--- title: "Engenharia de Prompt" source: "https://systems-analysis.info/int/Engenharia_de_Prompt" wiki: "systems-analysis.info/int" article: "Engenharia_de_Prompt" language: "pt" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Portuguese" - "Category:Prompt engineering" revision_id: 1987 wiki_created_at: 2026-09-06T22:56:59Z wiki_modified_at: 2026-09-06T22:56:59Z downloaded_at: 2026-09-07T22:48:48Z --- # Engenharia de Prompt **Engenharia de Prompt** é a disciplina de desenvolvimento e otimização de prompts (consultas) para interagir eficazmente com grandes modelos de linguagem (LLM). A qualidade de um prompt determina diretamente a precisão, relevância e segurança da resposta do modelo. Esta área está evoluindo rapidamente, passando da seleção manual de instruções para a criação de sistemas de agentes complexos e o uso de modelos com mecanismos de raciocínio integrados. ## Princípios básicos e estrutura de um prompt Embora não exista um padrão único, prompts eficazes são construídos com base em abordagens comuns propostas por diferentes pesquisadores e empresas (por exemplo, as 6 estratégias da OpenAI ou os guias práticos da Anthropic). - Um prompt eficaz geralmente inclui os seguintes componentes: - Papel (*Persona*): Define o contexto e o estilo de comportamento do modelo (*"Você é um pesquisador sênior..."*). - Instruções (*Instructions*): Indicações claras e passo a passo sobre o que deve ser feito. - Contexto (*Context*): Informações necessárias para executar a tarefa. - Exemplos (*Examples*): Demonstração do formato ou estilo desejado (few-shot prompting). - Formato de Saída (*Output Format*): Especificação da estrutura da resposta (por exemplo, JSON, Markdown). ## Técnicas para melhorar o raciocínio (Reasoning) Essas técnicas incentivam o modelo a "pensar" de forma mais estruturada. *Observação importante (Emergência): A eficácia da técnica \`Chain-of-Thought\` só se manifesta em modelos grandes (≈100 bilhões de parâmetros ou mais); modelos menores apresentam um efeito insignificante ou até uma piora nos resultados.* - **Chain-of-Thought (CoT):** Instrução para o modelo gerar um raciocínio passo a passo antes da resposta final ("Pense passo a passo"). - Variações e alternativas ao CoT: - **Self-Consistency:** Geração de múltiplas cadeias de raciocínio e escolha da resposta mais frequente por meio de "votação". - **Tree-of-Thoughts (ToT):** Exploração de múltiplos caminhos de raciocínio em forma de árvore, com avaliação e retorno a passos anteriores. - **Graph-of-Thought (GoT):** Uma técnica avançada com duas implementações principais: uma modela o raciocínio como um grafo para fluxos lógicos mais flexíveis (Besta et al.), enquanto a outra foca na fusão de caminhos de raciocínio (Yao et al.). - Mecanismos de raciocínio integrados (Reasoning Models)**:** Relata-se o desenvolvimento de uma nova geração de modelos (como *o1* e *o3* da OpenAI) que são treinados nativamente com cadeias de raciocínio internas. Isso permite que executem tarefas complexas sem a necessidade de prompts explícitos de CoT. ## Gerenciamento de contexto e trabalho com memória Com o aumento das janelas de contexto, surgem novos desafios e soluções. - **Janelas de contexto (2024-2025):** | Modelo | Janela de contexto máxima | |-----------------------------|---------------------------| | Google Gemini 2.0 Pro | 2 milhões de tokens | | Google Gemini 1.5 Pro | 2 milhões de tokens | | Anthropic Claude 3.5 Sonnet | ~200 mil tokens | | OpenAI GPT-4o | ~128 mil tokens | A partir de março de 2025, o Google Gemini 2.5 Pro é apresentado com uma janela de contexto de 1 milhão de tokens, e a versão Pro-Experimental promete 2 milhões de tokens em maio de 2025. - Retrieval-Augmented Generation (RAG)**:** O RAG clássico complementa o prompt com informações de bancos de dados externos. As implementações modernas incluem: - **GraphRAG:** Utiliza grafos de conhecimento para extrair dados semanticamente mais conectados. - **RAG Multimodal:** Opera não apenas com texto, mas também com imagens, áudio и vídeo. - **Agentic RAG:** Integra o RAG em ciclos de agentes, onde o agente decide autonomamente quando e que informação buscar. - **Técnicas para contexto longo:** Para trabalhar eficientemente com janelas grandes, são usadas técnicas avançadas, muitas vezes proprietárias, como **Cascading KV Cache** e **Infinite Retrieval**. ## Técnicas avançadas: agentes e ferramentas - Uso de Ferramentas (Tool Usage): - **Function Calling:** Capacidade integrada em modelos (GPT-4, Claude 3.5) para chamar APIs externas. - **Model Context Protocol (MCP):** De acordo com alguns relatórios preliminares (requer confirmação), está em desenvolvimento um novo padrão para unificar as APIs de ferramentas, apoiado pela Microsoft. - Agentes e Frameworks (2024-2025): - **LangChain (v0.3):** Com o lançamento do LangChain v0.3 (setembro de 2024), o framework migrou completamente para o Pydantic 2 e encerrou o suporte ao Python 3.8, de acordo com o prazo de Fim de Vida (EOL) em outubro de 2024.[\[1\]](https://systems-analysis.info/int/Engenharia_de_Prompt#cite_note-1) - **AutoGen:** Migrou completamente para uma arquitetura assíncrona e orientada a eventos (actor model). - **CrewAI:** Um framework de alto desempenho para orquestração de sistemas multiagente que está ganhando popularidade rapidamente. - Plataformas No-code: Ferramentas como o AutoGen Studio permitem criar e configurar agentes complexos sem escrever código. ## Técnicas para redução de alucinações Alucinações (geração de informações factualmente incorretas) continuam sendo um problema fundamental. Em 2024, seu nível varia de 3% a 16% nos principais modelos, e o prejuízo econômico causado por elas é estimado em dezenas de bilhões de dólares. - **Métodos clássicos:** RAG, solicitação de citações, ajuste de parâmetros de geração (temperatura, top-p). - **Abordagens modernas de alinhamento (Alignment):** - **Constitutional AI (CAI):** Método proposto pela Anthropic, no qual o modelo é treinado para seguir um conjunto de princípios ("constituição"), utilizando feedback gerado por IA. - **Direct Preference Optimization (DPO):** Uma alternativa mais simples e eficaz ao RLHF. Pesquisas sobre DPO em VLMs multimodais (por exemplo, para relatórios radiológicos) registram uma redução de 3 a 4,8 vezes nas alucinações. ## Padrões de prompts: estado atual Muitos padrões (Persona, Output Customization) permanecem relevantes. - **Requerem reconsideração:** - **Fact Check List Pattern:** Considerado pouco confiável. Os modelos têm dificuldade em verificar fatos por conta própria através de prompts e exigem integração com sistemas de verificação externos. - **Novos padrões (2024-2025):** - **Meta-prompting:** Uso de um LLM para gerar e otimizar prompts para outro LLM. - **Mixture-of-Experts (MoE) Prompts:** Criação de prompts que se dirigem dinamicamente a diferentes partes "especializadas" do modelo. - **Padrões Multimodais:** Estruturas de prompts que incluem texto, imagens e outros tipos de dados para consultas complexas. ## Ligações externas - Anthropic Prompt Engineering Guide - OpenAI Prompt Engineering Guide - Google's Prompting Guide - PromptingGuide.ai - Amazon Bedrock ## Literatura - Radford, A. et al. (2019). *Language Models are Unsupervised Multitask Learners*. PDF. - Brown, T. B. et al. (2020). *Language Models are Few-Shot Learners*. arXiv:2005.14165. - Li, X. L.; Liang, P. (2021). *Prefix-Tuning: Optimizing Continuous Prompts for Generation*. arXiv:2101.00190. - Liu, Y. et al. (2021). *Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity*. arXiv:2104.08786. - Bai, Y. et al. (2022). *Constitutional AI: Harmlessness from AI Feedback*. arXiv:2212.08073. - Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Zhang, Z. et al. (2022). *Automatic Chain of Thought Prompting in Large Language Models*. arXiv:2210.03493. - Zhou, D. et al. (2022). *Least-to-Most Prompting Enables Complex Reasoning in Large Language Models*. arXiv:2205.10625. - Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687. - Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651. - Rafailov, R. et al. (2023). *Direct Preference Optimization: Your Language Model is Secretly a Reward Model*. arXiv:2305.18290. - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761. - Wang, Y. et al. (2023). *Self-Instruct: Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Chang, K. et al. (2024). *Efficient Prompting Methods for Large Language Models: A Survey*. arXiv:2404.01077. - Genkina, D. (2024). *AI Prompt Engineering Is Dead*. *IEEE Spectrum*. [2]. - Li, Z. et al. (2024). *Prompt Compression for Large Language Models: A Survey*. arXiv:2410.12388. - Liang, X. et al. (2024). *Internal Consistency and Self-Feedback in Large Language Models: A Survey*. arXiv:2407.14507. - Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560. - Wu, Z. et al. (2025). *The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models*. *EMNLP 2025*. PDF. - Yang, B. et al. (2025). *Hallucination Detection in Large Language Models with Metamorphic Relations*. arXiv:2502.15844. ## Notas 1. [↑](https://systems-analysis.info/int/Engenharia_de_Prompt#cite_ref-1) «LangChain v0.3». https://python.langchain.com/docs/versions/v0_3/.[1]