Técnicas de Prompt Engineering: Guia de Otimização para LLMs

Prompt engineering é a arte e ciência de projetar sistematicamente entradas para obter a saída desejada de modelos de IA. Estratégias corretas de prompt podem aumentar o desempenho do modelo em até 50%.

Fundamentos de Prompt Engineering

Anatomia de um Prompt

Um prompt eficaz consiste nos seguintes componentes:

Instrução do Sistema: Papel do modelo e regras de comportamento
Contexto: Informações de fundo relacionadas à tarefa
Exemplo(s): Exemplos do formato de saída desejado
Tarefa: Solicitação ou pergunta específica
Formato de Saída: Estrutura esperada da resposta

Estrutura Básica de um Prompt

1[Role Definition]
2You are a {field of expertise} expert.
3
4[Context]
5{Relevant information}
6
7[Task]
8{Specific request}
9
10[Format]
11{Expected output format}

Técnicas Básicas de Prompt

1. Zero-Shot Prompting

Definição direta da tarefa sem fornecer exemplos:

Summarize the following text:
{text}

Casos de uso:

Tarefas simples
Perguntas de conhecimento geral
Classificação

2. Few-Shot Prompting

Definição da tarefa com exemplos:

1Text: "This product is great, I am very satisfied"
2Sentiment: Positive
3
4Text: "It was a terrible experience, I do not recommend it"
5Sentiment: Negative
6
7Text: "It's okay for the price"
8Sentiment: ?

Boas práticas:

Geralmente 3-5 exemplos são suficientes
Adicionar vários casos extremos
Ordenar exemplos aleatoriamente

3. Chain-of-Thought (CoT)

Raciocínio passo a passo:

1Question: A store has 15 apples. 8 apples were sold, 
2then 6 more apples arrived. How many apples are there?
3
4Let's think step by step:
51. Initially there are 15 apples
62. 8 apples sold: 15 - 8 = 7 apples left
73. 6 apples arrived: 7 + 6 = 13 apples
8
9Answer: 13 apples

4. Self-Consistency

Diferentes caminhos de raciocínio para a mesma pergunta:

1Solve this problem in 3 different ways and choose the most consistent answer:
2
3[Problem]

5. Tree of Thoughts (ToT)

Árvore de pensamentos ramificada:

1Problem: {complex problem}
2
3Thought 1: {approach A}
4  → Sub-thought 1.1: {detail}
5  → Sub-thought 1.2: {detail}
6  
7Thought 2: {approach B}
8  → Sub-thought 2.1: {detail}
9  
10Evaluate and select the most suitable path.

Técnicas Avançadas

ReAct (Reasoning + Acting)

Ciclo de raciocínio e ação:

1Question: How many times larger is Istanbul's population than Paris?
2
3Thought: I need to find the population of both cities
4Action: [search] Istanbul population
5Observation: Istanbul population ~16 million
6
7Thought: Now I need to find Paris population
8Action: [search] Paris population  
9Observation: Paris population ~2.2 million
10
11Thought: I can calculate the ratio
12Action: [calculate] 16 / 2.2
13Observation: 7.27
14
15Answer: Istanbul's population is approximately 7.3 times larger than Paris.

Constitutional AI Prompting

Definição de regras éticas e de segurança:

1System: You are a helpful assistant.
2
3Rules:
41. Do not generate harmful content
52. Do not share personal information
63. Do not help with illegal activities
74. Always be honest
8
9User question: {question}

Role Prompting

Definição de uma área de especialização específica:

1You are a cybersecurity expert with 20 years of experience.
2You have worked as a CISO in Fortune 500 companies.
3You can explain technical details clearly and understandably.
4
5User's question: {question}
6## Estratégias de Otimização de Prompts
7
8### 1. Aumentando a Especificidade
9
10❌ Ruim:

Write a blog post


✅ Bom:

Target audience: Software developers Topic: Docker container security Length: 1500-2000 words Tone: Technical but accessible Format: Introduction, 5 main sections, conclusion

1
2### 2. Determinando o Formato de Saída
3

Provide your response in this JSON format: { "summary": "string", "key_points": ["string"], "next_steps": ["string"], "confidence_score": number }

1
2### 3. Negative Prompting
3
4Especificando comportamentos indesejados:
5

Do NOT do the following:

Give speculative information
Make claims without citing sources
Lead the user
Give excessively long answers

1
2### 4. Uso de Delimitadores
3
4Esclarecendo seções:
5

###CONTEXT### {context information}

###TASK### {work to be done}

###FORMAT### {output format}

1
2## Otimizações Específicas por Modelo
3
4### Para GPT
5

Use System message effectively
Activate JSON mode: response_format={"type": "json_object"}
Temperature: 0.7-1.0 for creative tasks, 0.1-0.3 for analytical

1
2### Para Claude
3

Use XML tags: <context>, <task>, <format>
Put important information at the end in long context
Evaluate Thinking tags

1
2### Para Gemini
3

Optimize for multimodal prompts
Up-to-date information with Grounding
Adjust Safety settings

1
2## Teste e Iteração de Prompts
3
4### Estrutura de Teste A/B
5

Prompt A: {version 1} Prompt B: {version 2}

Metrics:

Accuracy: %
Consistency: 1-5
Latency: ms
Token usage: #

1
2### Versionamento de Prompts
3

prompt_v1.0: First version prompt_v1.1: Typo corrections prompt_v2.0: CoT added prompt_v2.1: Output format changed

1
2## Gestão de Prompts em Ambientes Corporativos
3
4### Criando uma Biblioteca de Prompts
5

/prompts /classification - sentiment_analysis.json - intent_detection.json /generation - blog_writer.json - code_reviewer.json /extraction - entity_extraction.json - data_parsing.json

1
2### Sistema de Templates de Prompt
3
4```python
5class PromptTemplate:
6    def __init__(self, template, variables):
7        self.template = template
8        self.variables = variables
9    
10    def render(self, **kwargs):
11        return self.template.format(**kwargs)
12
13# Usage
14sentiment_prompt = PromptTemplate(
15    template="Analyze sentiment: {text}",
16    variables=["text"]
17)

Erros Comuns e Soluções

Erro 1: Prompt Excessivamente Vago

Problema: O modelo não entende o que você deseja
Solução: Adicione instruções e exemplos específicos

Erro 2: Prompt Muito Longo

Problema: Limite de tokens excedido, custos aumentam
Solução: Remova informações desnecessárias, use resumo

Erro 3: Instruções Conflitantes

Problema: O modelo se comporta de maneira inconsistente
Solução: Priorize e esclareça as regras

Erro 4: Alucinação

Problema: O modelo fornece informações inventadas
Solução: Grounding, exigência de citações, temperatura mais baixa

Conclusão

A engenharia de prompts é um fator crítico para o sucesso de projetos de IA. Com as técnicas corretas e uma abordagem sistemática, é possível aumentar significativamente o desempenho do modelo.

Na Veni AI, desenvolvemos estratégias de prompt personalizadas para nossos clientes corporativos. Entre em contato conosco para suporte profissional.

Técnicas de Engenharia de Prompt: Guia de Otimização de LLM