---
title: "Meta Prompting (PT)"
source: "https://systems-analysis.info/int/Meta_Prompting_(PT)"
wiki: "systems-analysis.info/int"
article: "Meta_Prompting_(PT)"
language: "pt"
categories:
- "Category:Large language models"
- "Category:Machine learning"
- "Category:Portuguese"
- "Category:Prompt engineering"
revision_id: 4258
wiki_created_at: 2026-09-06T23:32:45Z
wiki_modified_at: 2026-09-06T23:32:45Z
downloaded_at: 2026-09-07T23:01:41Z
---
# Meta Prompting (PT)
**Meta-prompting** (do inglês, *meta-prompting*) é um método avançado de engenharia de prompt no qual grandes modelos de linguagem (LLMs) são usados para criar, ajustar e otimizar suas próprias instruções (prompts)[\[1\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-cookbook_openai-1). Diferente das abordagens tradicionais, onde um ser humano escreve manualmente instruções detalhadas, o meta-prompting foca na definição da **estrutura da solução do problema** e nos papéis que o modelo deve desempenhar. Em outras palavras, ele descreve *como* resolver o problema, e não *o que* fazer exatamente em cada caso específico[\[2\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-intuition_labs-2).
Essa abordagem permite que os LLMs decomponham problemas complexos de forma autônoma, refinem as solicitações e melhorem iterativamente suas respostas, abrindo caminho para a criação de sistemas de inteligência artificial mais autônomos e adaptáveis.
## Principais métodos e abordagens
O termo "meta-prompting" ganhou popularidade na literatura científica no final de 2023 e início de 2024, quando vários grupos de pesquisa apresentaram abordagens semelhantes para o gerenciamento de LLMs.
### Método de "andaime" (Scaffolding)
Uma das principais abordagens foi proposta por pesquisadores da Universidade de Stanford e da OpenAI[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-suzgun2024-3). Nesse esquema, chamado de **scaffolding**, o mesmo modelo de linguagem (GPT-4 nos experimentos) desempenha múltiplos papéis simultaneamente:
- **Condutor (Conductor)**: Recebe um meta-prompt de alto nível e divide a tarefa complexa em uma série de subtarefas mais simples.
- **Especialistas (Experts)**: O "Condutor" inicializa várias de suas próprias instâncias como "especialistas", cada uma resolvendo uma subtarefa separada de acordo com instruções especificamente definidas.
- **Integração**: O "Condutor" coordena o trabalho dos "especialistas" e integra suas respostas na solução final.
Essa abordagem de orquestração permitiu um aumento significativo na eficiência da resolução de tarefas complexas. Por exemplo, em experimentos, o meta-prompting superou os prompts de etapa única em **17,1%** e outros métodos avançados em 15–17% em conjuntos de tarefas que exigem raciocínio multicomponente (como o jogo "24" e quebra-cabeças de xadrez)[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-suzgun2024-3). É importante notar que este método é independente da tarefa e opera no modo *zero-shot*, não exigindo exemplos específicos para cada nova tarefa.
### Abordagem teórica e padrões estruturais
Paralelamente, um grupo de pesquisadores da Universidade de Tsinghua propôs seu próprio conceito de meta-prompting, deslocando o foco da parte de conteúdo da tarefa para sua **sintaxe e forma** de representação de dados[\[4\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-zhang2024-4). Com base em um modelo categórico, eles demonstraram que uma descrição abstrata da estrutura do problema permite que o modelo construa raciocínios com profundidade semelhante à humana e decomponha eficientemente questões complexas em etapas mais simples.
### Conceitos relacionados
As ideias de meta-prompting também aparecem em outros métodos:
- **Automatic Prompt Engineer (APE)**: Um método no qual um LLM gera e seleciona automaticamente instruções eficazes para si mesmo, avaliando-as pela qualidade dos resultados obtidos[\[5\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-ape2022-5).
- **Self-Refine**: Uma abordagem na qual o modelo melhora iterativamente sua resposta, analisando criticamente a versão anterior e gerando correções com base nessa crítica[\[6\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-self_refine2023-6).
## Aplicação e vantagens
O meta-prompting demonstrou alta eficácia em tarefas que exigem raciocínio complexo e multicomponente, como provas matemáticas, programação e resolução de quebra-cabeças passo a passo. As principais vantagens do método são:
- **Eficiência de tokens**: Focar na estrutura geral da tarefa, em vez de listar múltiplos exemplos, reduz o tamanho do prompt. O meta-prompt funciona como um modelo universal que requer menos tokens[\[7\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-prompting_guide-7).
- **Estabilidade e imparcialidade**: O método evita a dependência de exemplos específicos, o que torna o modelo menos suscetível a vieses em direção a particularidades das amostras de treinamento[\[7\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-prompting_guide-7).
- **Adaptação dinâmica**: Ao contrário de um prompt estático, o meta-prompting permite melhorias iterativas. O modelo pode refinar as instruções durante a resolução, solicitar informações ausentes e ajustar a estratégia[\[2\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-intuition_labs-2).
- **Generalização para novas tarefas**: Instruções de alto nível são mais facilmente transferidas para tarefas novas e inéditas, tornando o meta-prompting uma forma aprimorada da abordagem *zero-shot*.
## Limitações e riscos
- **Custo e complexidade computacional**: O método exige múltiplas chamadas ao modelo para uma única tarefa, o que aumenta o custo de tempo e de solicitações de API. As implementações atuais operam sequencialmente, dificultando a paralelização[\[8\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-decoder_article-8).
- **Dependência das capacidades do modelo**: A eficácia do meta-prompting depende fortemente da qualidade do LLM base. Estudos mostraram que o GPT-3.5 quase não se beneficia desse método, enquanto para o GPT-4 e modelos posteriores, o ganho é visivelmente maior[\[8\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-decoder_article-8).
- **Limitações fundamentais dos LLMs**: O meta-prompting não é uma panaceia. Se a tarefa estiver além do conhecimento do modelo base, mesmo um meta-prompt perfeitamente formulado não garante um resultado correto. Nesses casos, é necessário um reajuste fino (fine-tuning) ou a integração com ferramentas externas (como busca na internet ou um interpretador de código)[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_note-suzgun2024-3).
## Ligações externas
- Exemplo de meta-prompting no OpenAI Cookbook
- Descrição do método no Prompt Engineering Guide
## Literatura
- Suzgun, M.; Kalai, A. T. (2024). *Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding*. arXiv:2401.12954.
- Zhang, Y.; Yuan, Y.; Yao, A. C.-C. (2023). *Meta Prompting for AGI Systems*. arXiv:2311.11482.
- Zhou, Y. et al. (2022). *Large Language Models Are Human-Level Prompt Engineers*. arXiv:2211.01910.
- Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651.
- Ning, X. et al. (2023). *Skeleton-of-Thought: Prompting LLMs for Efficient Parallel Generation*. arXiv:2307.15337.
- Chen, X. et al. (2023). *Universal Self-Consistency for Large Language Model Generation*. arXiv:2311.17311.
- Wang, X. et al. (2022). *Self-Consistency Improves Chain-of-Thought Reasoning in Language Models*. arXiv:2203.11171.
- Fernando, C. et al. (2023). *PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution*. arXiv:2309.16797.
- Zhou, P. et al. (2024). *Self-DISCOVER: Large Language Models Self-Compose Reasoning Structures*. arXiv:2402.03620.
- Chen, J. et al. (2024). *Thought-Augmented Reasoning with Large Language Models*. arXiv:2406.04271.
## Notas
1. [↑](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-cookbook_openai_1-0) “Enhance your prompts with meta prompting”. *OpenAI Cookbook*. [1]
2. ↑ [2.0](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-intuition_labs_2-0) [2.1](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-intuition_labs_2-1) “Meta-Prompting: LLMs Crafting & Enhancing Their Own Prompts”. *Intuition Labs*. [2]
3. ↑ [3.0](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-suzgun2024_3-0) [3.1](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-suzgun2024_3-1) [3.2](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-suzgun2024_3-2) Suzgun, Mirac; Kalai, Adam T. (2024). “Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding”. *arXiv:2401.12954*.
4. [↑](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-zhang2024_4-0) Zhang, Yifan, et al. (2023). “Meta Prompting for AGI Systems”. *arXiv:2311.11482*.
5. [↑](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-ape2022_5-0) Zhou, Y., et al. (2022). “Large Language Models Are Human-Level Prompt Engineers”. *arXiv:2211.01910*.
6. [↑](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-self_refine2023_6-0) Madaan, A., et al. (2023). “Self-Refine: Iterative Refinement with Self-Feedback”. *arXiv:2303.17651*.
7. ↑ [7.0](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-prompting_guide_7-0) [7.1](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-prompting_guide_7-1) “Meta Prompting”. *Prompt Engineering Guide*. [3]
8. ↑ [8.0](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-decoder_article_8-0) [8.1](https://systems-analysis.info/int/Meta_Prompting_(PT)#cite_ref-decoder_article_8-1) “AI within an AI: Meta-prompting can improve the reasoning capabilities of large language models”. *The Decoder*.