--- title: "Automatic Prompt Engineer (APE) (PT)" source: "https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)" wiki: "systems-analysis.info/int" article: "Automatic_Prompt_Engineer_(APE)_(PT)" language: "pt" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Portuguese" - "Category:Prompt engineering" revision_id: 494 wiki_created_at: 2026-09-06T22:34:34Z wiki_modified_at: 2026-09-06T22:34:34Z downloaded_at: 2026-09-07T22:40:30Z --- # Automatic Prompt Engineer (APE) (PT) **Automatic Prompt Engineer** (**APE**) é uma metodologia para a geração e otimização automatizada de instruções textuais (prompts) para controlar o comportamento de grandes modelos de linguagem (LLMs). A abordagem foi proposta em 2022 por um grupo de pesquisadores liderado por **Yongchao Zhou**^{[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_note-ape_zhou_2022-1)}. Em vez da criação manual e do aprimoramento iterativo de prompts, o APE formaliza a engenharia de prompts como um problema de otimização. Nesse contexto, um prompt é tratado como um "programa" em linguagem natural que precisa ser sintetizado para maximizar uma determinada função de qualidade (por exemplo, a precisão ou a veracidade das respostas do modelo)^{[\[2\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_note-survey_li_2025-2)}. ## Conceito principal e método O método APE utiliza dois modelos de linguagem em conjunto: um *modelo gerador* e um *modelo alvo*. O processo consiste em um ciclo iterativo de busca e seleção (*search-and-select*): 1. **Geração de candidatos**. O modelo gerador recebe como entrada alguns exemplos de pares "entrada-saída" para a tarefa alvo e, com base neles, cria um conjunto de possíveis prompts candidatos que poderiam levar a tais resultados. 2. **Avaliação**. Cada prompt candidato gerado é passado para o LLM alvo. O modelo alvo executa a instrução em um novo conjunto de dados de teste, e suas respostas são avaliadas com base em uma métrica predefinida (por exemplo, acurácia, completude, F1-score). 3. **Seleção**. O prompt que demonstrou o melhor desempenho na avaliação é selecionado. 4. **Iteração (opcional)**. O ciclo pode ser repetido. O modelo gerador recebe a instrução para refinar o melhor prompt encontrado, criando variações dele, e o processo de avaliação e seleção é repetido para alcançar a máxima eficiência^{[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_note-ape_zhou_2022-1)}. Essa abordagem permite reproduzir automaticamente o processo de criação manual de prompts, utilizando um LLM para gerar hipóteses (prompts) e, em seguida, avaliá-las. ## Metodologias principais A automação da engenharia de prompts é implementada por meio de diversas abordagens algorítmicas. ### Automação baseada em LLM Este é o método clássico do APE, descrito acima, no qual um LLM é usado para gerar e avaliar prompts para outro LLM (ou para si mesmo). Essa abordagem demonstrou ser muito eficaz para prompts de texto discretos^{[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_note-ape_zhou_2022-1)}. ### Métodos evolutivos Utilizam-se algoritmos genéticos ou busca em feixe (beam search) para criar e selecionar prompts, especialmente os longos e complexos. Por exemplo, o framework **APEX** (*Automatic Engineering of Long Prompts*) aplica algoritmos evolutivos para "cultivar" e aprimorar gradualmente instruções complexas^{[\[3\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_note-apex_hsieh_2024-3)}. ### Métodos baseados em gradiente (Soft Prompts) Essa abordagem trabalha com prompts *contínuos* ou *suaves* (*soft prompts*), que são vetores treináveis (embeddings) em vez de instruções textuais. Esses vetores são otimizados usando descida de gradiente diretamente na tarefa alvo. Técnicas como Prompt Tuning e Prefix-Tuning se enquadram nesta categoria. ### Aprendizagem por reforço Neste paradigma, o LLM atua como um agente que gera um prompt (ação), e o ambiente retorna uma avaliação da qualidade da resposta (recompensa). O objetivo é maximizar a recompensa acumulada, encontrando a estratégia ótima para a geração de prompts por meio de métodos de aprendizagem por reforço (RL)^{[\[2\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_note-survey_li_2025-2)}. ## Resultados e descobertas Os experimentos realizados na pesquisa original do APE mostraram que as instruções geradas automaticamente, na maioria dos casos, superam em qualidade os prompts escritos por humanos. - Durante testes em 24 tarefas de processamento de linguagem natural (PLN), o APE gerou prompts que se mostraram **mais eficazes que os prompts humanos em 19 dos 24 casos**^{[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_note-ape_zhou_2022-1)}. - O APE conseguiu "descobrir" automaticamente uma formulação mais eficaz para o prompting no estilo Chain-of-Thought. Em vez da frase padrão *"Let's think step by step"* (Vamos pensar passo a passo), o APE gerou uma instrução mais elaborada e eficaz: *"Let's work this out in a step by step way to be sure we have the right answer"* (Vamos resolver isso passo a passo para ter certeza de que obteremos a resposta correta). Essa formulação aumentou a precisão na resolução de problemas matemáticos em conjuntos de dados como MultiArith e GSM8K^{[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_note-ape_zhou_2022-1)}. ## Aplicação e vantagens ### Aplicações - **Melhora do aprendizado com poucos exemplos (few-shot learning)**: Seleção automática de exemplos e instruções ideais. - **Aumento da confiabilidade dos modelos**: O APE pode ser configurado para encontrar prompts que minimizem "alucinações" e maximizem a veracidade das respostas em benchmarks como o *TruthfulQA*. - **Automação do desenvolvimento**: Aceleração da criação de chatbots, sistemas de extração de informação e outras aplicações baseadas em LLMs^{[\[4\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_note-mdpi_app-4)}. ### Vantagens - **Escalabilidade**: Capacidade de gerar e avaliar automaticamente centenas e milhares de prompts sem intervenção humana. - **Adaptabilidade**: Facilidade de ajustar LLMs para domínios novos e altamente especializados. - **Economia de recursos**: Redução significativa do tempo e do esforço dedicados à seleção manual de prompts. ## Evolução e abordagens relacionadas O conceito de APE continua a evoluir. Surgiram sistemas totalmente autônomos, como o **APET** (*Automatic Prompt Engineering Toolbox*), que permitem que um LLM (por exemplo, GPT-4) aplique de forma independente estratégias complexas de prompting (*Expert Prompting*, *Chain of Thought*, *Tree of Thoughts*) e melhore dinamicamente as instruções sem intervenção externa^{[\[5\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_note-apet_kepel_2024-5)}. O APE faz parte de uma tendência mais ampla de automação da interação com LLMs, que também inclui: - **AutoPrompt**: Um método pioneiro que utilizava busca por gradiente para encontrar "tokens-gatilho" individuais. - **OPRO** (*Optimization by PROmpting*): Uma abordagem da DeepMind semelhante ao APE, que também utiliza um LLM para otimizar prompts. ## Ligações externas - Site oficial do projeto Automatic Prompt Engineer (APE) - Artigo científico "Large Language Models Are Human-Level Prompt Engineers" - AutoPrompt (2020). *AutoPrompt – Official GitHub Repository*. GitHub. ## Literatura - Zhou, Y. et al. (2022). *Large Language Models Are Human-Level Prompt Engineers*. arXiv:2211.01910. - Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560. - Hsieh, C.-J. et al. (2024). *Automatic Engineering of Long Prompts*. Findings of ACL 2024. 2024.findings-acl.634. - Hsieh, C.-J. et al. (2023). *Automatic Long Prompt Engineering*. arXiv:2311.10117. - Shin, T. et al. (2020). *AutoPrompt: Eliciting Knowledge from Language Models with Automatically Generated Prompts*. arXiv:2010.15980. - Yang, C. et al. (2023). *Large Language Models as Optimizers (OPRO)*. arXiv:2309.03409. - Liu, Y. et al. (2024). *Revisiting OPRO: The Limitations of Small-Scale LLMs as Optimizers*. arXiv:2405.10276. - Kepel, D.; Valogianni, K. (2024). *Autonomous Prompt Engineering in Large Language Models (APET)*. arXiv:2407.11000. - Yang, C. et al. (2024). *Optimizing Instructions and Demonstrations for Multi-Stage LM Programs*. arXiv:2406.11695. - Hsieh, C.-J. et al. (2024). *APEX (code repository and results)*. PDF. ## Notas 1. ↑ ^{[1.0](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_ref-ape_zhou_2022_1-0)} ^{[1.1](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_ref-ape_zhou_2022_1-1)} ^{[1.2](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_ref-ape_zhou_2022_1-2)} ^{[1.3](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_ref-ape_zhou_2022_1-3)} ^{[1.4](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_ref-ape_zhou_2022_1-4)} Zhou, Y. et al. “Large Language Models Are Human-Level Prompt Engineers”. *arXiv:2211.01910*, 2022. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_ref-survey_li_2025_2-0)} ^{[2.1](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_ref-survey_li_2025_2-1)} Li, W. et al. “A Survey of Automatic Prompt Engineering: An Optimization Perspective”. *arXiv:2502.11560*, 2025. [2] 3. [↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_ref-apex_hsieh_2024_3-0) Hsieh, C.-J. et al. “Automatic Engineering of Long Prompts”. *Findings of the Association for Computational Linguistics: ACL 2024*. [3] 4. [↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_ref-mdpi_app_4-0) Fernandez-garcia, A. et al. “Automatic Prompt Engineering for Foundation Models: A Survey”. *MDPI Electronics*, 2025. [4] 5. [↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(PT)#cite_ref-apet_kepel_2024_5-0) Kepel, D. & Valogianni, K. “Autonomous Prompt Engineering in Large Language Models”. *arXiv:2407.11000*, 2024. [5]