A internet está cheia de "prompts mágicos" e listas de truques que prometem destravar a IA. A maioria envelheceu mal. O que sobrevive, e o que os guias oficiais dos próprios criadores dos modelos ensinam (Anthropic, OpenAI), é menos místico e mais engenharia: clareza, contexto, exemplos e iteração medida.

Aqui está o que funciona de verdade, além do "seja um especialista em...".

1. Contexto e critérios valem mais que adjetivos

O modelo não lê sua mente; lê seu texto. "Escreva um bom e-mail de cobrança" delega ao modelo todas as decisões que importavam: tom, comprimento, o que fazer se for o terceiro aviso.

O prompt que funciona entrega o que um bom briefing entregaria a um humano: quem é o público, qual o objetivo, o que é obrigatório, o que é proibido, qual o formato de saída. A analogia certa não é comando mágico; é critério de aceite: se duas pessoas leriam seu prompt e imaginariam saídas diferentes, o modelo também vai variar.

2. Exemplos ensinam mais que descrições (few-shot)

A técnica com melhor custo-benefício de todas: mostre 2 ou 3 exemplos de entrada e saída desejada. Para classificação, extração e formatação, exemplos bem escolhidos superam parágrafos de instrução, inclusive nos casos de borda (inclua um exemplo do caso difícil).

3. Peça o raciocínio antes da resposta

Para tarefas com lógica (análise, decisão, matemática), instruir o modelo a raciocinar passo a passo antes de concluir melhora a qualidade de forma mensurável, o efeito documentado no paper de chain-of-thought do Google Research (Wei et al., arXiv). Bônus operacional: quando a resposta vier errada, o raciocínio exposto mostra onde desandou.

4. Estruture: instrução não é dado

Misturar instruções, contexto e o documento a analisar num parágrafo único confunde o modelo (e abre portas para injeção de prompt). Separe com delimitadores claros: as regras num bloco, o documento noutro, a pergunta no fim. E defina o formato de saída explicitamente, com exemplo, especialmente se outro sistema vai consumir a resposta.

5. Dê uma saída para o "não sei"

Sem instrução contrária, o modelo prefere responder algo a admitir lacuna. A linha mais barata de anti-alucinação que existe: "se a informação não estiver no documento, responda 'não encontrado'". Vale para RAG, extração e qualquer tarefa aterrada em fonte.

6. A parte "engineering": versione e meça

Aqui mora a diferença entre curiosidade e profissão. Prompt de produção é artefato de engenharia:

• Versionado como código: mudou, registrou, dá para voltar.
• Avaliado contra uma suíte de casos reais a cada mudança: "pareceu melhor" não é métrica; taxa de acerto na suíte é.
• Testado no modelo em que vai rodar: prompts não são portáveis entre modelos sem revalidação.

É o mesmo salto que o software deu do "funciona na minha máquina" para o CI: a disciplina em volta importa mais que o talento individual.

O que envelheceu mal

Com os modelos atuais, boa parte do folclore perdeu efeito: ameaças e gorjetas fictícias, "respire fundo", cadeias enormes de persona ("você é o melhor especialista do mundo em..."). Persona ainda ajuda quando define critérios reais ("revise como um advogado: aponte cláusulas ambíguas"), não quando é só elogio ao modelo. Na dúvida, a régua de sempre: teste na sua suíte, mantenha o que medir melhor.

Fechando a série (e abrindo a conversa)

Este artigo encerra nossa série de IA em produção: os cuidados de LLM, agentes, RAG, ROI e prompts. O fio condutor de todos: IA que gera valor é IA tratada como engenharia, com medição, versionamento e desenho responsável, do primeiro prompt ao agente em produção. É assim que trabalhamos no serviço de Engenharia de IA e Agentes.

Quer ver um prompt seu melhorar em tempo real? Cole-o na conversa com a IA da Rabelo Digital, aqui no canto da tela, e peça a crítica. Sem formulário, sem espera.

---

Leia também

• LLMs em produção: cuidados que ninguém fala
• Agentes de IA: o que são e quando usar
• RAG: busca semântica para o seu produto