---
title: "Prompt (modelo de linguagem)"
source: "https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)"
wiki: "systems-analysis.info/int"
article: "Prompt_(modelo_de_linguagem)"
language: "pt"
categories:
- "Category:Large language models"
- "Category:Machine learning"
- "Category:Portuguese"
- "Category:Prompt engineering"
revision_id: 5982
wiki_created_at: 2026-09-06T23:56:45Z
wiki_modified_at: 2026-09-06T23:56:45Z
downloaded_at: 2026-09-07T23:11:23Z
---
# Prompt (modelo de linguagem)
**Prompt** (do inglês *prompt* — "sugestão" ou "solicitação de texto"), no contexto de modelos de linguagem grandes (LLMs), é o texto de entrada ou a instrução que um usuário fornece ao modelo para gerar a resposta desejada[\[1\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-google_guide-1). O prompt formula a tarefa para o modelo, incluindo as condições, o contexto e os exemplos necessários. A eficácia do desempenho do modelo depende em grande parte da qualidade do prompt elaborado.
A disciplina que estuda os métodos de desenvolvimento e otimização de solicitações de texto é chamada de engenharia de prompts (*prompt engineering*). Seu objetivo é obter das modelos de IA respostas o mais relevantes, precisas e seguras possível[\[2\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-wiki_prompt-2). Um prompt bem elaborado define a "rota" para o modelo executar a tarefa, ajudando a especificar o contexto necessário e o resultado desejado[\[1\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-google_guide-1).
## História da abordagem
A ideia de controlar o comportamento de LLMs por meio de prompts de texto evoluiu à medida que as capacidades dos próprios modelos cresciam.
### Estágios iniciais (GPT-2)
Já em 2019, pesquisadores da OpenAI demonstraram que grandes modelos de linguagem pré-treinados, como o **GPT-2**, eram capazes de resolver novas tarefas sem treinamento adicional, se fossem formuladas como texto. O trabalho *"Language Models are Unsupervised Multitask Learners"* marcou uma mudança fundamental: em vez de ajustar o modelo para cada tarefa, tornou-se suficiente formular uma instrução clara na entrada[\[3\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-gpt3_paper-3).
### Avanço com o GPT-3 e o In-Context Learning
O verdadeiro avanço ocorreu com o lançamento do modelo **GPT-3** em 2020. Com 175 bilhões de parâmetros, o GPT-3 demonstrou a capacidade de **aprendizagem em contexto** (*in-context learning*) — assimilar uma nova tarefa "em tempo real" a partir de alguns exemplos fornecidos diretamente no texto do prompt[\[3\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-gpt3_paper-3). Este modo de operação foi denominado **few-shot learning** ("aprendizagem com poucos exemplos") e mostrou que o escalonamento do tamanho do modelo leva a um desempenho de alta qualidade em tarefas de PNL sem qualquer ajuste fino dos pesos.
### Surgimento do Chain-of-Thought (CoT)
O desenvolvimento posterior em 2022 esteve relacionado à melhoria da capacidade dos modelos para o raciocínio lógico complexo. Foram propostos prompts especiais no formato de cadeia de pensamentos (*chain-of-thought prompting*). Nesses prompts, o modelo recebe não apenas a pergunta, mas também um exemplo de raciocínio sequencial e passo a passo antes da resposta. Isso aumentou notavelmente a precisão das soluções em tarefas aritméticas e lógicas[\[2\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-wiki_prompt-2). A pesquisa de Kojima e colegas mostrou que o modelo pode ser estimulado a raciocinar mesmo sem exemplos (*zero-shot*), simplesmente adicionando a frase "Vamos pensar passo a passo" ao final do prompt[\[2\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-wiki_prompt-2).
### Prompts multimodais
O conceito de prompts expandiu-se para além do texto. Em 2022, com o surgimento de modelos como **DALL-E 2** e **Stable Diffusion**, as solicitações dos usuários em linguagem natural tornaram-se uma interface universal para a geração de imagens e, posteriormente, de música e vídeo.
## Tipos e técnicas de aplicação de prompts
Existem vários tipos e técnicas principais de prompts, que são frequentemente combinados.
### Zero-shot prompting (Solicitação direta)
O modelo recebe apenas uma instrução ou pergunta **sem nenhum exemplo**. Neste modo, o LLM se baseia em seu conhecimento geral adquirido durante o pré-treinamento. É adequado para tarefas simples, como tradução ou resumo de texto[\[1\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-google_guide-1).
### Few-shot prompting (Aprendizagem com exemplos)
Além da instrução, o prompt inclui **um ou mais exemplos** com entradas e saídas esperadas. O modelo "aprende em tempo real" com esses exemplos e aplica a lógica assimilada à nova solicitação. Este método, que implementa o *in-context learning*, aumenta significativamente a precisão em tarefas onde um formato ou estilo de resposta específico é importante[\[1\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-google_guide-1).
### Cadeia de pensamentos (Chain-of-Thought, CoT)
Um tipo especial de prompt para tarefas que exigem raciocínio complexo (matemática, lógica). No prompt, é incluída uma análise passo a passo ou um plano de solução antes da resposta final. Isso força o modelo a estruturar explicitamente o processo de raciocínio, o que melhora significativamente a qualidade do resultado[\[2\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-wiki_prompt-2).
### Ajuste de prompts (Prompt Tuning)
Uma técnica em que, em vez de escrever manualmente o prompt, é utilizada uma sugestão **otimizada automaticamente**. O prompt é representado como um conjunto de tokens treináveis especiais (um vetor contínuo) que é adicionado à solicitação do usuário. Treinando apenas este pequeno vetor-prompt, é possível adaptar um grande modelo "congelado" a uma nova tarefa com custos computacionais mínimos[\[2\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-wiki_prompt-2).
## Engenharia de prompts como disciplina
### Surgimento da profissão
O crescimento das capacidades dos LLMs levou ao surgimento de uma nova especialização: o **engenheiro de prompts**. Esses especialistas desenvolvem e depuram os prompts de texto para obter o comportamento desejado da IA. Os engenheiros de prompts utilizam conhecimentos em linguística, lógica e psicologia para estruturar os dados de entrada da maneira mais eficaz[\[2\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-wiki_prompt-2). Em 2022-2023, surgiram as primeiras vagas para esta posição, refletindo a alta demanda por habilidades de interação eficaz com sistemas de IA.
### Futuro da profissão e automação
A área está se desenvolvendo rapidamente, e seu futuro é objeto de debate. Pesquisas de 2024, por exemplo, da VMware, mostraram que a própria IA é capaz de encontrar formulações de prompts eficazes por meio de tentativa, erro e otimização, muitas vezes superando as humanas[\[4\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-ieee_dead-4). Isso gerou a opinião de que a engenharia de prompts manual pode ser um fenômeno temporário, e com o tempo, ferramentas para seleção automática de prompts se tornarão padrão. No entanto, em 2025, a expertise em engenharia de prompts continua sendo muito requisitada.
## Áreas de aplicação
- **Processamento de Linguagem Natural**: Tarefas clássicas de PLN, como resumo automático de documentos, tradução automática, resposta a perguntas e extração de informações.
- **Chatbots e assistentes virtuais**: Os prompts ajudam a definir o papel, o estilo de comunicação e o formato das respostas, tornando os sistemas de diálogo mais consistentes e úteis.
- **Geração de código**: Modelos como o OpenAI Codex são capazes de escrever código de programação a partir de descrições em linguagem natural, o que acelera o desenvolvimento.
- **Análise de dados**: Com o auxílio de prompts, é possível configurar o modelo para extrair insights de relatórios de texto não estruturados ou gerar hipóteses.
- **Educação**: Criação de tutores inteligentes que geram tarefas, explicam conceitos complexos e verificam respostas, levando em consideração o nível de preparação do aluno.
- **Indústrias criativas**: Geração de textos, imagens artísticas, música e roteiros a partir de descrições detalhadas.
## Uso malicioso e vulnerabilidades (Prompt Injection)
A natureza aberta da interface dos LLMs levou ao surgimento de uma nova classe de ataques — a **injeção de prompt** (*prompt injection*). Um invasor formula um prompt malicioso especial que força o modelo a violar suas instruções originais ou a divulgar informações ocultas[\[2\]](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_note-wiki_prompt-2). Especialistas consideram isso uma variação de um ataque do tipo "injeção de código", onde, em vez de código, são "injetadas" no sistema instruções de texto maliciosas.
### Tipos de ataques
- **Jailbreak**: Um ataque que permite ao modelo "escapar" das restrições impostas (por exemplo, políticas de moderação) e gerar conteúdo proibido. Um exemplo conhecido é o **prompt DAN** (Do Anything Now), que forçava o ChatGPT a responder sem censura.
- **Prompt Leaking**: Um prompt especial que força o modelo a revelar fragmentos de seu prompt de sistema oculto.
- **Token Smuggling**: Uma instrução maliciosa é disfarçada como uma parte inofensiva do prompt (por exemplo, um trecho de código) para contornar filtros e provocar um comportamento indesejado.
Esses ataques representam um problema sério, pois os métodos tradicionais de cibersegurança não estão bem adaptados para ameaças relacionadas à interpretação de linguagem natural.
## 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.
- Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903.
- Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171.
- Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916.
- 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.
- Chang, K. et al. (2024). *Efficient Prompting Methods for Large Language Models: A Survey*. arXiv:2404.01077.
- Li, Z. et al. (2024). *Prompt Compression for Large Language Models: A Survey*. arXiv:2410.12388.
- Genkina, D. (2024). *AI Prompt Engineering Is Dead*. *IEEE Spectrum*. [5].
- 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.
## Notas
1. ↑ [1.0](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-google_guide_1-0) [1.1](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-google_guide_1-1) [1.2](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-google_guide_1-2) [1.3](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-google_guide_1-3) «Prompt Engineering for AI Guide». *Google Cloud*. [1]
2. ↑ [2.0](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-wiki_prompt_2-0) [2.1](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-wiki_prompt_2-1) [2.2](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-wiki_prompt_2-2) [2.3](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-wiki_prompt_2-3) [2.4](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-wiki_prompt_2-4) [2.5](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-wiki_prompt_2-5) [2.6](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-wiki_prompt_2-6) «Техника подсказок». *Википедия*. [2]
3. ↑ [3.0](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-gpt3_paper_3-0) [3.1](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-gpt3_paper_3-1) Brown, Tom B., et al. «Language Models are Few-Shot Learners». *arXiv:2005.14165* \[cs.CL\], 28 de maio de 2020. [3]
4. [↑](https://systems-analysis.info/int/Prompt_(modelo_de_linguagem)#cite_ref-ieee_dead_4-0) «AI Prompt Engineering Is Dead». *IEEE Spectrum*. [4]