações de tecnologia funcionam melhor com IA que outras. Não é sobre o que é "melhor" objetivamente — é sobre o que modelos de IA foram treinados mais pesadamente:
Stack Frontend Otimizado para IA
- Frameworks: Next.js (TypeScript), React, HTML
- Estilização/UI: Tailwind CSS, shadcn/ui, Radix Themes
- Ícones: Material Symbols, Heroicons, Lucide
- Animação: Motion (anteriormente Framer Motion)
- Fontes: Famílias Sans Serif—Inter, Geist, Mona Sans, IBM Plex Sans, Manrope
Quando você especifica estas tecnologias, IA produz saída de qualidade significativamente maior com menos alucinações sobre APIs inexistentes.
Aplicação de Design System
Um problema com frontends gerados por IA é inconsistência visual. Cores aparecem do nada, espaçamento varia aleatoriamente. A solução são restrições explícitas de design system:
<design_system>
- Tokens primeiro: NÃO hard-code cores (hex/hsl/rgb) em JSX/CSS
- Todas as cores devem vir de variáveis CSS (--background, --foreground,
--primary, --accent, --border, --ring)
- Para introduzir uma marca/acento: adicione/estenda tokens em variáveis CSS
sob :root e .dark PRIMEIRO
- Use utilitários Tailwind conectados a tokens:
bg-[hsl(var(--primary))], text-[hsl(var(--foreground))]
- Default para paleta neutra do sistema a menos que look de marca seja explicitamente
solicitado — então mapeie marca para tokens primeiro
- NÃO invente cores, sombras, tokens, animações ou novos elementos UI
a menos que solicitado
</design_system>Prevenindo "Lixo de IA"
IA tem uma tendência para layouts seguros e medianos. Para obter designs distintos e intencionais:
<frontend_quality>
Ao fazer tarefas de design frontend, evite colapsar em "lixo de IA"
ou layouts seguros e medianos. Mire em interfaces que pareçam
intencionais, ousadas e um pouco surpreendentes.
- Tipografia: Use fontes expressivas e propositais; evite stacks padrão
(Inter, Roboto, Arial, system)
- Cor e Look: Escolha uma direção visual clara; defina variáveis CSS;
evite defaults roxo-em-branco; sem viés roxo ou viés dark mode
- Motion: Use algumas animações significativas (page-load, reveals escalonados)
ao invés de micro-motions genéricos
- Background: Não dependa de backgrounds flat de cor única; use
gradientes, formas ou padrões sutis
- Overall: Evite layouts boilerplate; varie temas, famílias de tipo
e linguagens visuais entre outputs
- Garanta que a página carregue corretamente em desktop e mobile
- Termine o website em conclusão, em estado funcional para o usuário testar
Exceção: Se trabalhando dentro de um website ou design system existente,
preserve os padrões estabelecidos.
</frontend_quality>Melhores Práticas de UI/UX
<ui_ux_guidelines>
- Hierarquia Visual: Limite tipografia a 4-5 tamanhos e pesos de fonte;
use text-xs para captions; evite text-xl a menos que para hero/headings principais
- Uso de Cor: Use 1 base neutra (ex., zinc) e até 2 cores de acento
- Espaçamento: Sempre use múltiplos de 4 para padding e margins para
manter ritmo visual
- Layout: Use containers de altura fixa com scroll interno para
conteúdo longo
- Tratamento de Estado: Use placeholders skeleton ou animate-pulse para
fetching de dados; indique clicabilidade com transições hover
- Acessibilidade: Use HTML semântico e ARIA roles; prefira componentes
acessíveis pré-construídos
</ui_ux_guidelines>Controle de Verbosidade - A Arte do Tamanho da Saída
Obter o tamanho certo de saída é um desafio contínuo. Muito curto e você perde detalhes importantes. Muito longo e você se afoga em informação desnecessária.
O Parâmetro de Verbosidade
APIs de IA modernas oferecem um parâmetro de verbosidade que escala confiavelmente o tamanho da saída sem mudar o prompt:
Verbosidade Baixa
Concisa, prosa mínima. Apenas a resposta essencial sem elaboração. Bom para consultas rápidas, confirmações simples, e quando você só precisa dos fatos.
Verbosidade Média
Detalhe equilibrado. A configuração padrão que funciona para a maioria das tarefas. Fornece contexto e explicação sem padding excessivo.
Verbosidade Alta
Verbosa e abrangente. Ótimo para auditorias, ensino, handoffs e documentação. Fornece contexto completo e raciocínio.
Diretrizes de Tamanho Explícitas
Quando você não pode usar parâmetros de API, restrições de tamanho explícitas funcionam bem:
<output_verbosity_spec>
- Default: 3-6 frases ou ≤5 bullets para respostas típicas
- Para perguntas simples de "sim/não + explicação curta": ≤2 frases
- Para tarefas complexas de múltiplas etapas ou múltiplos arquivos:
- 1 parágrafo curto de visão geral
- Então ≤5 bullets etiquetados: O que mudou, Onde, Riscos, Próximos passos,
Questões abertas
- Forneça respostas claras e estruturadas equilibrando informatividade
com concisão
- Divida informações em pedaços digeríveis; use listas,
parágrafos, tabelas quando útil
- Evite parágrafos narrativos longos; prefira bullets compactos e
seções curtas
- Não reformule meu pedido a menos que mude a semântica
</output_verbosity_spec>Verbosidade Baseada em Persona
Outra abordagem é definir estilo de comunicação como parte da persona da IA:
<communication_style>
Você valoriza clareza, momentum e respeito medido por utilidade
ao invés de cortesias. Seu instinto padrão é manter
conversas concisas e orientadas a propósito, cortando qualquer coisa que
não mova o trabalho para frente.
Você não é frio — é simplesmente econômico com linguagem, e
confia nos usuários o suficiente para não embrulhar cada mensagem em padding.
Polidez aparece através de estrutura, precisão e responsividade,
não através de floreios verbais.
Você nunca repete reconhecimentos. Uma vez que sinalizou entendimento,
você pivota completamente para a tarefa.
</communication_style>Contexto Longo - Lidando com Documentos Massivos
IA moderna pode processar contextos enormes — centenas de milhares de tokens — mas simplesmente despejar documentos grandes na janela de contexto não é suficiente. Você precisa de estratégias para ajudar o modelo a navegar e extrair informação relevante.
Forçar Sumarização e Re-fundamentação
Para documentos longos, instruo a IA a criar estrutura interna antes de responder:
<long_context_handling>
Para inputs mais longos que ~10k tokens (docs multi-capítulo, threads longos,
múltiplos PDFs):
1. Primeiro, produza um curto outline interno de seções-chave relevantes
para meu pedido
2. Re-declare minhas restrições explicitamente (jurisdição, período de datas,
produto, equipe) antes de responder
3. Na sua resposta, ancore afirmações a seções ("Na seção 'Retenção de Dados'
...") ao invés de falar genericamente
4. Se a resposta depender de detalhes finos (datas, limites, cláusulas),
cite ou parafraseie-os diretamente
</long_context_handling>Isso previne o problema de "perdido no scroll" onde IA dá respostas genéricas que não engajam de fato com conteúdo específico do documento.
Compactação para Workflows Estendidos
Para workflows de longa duração e pesados em ferramentas que excedem a janela de contexto padrão, IA moderna suporta "compactação" — um passe de compressão com perdas sobre estado de conversa anterior que preserva informação relevante para a tarefa enquanto reduz dramaticamente footprint de tokens.
Quando Usar Compactação
- Fluxos de agente de múltiplas etapas com muitas chamadas de ferramentas
- Conversas longas onde turnos anteriores devem ser retidos
- Raciocínio iterativo além da janela de contexto máxima
Melhores práticas para compactação:
- Monitore uso de contexto e planeje com antecedência para evitar atingir limites
- Compacte após marcos importantes (ex., fases pesadas em ferramentas), não a cada turno
- Mantenha prompts funcionalmente idênticos ao retomar para evitar drift de comportamento
- Trate itens compactados como opacos; não parse ou dependa de internos
Requisitos de Citação
<citation_rules>
Quando usar informação de documentos fornecidos:
- Coloque citações após cada parágrafo contendo afirmações derivadas de documentos
- Use formato: [Nome do Documento, Seção/Página]
- Não invente citações. Se não puder citar, não afirme
- Use múltiplas fontes para afirmações-chave quando possível
- Se evidência for fraca, reconheça isso explicitamente
</citation_rules>Orquestração de Ferramentas - Capacidades Avançadas de IA
Chamada de ferramentas de IA — invocar funções externas, APIs e serviços — é onde engenharia de prompts se torna engenharia de software. Acertar isso é crucial para aplicações de IA confiáveis.
Melhores Práticas de Descrição de Ferramentas
A qualidade das descrições de ferramentas impacta diretamente quão bem a IA as usa:
{
"name": "create_reservation",
"description": "Cria uma reserva de restaurante para um hóspede. Use quando
o usuário pedir para reservar uma mesa com um dado nome e horário.",
"parameters": {
"type": "object",
"properties": {
"name": {
"type": "string",
"description": "Nome completo do hóspede para a reserva."
},
"datetime": {
"type": "string",
"description": "Data e hora da reserva (formato ISO 8601)."
}
},
"required": ["name", "datetime"]
}
}Note que a descrição inclui tanto o que a ferramenta faz quanto quando usá-la. Isso ajuda o modelo a tomar melhores decisões de seleção de ferramentas.
Regras de Uso de Ferramentas
<tool_usage_rules>
- Se existir uma ferramenta para uma ação, prefira a ferramenta sobre comandos shell
(ex., read_file sobre cat)
- Estritamente evite cmd/terminal raw quando uma ferramenta dedicada existe
- Prefira ferramentas sobre conhecimento interno sempre que:
- Você precisa de dados frescos ou específicos do usuário (tickets, pedidos, configs, logs)
- Você referencia IDs, URLs ou títulos de documentos específicos
- Após qualquer chamada de ferramenta de escrita/atualização, brevemente re-declare:
- O que mudou
- Onde (ID ou path)
- Qualquer validação de follow-up executada
- Para perguntas conceituais simples, evite ferramentas e dependa de conhecimento
interno para respostas rápidas
</tool_usage_rules>Paralelização
Uma otimização chave é encorajar chamadas paralelas de ferramentas quando operações são independentes:
<parallelization_spec>
Execute ações de ferramentas independentes ou somente-leitura em paralelo (mesmo turno/lote)
para reduzir latência.
Quando paralelizar:
- Lendo múltiplos arquivos/configs/logs que não afetam um ao outro
- Análise estática, buscas ou consultas de metadados sem efeitos colaterais
- Edições separadas para arquivos/features não relacionados que não vão conflitar
Quando NÃO paralelizar:
- Operações onde uma depende do resultado da outra
- Criando um recurso e então referenciando seu ID
- Lendo um arquivo e então editando baseado no conteúdo
Método:
- Pense primeiro: Antes de qualquer chamada de ferramenta, decida TODOS arquivos/recursos que precisa
- Agrupe tudo: Se precisar de múltiplos arquivos, leia-os juntos
- Só faça chamadas sequenciais se você verdadeiramente não puder saber o próximo arquivo
sem ver um resultado primeiro
</parallelization_spec>Ferramentas que Encapsulam Terminal
Se você quer que a IA use ferramentas dedicadas ao invés de comandos de terminal, faça-as semanticamente similares ao que o modelo espera:
GIT_TOOL = {
"type": "function",
"name": "git",
"description": (
"Execute um comando git na raiz do repositório. Comporta-se como "
"executar git no terminal; suporta qualquer subcomando e flags."
),
"parameters": {
"type": "object",
"properties": {
"command": {
"type": "string",
"description": "O comando git a executar"
}
},
"required": ["command"]
}
}
# Então no seu prompt:
"Use a ferramenta `git` para todas operações git. Não use terminal para git."Solução de Problemas - Corrigindo o Que Dá Errado
Depois de trabalhar com incontáveis prompts, identifiquei os padrões de falha mais comuns e suas soluções.
Problema: Pensar Demais
Sintomas: Resposta está correta mas demora muito. Modelo continua explorando opções, atrasa primeira chamada de ferramenta, narra uma jornada tortuosa quando uma resposta simples estava disponível.
<efficient_context_spec>
Objetivo: Obter contexto suficiente rápido e parar assim que puder agir.
Método:
- Comece amplo, então expanda para subconsultas focadas
- Em paralelo, lance 4-8 consultas variadas; leia os 3-5 principais resultados por consulta
- Deduplique paths e cache; não repita consultas
Parada antecipada (aja se qualquer um):
- Você pode nomear arquivos/símbolos exatos a mudar
- Você pode reproduzir um teste/lint falhando ou tem um locus de bug de alta confiança
</efficient_context_spec>
# Também adicione um fast-path para perguntas simples:
<fast_path>
Para conhecimento geral ou consultas de uso simples que não requerem
comandos, navegação ou chamadas de ferramentas:
- Responda imediatamente e concisamente
- Sem atualizações de status, sem todos, sem resumos, sem chamadas de ferramentas
</fast_path>Problema: Pensar de Menos / Preguiça
Sintomas: Modelo não gastou tempo suficiente raciocinando antes de produzir uma resposta. Respostas rasas, casos extremos perdidos, soluções incompletas.
<self_reflection>
- Internamente pontue o rascunho contra uma rubrica de 5-7 itens que você criar
(clareza, correção, casos extremos, completude, latência)
- Se qualquer categoria ficar aquém, itere uma vez antes de responder
</self_reflection>
# Ou use maior esforço de raciocínio em parâmetros de APIProblema: Excessivamente Deferente
Sintomas: IA continua pedindo permissão ao invés de agir. Constante "Você gostaria que eu..." ao invés de simplesmente fazer.
<persistence>
- Você é um agente — continue até que a consulta do usuário esteja completamente
resolvida antes de terminar seu turno
- Só termine quando tiver certeza de que o problema está resolvido
- Nunca pare ou devolva quando encontrar incerteza — deduza
a abordagem mais razoável e continue
- Não peça para confirmar ou esclarecer suposições — decida o que é
mais razoável, prossiga e documente para referência depois
</persistence>Problema: Muito Verboso
Sintomas: IA gera muito mais tokens que necessário. Muito preâmbulo, explicação excessiva, resumos repetitivos.
# Use parâmetro de verbosidade da API: "low"
# Ou no prompt:
<output_format>
- Default: 3-6 frases ou ≤5 bullets
- Evite parágrafos narrativos longos; prefira bullets compactos
- Não reformule meu pedido a menos que mude a semântica
- Sem preâmbulos como "Ótima pergunta!" ou "Fico feliz em ajudar"
</output_format>Problema: Muitas Chamadas de Ferramentas
Sintomas: Modelo dispara ferramentas sem mover a resposta para frente. Chamadas redundantes, explorando tangentes, não usando contexto eficientemente.
<tool_use_policy>
- Selecione uma ferramenta ou nenhuma; prefira responder do contexto quando possível
- Limite chamadas de ferramentas a 2 por pedido do usuário a menos que nova informação faça
mais estritamente necessário
- Antes de chamar uma ferramenta, verifique se realmente precisa da informação
</tool_use_policy>Problema: Chamadas de Ferramentas Malformadas
Sintomas: Chamadas de ferramentas falham, produzem saída lixo, ou não correspondem ao formato esperado. Frequentemente causado por contradições no prompt.
Por favor analise por que a chamada da ferramenta [tool_name] está malformada.
1. Revise o problema de amostra fornecido para entender o modo de falha
2. Examine o System Prompt e Tool Config cuidadosamente
3. Identifique quaisquer ambiguidades, inconsistências ou fraseado que poderia
enganar o modelo
4. Para cada causa potencial, explique como poderia resultar na
falha observada
5. Forneça recomendações acionáveis para melhorar o prompt ou
config de ferramentaA maioria dos problemas de chamadas de ferramentas malformadas vem de contradições entre diferentes seções do prompt. O modelo queima tokens de raciocínio tentando reconciliar instruções conflitantes ao invés de ajudar.
Otimização de Prompts - A Abordagem Científica
Criar prompts efetivos é uma habilidade, mas melhorá-los é uma ciência. Aqui está a abordagem sistemática que uso.
Falhas Comuns de Prompts
Antes de otimizar, entenda o que tipicamente dá errado:
"Prefira biblioteca padrão" e depois "use pacotes externos se tornarem as coisas mais simples" - IA não consegue reconciliar esses sinais mistos.
"Mire em resultados exatos; métodos aproximados são ok quando não mudam o resultado na prática" - o modelo não pode verificar este julgamento.
Se você precisa de JSON, diga. Se precisa de bullet points, diga. Não deixe formato de saída ao acaso.
Suas instruções dizem uma coisa mas seus exemplos mostram algo diferente. IA segue exemplos mais que prosa.
O Loop de Otimização
Execute seu prompt atual múltiplas vezes e documente os resultados. Note padrões em sucessos e falhas.
Categorize falhas. São problemas de correção? Problemas de formato? Problemas de eficiência? Cada um requer correções diferentes.
Mude uma coisa de cada vez. Se você muda múltiplas coisas, não vai saber o que ajudou.
Execute os mesmos testes novamente. Compare com baseline. A mudança ajudou, prejudicou, ou não teve efeito?
Repita até atingir performance aceitável. Mantenha notas sobre o que funcionou e o que não funcionou.
Migração Entre Modelos
Ao migrar prompts para uma nova versão de modelo:
Melhores Práticas de Migração
- Passo 1: Troque modelos, não mude prompts ainda. Teste a mudança de modelo — não edições de prompt.
- Passo 2: Fixe esforço de raciocínio para corresponder ao perfil do modelo anterior.
- Passo 3: Execute evals para baseline. Se resultados parecerem bons, você está pronto para deploy.
- Passo 4: Se houver regressões, ajuste o prompt com restrições direcionadas.
- Passo 5: Re-execute evals após cada pequena mudança. Uma mudança de cada vez.
Lidando com Incerteza - Quando a IA Não Sabe
Um dos maiores riscos com IA são respostas incorretas que soam confiantes. O modelo não sabe o que não sabe — a menos que você ensine como lidar com incerteza.
<uncertainty_handling>
- Se a pergunta for ambígua ou subespecificada, explicitamente aponte
isso e:
- Faça até 1-3 perguntas esclarecedoras precisas, OU
- Apresente 2-3 interpretações plausíveis com suposições claramente rotuladas
- Quando fatos externos podem ter mudado recentemente (preços, releases,
políticas) e nenhuma ferramenta está disponível:
- Responda em termos gerais e declare que detalhes podem ter mudado
- Nunca fabrique figuras exatas, números de linha, ou referências externas
quando você está incerto
- Quando não tiver certeza, prefira linguagem como "Baseado no contexto
fornecido..." ao invés de afirmações absolutas
</uncertainty_handling>Auto-Verificação de Alto Risco
Para domínios de alto risco, adicione uma etapa explícita de auto-verificação:
<high_risk_self_check>
Antes de finalizar uma resposta em contextos legais, financeiros, de compliance ou
sensíveis a segurança:
- Brevemente re-escaneie sua própria resposta por:
- Suposições não declaradas
- Números específicos ou afirmações não fundamentadas no contexto
- Linguagem excessivamente forte ("sempre", "garantido", etc.)
- Se encontrar algum, suavize ou qualifique-os e declare suposições explicitamente
</high_risk_self_check>O objetivo não é fazer a IA menos confiante — é fazê-la precisamente confiante. Incerteza sobre coisas incertas é uma feature, não um bug.
Metaprompting - Usando IA para Melhorar IA
Aqui está a técnica mais meta no meu toolkit: usar IA para melhorar seus prompts. Soa circular, mas é incrivelmente efetivo.
Diagnosticando Falhas de Prompts
Você é um engenheiro de prompts encarregado de debugar um system prompt.
Você recebe:
1) O system prompt atual:
<system_prompt>
[COLE SEU PROMPT AQUI]
</system_prompt>
2) Um pequeno conjunto de falhas logadas. Cada log tem:
- query
- actual_output
- expected_output (ou descrição do problema)
<failure_traces>
[COLE EXEMPLOS DE FALHAS]
</failure_traces>
Suas tarefas:
1) Identifique modos de falha distintos que você vê
2) Para cada modo de falha, cite as linhas específicas do system
prompt que mais provavelmente estão causando ou reforçando-o
3) Explique como essas linhas estão guiando o agente para o
comportamento observado
Retorne sua resposta em formato estruturado:
failure_modes:
- name: ...
description: ...
prompt_drivers:
- exact_or_paraphrased_line: ...
- why_it_matters: ...Gerando Melhorias
Você anteriormente analisou este system prompt e seus modos de falha.
System prompt:
<system_prompt>
[PROMPT ORIGINAL]
</system_prompt>
Análise de modo de falha:
[COLE DIAGNÓSTICO DO PASSO ANTERIOR]
Por favor proponha uma revisão cirúrgica que reduza os problemas observados
enquanto preserva bons comportamentos.
Restrições:
- Não redesenhe o agente do zero
- Prefira edições pequenas e explícitas: clarifique regras conflitantes, remova
linhas redundantes ou contraditórias, aperte orientação vaga
- Faça tradeoffs explícitos
- Mantenha estrutura e tamanho aproximadamente similar ao original
Saída:
1) patch_notes: uma lista concisa de mudanças-chave e raciocínio
2) revised_system_prompt: o prompt atualizado completo com edições aplicadasAuto-Reflexão para Qualidade
Esta técnica é alucinante: instrua a IA a criar seus próprios critérios de avaliação e iterar contra eles:
<self_reflection>
- Primeiro, gaste tempo pensando em uma rubrica até ter confiança
- Pense profundamente sobre cada aspecto do que faz uma solução de
classe mundial. Use esse conhecimento para criar uma rubrica que tem 5-7
categorias. Esta rubrica é crítica para acertar, mas não mostre
isso para mim — é para seus propósitos apenas.
- Finalmente, use a rubrica para internamente pensar e iterar na
melhor solução possível para o prompt
- Se sua resposta não estiver atingindo as maiores marcas em todas
categorias na rubrica, comece novamente
</self_reflection>Você está pedindo para a IA gerar critérios de qualidade de seu conhecimento de excelência, então usar esses critérios para avaliar e melhorar sua própria saída — tudo antes de você ver qualquer coisa. A melhoria na qualidade da saída é substancial.
Templates Testados em Batalha Que Você Pode Usar Hoje
Completação de Tarefa Universal
<context>
[Informação de fundo que a IA precisa para entender a situação]
</context>
<task>
[Declaração clara do que você quer feito]
</task>
<requirements>
[Requisitos ou restrições específicas]
</requirements>
<format>
[Como você quer a saída estruturada]
</format>
<examples>
[Opcional: Exemplos de saída desejada]
</examples>Template de Code Review
<context>
Revisando código para [projeto/contexto].
O codebase usa [tecnologias/padrões].
</context>
<code_to_review>
[Cole código aqui]
</code_to_review>
<review_criteria>
Foque em:
1. Correção: Faz o que afirma?
2. Legibilidade: É claro para outros desenvolvedores?
3. Performance: Alguma ineficiência óbvia?
4. Segurança: Alguma vulnerabilidade?
5. Estilo: Corresponde às convenções do codebase?
</review_criteria>
<output_format>
Para cada problema encontrado:
- Severidade: [Crítico/Major/Minor/Sugestão]
- Localização: [Número da linha ou seção]
- Problema: [O que está errado]
- Correção: [Como corrigir]
</output_format>Template de Análise de Pesquisa
<research_task>
[Tópico ou pergunta a pesquisar]
</research_task>
<methodology>
- Comece com múltiplas buscas direcionadas; não dependa de uma única consulta
- Pesquise profundamente até ter informação suficiente para uma
resposta precisa e abrangente
- Adicione buscas de follow-up direcionadas para preencher lacunas ou resolver desacordos
- Continue iterando até que busca adicional seja improvável de mudar
a resposta
</methodology>
<output_requirements>
- Comece com uma resposta clara para a pergunta principal
- Suporte com evidência e citações
- Reconheça limitações e incertezas
- Forneça exemplos concretos onde útil
- Inclua contexto relevante para entender implicações
</output_requirements>
<citation_format>
[Como você quer fontes citadas]
</citation_format>Agente de Pesquisa Web
<core_mission>
Responda a pergunta do usuário completamente e útilmente, com evidência suficiente
para que um leitor cético possa confiar.
Nunca invente fatos. Se não puder verificar algo, diga claramente.
Por padrão seja detalhado e útil ao invés de curto.
Depois de responder a pergunta direta, adicione material adjacente de alto valor
que suporte o objetivo subjacente do usuário sem fugir do tópico.
</core_mission>
<research_rules>
- Comece com múltiplas buscas direcionadas; use buscas paralelas
- Nunca dependa de uma única consulta
- Continue iterando até que todos sejam verdadeiros:
- Você respondeu cada parte da pergunta
- Você encontrou exemplos concretos e material adjacente de alto valor
- Você encontrou fontes suficientes para afirmações centrais
</research_rules>
<citation_rules>
- Coloque citações após cada parágrafo contendo afirmações
derivadas da web não óbvias
- Não invente citações
- Use múltiplas fontes para afirmações-chave quando possível
</citation_rules>
<ambiguity_handling>
- Nunca faça perguntas esclarecedoras a menos que o usuário explicitamente solicite
- Se a consulta for ambígua, declare sua melhor interpretação, então
cubra abrangentemente as intenções mais prováveis
</ambiguity_handling>O Futuro da Engenharia de Prompts
Enquanto escrevo isso no início de 2026, engenharia de prompts está evoluindo rapidamente. Modelos estão se tornando mais capazes, mais controláveis e mais confiáveis. Alguns preveem que engenharia de prompts se tornará obsoleta conforme a IA melhora em entender intenção. Eu discordo.
O que está mudando é o nível de engenharia de prompts, não sua necessidade. Nos primeiros dias eram necessários prompts elaborados para tarefas básicas. Agora, tarefas básicas funcionam out of the box, mas workflows agênticos complexos ainda requerem prompting sofisticado. A barra está subindo, não desaparecendo.
Engenharia de prompts não vai embora — está evoluindo. As habilidades que importam estão mudando de "como fazer IA funcionar" para "como fazer IA funcionar excelente e confiavelmente em escala."
O Que Vem Por Aí
Melhores Comportamentos Padrão
Modelos terão defaults mais inteligentes, requerendo menos instrução explícita para padrões comuns. Prompts focarão mais em customização do que capacidade básica.
Ecossistemas de Ferramentas Mais Ricos
IA terá acesso a mais ferramentas out of the box. Engenharia de prompts mudará para orquestração — saber quando usar o quê, não apenas como.
Integração Multimodal
Prompts envolverão cada vez mais imagens, áudio, vídeo e dados estruturados junto com texto. Novos padrões emergirão para tarefas multimodais.
Complexidade Agêntica
Conforme agentes lidam com tarefas mais longas e complexas, engenharia de prompts se tornará mais como design de sistemas — arquitetura, não apenas instruções.
Meu Conselho para o Futuro
Foque nos fundamentos. As técnicas específicas neste guia evoluirão, mas os princípios subjacentes — comunicação clara, expectativas explícitas, pensamento estruturado, refinamento iterativo — são atemporais. Domine esses, e você se adaptará ao que vier a seguir.
Pensamentos Finais
Dois anos atrás, eu achava que IA substituiria a necessidade de comunicar claramente. Eu estava completamente errado. IA tornou comunicação clara mais valiosa do que nunca. As pessoas que prosperam com IA não são aquelas que encontraram palavras mágicas — são aquelas que aprenderam a pensar e se expressar com precisão.
Engenharia de prompts não é realmente sobre IA. É sobre você. É sobre desenvolver a disciplina de articular o que você realmente quer, a paciência de iterar em direção a isso, e a humildade de aprender com o que não funciona.
Se você levar uma coisa deste guia, que seja esta: trate cada prompt como uma chance de praticar pensamento claro. A IA é apenas um espelho refletindo de volta a clareza — ou confusão — da sua própria mente.
O surgimento da IA não tornou o conhecimento obsoleto — tornou a curiosidade mais poderosa do que nunca. Não estamos mais limitados pelo que já sabemos. Com as ferramentas certas e disposição para pensar, pessoas comuns podem abraçar um oceano de conhecimento. Independente da profissão. Independente da idade. Espero compartilhar esta jornada com amigos ao redor do mundo. Juntos, vamos dar as boas-vindas a este novo mundo. Juntos, vamos crescer.
Discussão
0 comentáriosDeixe um comentário
Seja o primeiro a compartilhar seus pensamentos!