---
title: "Técnicas Fundamentais de Engenharia de Prompt"
source: "https://systems-analysis.info/int/T%C3%A9cnicas_Fundamentais_de_Engenharia_de_Prompt"
wiki: "systems-analysis.info/int"
article: "Técnicas_Fundamentais_de_Engenharia_de_Prompt"
language: "pt"
categories:
- "Category:Large language models"
- "Category:Machine learning"
- "Category:Portuguese"
- "Category:Prompt engineering"
revision_id: 8331
wiki_created_at: 2026-09-07T01:15:48Z
wiki_modified_at: 2026-09-07T01:15:48Z
downloaded_at: 2026-09-07T23:24:48Z
---
# Técnicas Fundamentais de Engenharia de Prompt
A **Engenharia de Prompt** (Prompt Engineering) inclui uma variedade de técnicas e metodologias destinadas a otimizar a interação com modelos de linguagem grandes (LLMs) para obter os resultados desejados. Essas técnicas abrangem a estruturação de solicitações, o fornecimento de contexto, o gerenciamento do estilo de saída e a melhoria da capacidade de raciocínio do modelo. Como os LLMs geram respostas prevendo os próximos tokens com base no prompt de entrada, a qualidade e a estrutura desse prompt influenciam diretamente o resultado. As técnicas fundamentais de engenharia de prompt permitem que desenvolvedores e usuários controlem eficazmente o comportamento do modelo, reduzam erros e o adaptem a tarefas específicas sem a necessidade de alterar os parâmetros internos do modelo.
## Princípios básicos e estrutura do prompt
Embora as implementações específicas variem, prompts eficazes são frequentemente construídos com base em princípios e estruturas comuns:
- **Diretrizes empíricas:** Como uma das estruturas práticas (mas não um padrão da indústria), sugere-se seguir os seguintes princípios: Dar Direção, Especificar o Formato, Fornecer Exemplos, Avaliar a Qualidade e Dividir a Tarefa.
- Um prompt eficaz frequentemente inclui os seguintes componentes:
- **Introdução/Papel:** Define o contexto da tarefa ou o papel/persona do modelo.
- **Instruções:** Orientações claras sobre o que deve ser feito.
- **Contexto:** Informações necessárias (estáticas ou extraídas dinamicamente via RAG).
- **Exemplos (Few-shot):** Demonstração do formato/estilo desejado.
- **Solicitação da resposta:** Indicação explícita do que o modelo deve gerar.
- **Mensagem de sistema (System Prompt):** Em interfaces de chat de APIs (por exemplo, nos modelos da OpenAI, Anthropic), permite definir instruções globais e um papel para toda a sessão.
- **Formatação:** O uso de Markdown, JSON, XML ou YAML ajuda a estruturar o prompt e facilita a análise (parsing) da resposta. Delimitadores (\`\`\`, \`"""\`, tags XML) são importantes para separar as instruções dos dados.
## Técnicas principais de instruções e exemplos
- **Instruções claras e específicas:** Descrever a tarefa, o resultado desejado e as restrições com a máxima precisão. Evitar ambiguidades.
- **Modelagem de papel (Role Prompting):** Atribuir um papel ao modelo ("Você é um especialista em...") para controlar o tom, o estilo e a base de conhecimento.
- **Prompting Zero-shot:** Uma solicitação sem exemplos. Eficaz para tarefas simples ou bem conhecidas pelo modelo.
- **Prompting Few-Shot:** Fornecer alguns (geralmente de 2 a 5) exemplos de "pergunta-resposta" para demonstrar a tarefa. Um caso particular é o **Prompting One-shot**, com um único exemplo. É especialmente útil para formatos ou estilos complexos. Requer cuidado para evitar viés (anchoring) ou a captura de padrões falsos a partir dos exemplos.
## Técnicas de gerenciamento de contexto
- **Retrieval-Augmented Generation (RAG):** Adição dinâmica de informações relevantes de bases de conhecimento externas ao prompt antes de enviá-lo ao LLM. Proposto pela primeira vez pela Meta AI em 2020, este método é fundamental para combater alucinações e garantir a atualidade dos dados.
- **Chunking (Divisão em blocos):** Divisão de textos longos em partes menores (chunks) para se ajustar à janela de contexto do modelo. As estratégias incluem a divisão por sentenças, parágrafos ou tokens (com sobreposição).
- **Sumarização:** Compressão de textos longos ou históricos de diálogo para transmitir o sentido principal em um contexto limitado.
## Técnicas de melhoria de raciocínio (Reasoning)
Essas técnicas visam fazer com que o modelo "pense" de forma mais cuidadosa e estruturada. A eficácia de muitas delas, especialmente a CoT, é evidente em modelos de grande escala (geralmente com mais de 100 bilhões de parâmetros).
- **Chain-of-Thought (CoT):** Instruir o modelo a gerar um raciocínio passo a passo antes da resposta final. Melhora significativamente os resultados em matemática, lógica e tarefas com múltiplas etapas.
- **CoT Zero-shot:** A forma mais simples, que não requer exemplos. Adicionar ao prompt uma frase como "Vamos pensar passo a passo" (Let's think step by step) já pode iniciar a cadeia de raciocínio.
- **Variações da CoT:**
- **Auto-CoT:** Geração automática de exemplos de raciocínio para o prompting few-shot.
- **Self-Consistency:** Geração de múltiplas cadeias de raciocínio e seleção da resposta mais frequente por meio de "votação", o que aumenta a confiabilidade.
- **Tree-of-Thoughts (ToT):** Exploração de múltiplos caminhos de raciocínio em forma de árvore, com a possibilidade de retroceder e avaliar passos intermediários. Esta técnica demonstra alta eficácia em tarefas complexas, por exemplo, aumentando a taxa de sucesso na resolução do "Game of 24" de ~4% para ~74%.
- **Graph-of-Thought (GoT), LogiCoT** e outras, focadas em raciocínios mais complexos ou logicamente verificados.
- **ReAct (Reason and Act):** Uma técnica que expande a CoT. Consiste em um ciclo iterativo onde o modelo alterna entre passos de Raciocínio (Thought) e Ações usando Ferramentas (Act), atualizando sua compreensão com base em Observações (Observation).
- **Self-Refine:** Um processo iterativo no qual o modelo primeiro gera uma resposta, depois a critica e, finalmente, a aprimora com base em sua própria crítica. Este ciclo de "geração-crítica-melhoria" pode ser repetido várias vezes.
- **Take a Step Back Prompting:** O modelo primeiro formula princípios gerais ou abstrações e, em seguida, os aplica à tarefa específica.
## Técnicas avançadas: agentes e ferramentas
- **Uso de Ferramentas (Tool Usage) / Chamada de Função (Function Calling):** Fornecer ao LLM a capacidade de chamar APIs externas (busca, calculadora, banco de dados). O modelo gera uma solicitação estruturada para chamar a ferramenta, que é executada pela aplicação, e o resultado é retornado ao modelo. LLMs modernos (GPT-4, Claude 3) possuem suporte nativo para essa funcionalidade.
- **Agentes (Agents):** Sistemas baseados em LLMs que podem planejar, usar ferramentas e agir autonomamente para atingir um objetivo. Frequentemente, utilizam ciclos semelhantes ao ReAct. Frameworks (LangChain, AutoGen, CrewAI) simplificam sua criação.
- **Sistemas multiagentes:** Interação de vários agentes especializados para resolver tarefas complexas.
## Técnicas para redução de erros e alucinações
- **RAG:** Vincular as respostas a dados factuais recuperados.
- **Instruções para limitar a resposta:** Exigir que o modelo responda apenas com base no contexto fornecido ou indique incerteza ("Se a resposta for desconhecida, diga 'Não sei'").
- **Solicitação de citação:** Exigir que o modelo indique fontes ou cite partes do contexto nas quais a resposta se baseia.
- **Verificação e autocrítica:** Uso de técnicas como **Chain-of-Verification (CoVe)** (geração de uma resposta seguida de sua verificação e correção), Self-Refine ou uma solicitação direta para que o modelo verifique sua própria resposta em busca de erros.
- **CoT:** O raciocínio passo a passo, por si só, pode reduzir erros lógicos.
## Técnicas de avaliação e iteração
Embora a avaliação seja um processo separado, alguns de seus aspectos fazem parte da engenharia de prompt:
- **Teste A/B de prompts:** Comparação da eficácia de diferentes versões de prompts nas mesmas tarefas.
- **Uso de LLM para avaliação:** Aplicação de um modelo poderoso (por exemplo, GPT-4) para avaliar a qualidade das respostas geradas por outro prompt ou modelo (LLM-as-a-Judge).
## Padrões de prompt
Estruturas reutilizáveis comuns:
- **Padrão de Persona (Persona Pattern).**
- **Padrão de Customização de Saída (Output Customization Pattern).**
- **Padrão de Refinamento de Pergunta (Question Refinement Pattern).**
- **Padrão de Verificador Cognitivo / Autocrítica (Cognitive Verifier / Self-Critique Pattern).**
- **Padrão de Raciocínio Passo a Passo (Step-by-Step / Chain-of-Thought Pattern).**
- **Padrão de Modelo (Template Pattern).**
## Ver também
- Modelos de linguagem grandes
- Chain-of-Thought Prompting
- [Alucinações e respostas incorretas de LLMs](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs "Alucinações e respostas incorretas de LLMs")
## 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.
- Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. arXiv:2005.11401.
- 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.
- 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.
- 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.
- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629.
- 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.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761.
- Rafailov, R. et al. (2023). *Direct Preference Optimization: Your Language Model is Secretly a Reward Model*. arXiv:2305.18290.
- 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.
- Chen, S. Y. et al. (2023). *Extending Context Window of Large Language Models via Positional Interpolation*. arXiv:2306.15595.
- 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*. [1].
- 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.
- Han, H. et al. (2025). *Retrieval-Augmented Generation with Graphs (GraphRAG)*. arXiv:2501.00309.
- 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.