Engenharia de Prompts em 2026: 10 Técnicas que Ainda Funcionam (e 4 que Morreram com os Modelos de Raciocínio)

Engenharia de Prompts em 2026: 10 Técnicas que Ainda Funcionam (e 4 que Morreram com os Modelos de Raciocínio)

A engenharia de prompts não morreu em 2026. Dividiu-se em duas. A própria documentação de raciocínio da OpenAI diz agora para parar de escrever "pense passo a passo", e um artigo do arXiv de 2024 (2410.21333) mediu uma queda de precisão de até 36,3% quando a cadeia de pensamento era forçada numa tarefa inadequada. Esta é a parte estranha. A metade casual da engenharia de prompts tornou-se mais fácil, enquanto a metade de produção, aquela que é implementada no GPT-5 e no Claude, tornou-se muito mais rigorosa. Este guia separa as 10 técnicas que ainda valem o seu tempo dos 4 hábitos que os modelos de raciocínio aposentaram.

Principais conclusões:

• A engenharia de prompts dividiu-se em prompting casual (mais fácil) e prompting de produção (mais rigoroso) em 2026.
• Nos modelos de raciocínio, forçar o "pense passo a passo" é redundante e pode reduzir a precisão. A OpenAI recomenda evitá-lo.
• Quatro hábitos foram aposentados: imposição de Cadeia de Pensamento (CoT), uso reflexivo e pesado de few-shot, pré-preenchimento de respostas e ajuste manual de budget_tokens.
• O que ainda vence: clareza, saídas estruturadas, decomposição de tarefas e iteração orientada por avaliação.

O Que é Realmente a Engenharia de Prompts em 2026

Engenharia de prompts é a prática de desenhar e refinar as instruções que dá a um grande modelo de linguagem para obter resultados precisos e relevantes. As técnicas principais incluem zero-shot, few-shot, cadeia de pensamento e prompting de persona. Em 2026, divide-se em dois trabalhos: prompting casual numa conversa e prompting de produção dentro de um sistema.

Eis o que ninguém disse em voz alta até este ano: são duas competências diferentes. Obter uma boa resposta no ChatGPT é agora quase trivial, porque os modelos perdoam redação descuidada. Obter uma resposta fiável de um sistema que corre mil vezes por dia, em dez idiomas, sem supervisão humana, não é. É desse segundo trabalho que trata este guia.

Escrevemos para a faixa de produção: programadores e engenheiros de IA que precisam de instruções que resistam no GPT-5, Claude Opus 4.8 e Gemini. A introdução, esta definição e as FAQ permanecem legíveis para todos os outros. Se quiser a taxonomia neutra de cada técnica nomeada, a referência dair-ai promptingguide.ai continua a ser a melhor enciclopédia na web. Em 2026, a engenharia de prompts não é uma só competência. São duas.

Engenharia de Prompts vs Engenharia de Contexto: Qual é a Diferença?

Engenharia de prompts trata de criar a instrução. Engenharia de contexto trata de desenhar tudo o que entra na janela de contexto à sua volta: recuperação, memória, ferramentas, ordenação. A engenharia de prompts é um subconjunto da engenharia de contexto. Este guia cobre a metade da criação de prompts; o guia ligado cobre o resto.

Então, qual precisa? Se o seu contexto é estático e cabe numa única mensagem, a engenharia de prompts é suficiente. No momento em que a sua entrada muda por pedido, entrou na engenharia de contexto, e a engenharia de prompts torna-se apenas uma ferramenta dentro dela. Desenhámos esse quadro completo no nosso guia completo de engenharia de contexto; este post mantém-se do lado da criação de prompts.

Uma nota para os colecionadores de entidades: o Preenchimento Automático do Google está agora a estender isto para uma divisão em quatro disciplinas de engenharia, e nós dominamos as duas primeiras, prompt e contexto. Simplificando, a engenharia de prompts é escolher as palavras certas para a pergunta; a engenharia de contexto é decidir o que está na mesa antes de a pergunta ser feita.

As 10 Técnicas Principais de Criação de Prompts (Classificadas pelo ROI de 2026)

As dez técnicas que vale a pena conhecer em 2026, ordenadas aproximadamente pelo retorno sobre o esforço: zero-shot, few-shot, prompting de persona, cadeia de pensamento, decomposição de tarefas, encadeamento de prompts, autoconsistência, saídas estruturadas, modelos de prompts e meta-prompting. Algumas são utilizadas diariamente; duas comportam-se de forma diferente nos modelos de raciocínio, o que a próxima secção esclarece.

Os nomes abaixo seguem a taxonomia do "The Prompt Report", um levantamento sistemático de mais de 50 técnicas de prompting. Encare isto como um kit de ferramentas que utiliza, não como uma lista de verificação que executa de cima para baixo.

1. Prompting Zero-shot

Zero-shot significa dar uma instrução clara e nenhum exemplo, deixando o modelo descobrir. Nos modelos de 2026, esta é a sua primeira jogada padrão, porque uma instrução precisa e específica geralmente supera uma confusa. O truque não está numa redação mágica, mas em remover ambiguidades: diga que resultado quer, em que formato e para quem.

# Target: GPT-5 / Claude Opus 4.8
Classify this support ticket as: billing, technical, or account.
Return only the single lowercase label.

Ticket: "My card was charged twice this month."

2. Prompting Few-shot

Few-shot significa incluir dois a cinco exemplos para moldar o formato ou comportamento desejado. É a maneira mais rápida de fixar um estilo de saída do qual o modelo se está constantemente a desviar. Uma ressalva: nos modelos de raciocínio, as melhores práticas de raciocínio da OpenAI dizem para tentar zero-shot primeiro e adicionar exemplos apenas se ajudarem mensuravelmente. Nos modelos de 2026, zero-shot é o padrão e few-shot é o recurso alternativo, não o contrário.

# Target: GPT-5
Extract the product and sentiment. Follow the examples.

Input: "The battery dies in an hour." -> product: battery, sentiment: negative
Input: "Setup took two minutes, loved it." -> product: setup, sentiment: positive
Input: "The screen is gorgeous but it's heavy." ->

3. Prompting de Persona / Papel

O prompting de papel define quem é o modelo antes de responder, o que molda o tom, o vocabulário e o formato mais do que o raciocínio bruto. "Você é um contabilista sénior a rever uma declaração" puxa uma linguagem diferente de um prompt em branco. Mantenha-o funcional, não teatral. O papel deve codificar restrições reais: público-alvo, formato, o que omitir. A nossa próxima coleção de exemplos de prompts de sistema reunirá os padrões que reutilizamos com mais frequência.

# Target: Claude Opus 4.8
You are a senior tax accountant. Review the figures below for a
small-business owner who is not an accountant.
Format: 3 bullet points, plain English, flag any number that looks wrong.

4. Cadeia de Pensamento (CoT)

A Cadeia de Pensamento pede ao modelo que mostre os seus passos de raciocínio antes da resposta final. Nos modelos estilo GPT simples, continua a ser um dos truques de maior valor para matemática, lógica e problemas de múltiplos passos. Mas nos modelos de raciocínio pode ser redundante ou até prejudicial, o que a próxima secção aborda com números reais. O nosso próximo mergulho profundo no prompting de cadeia de pensamento percorre a técnica completa. Por agora, lembre-se de que já não é um reflexo que aplica a tudo.

5. Decomposição de Tarefas

Decomposição significa dividir um grande pedido em subtarefas ordenadas que o modelo trata uma a uma. Em vez de "escreva um plano de lançamento", pede o público-alvo, depois os canais, depois o calendário. Passos menores significam menos lugares para errar e uma depuração mais fácil quando algo falha.

# Target: any 2026 model
Task: draft a product launch email.
Work in order and label each step:
1) Identify the audience and their main objection.
2) Write one subject line that answers that objection.
3) Write a 90-word body.
4) End with a single CTA.

6. Encadeamento de Prompts

O encadeamento alimenta a saída de um prompt como entrada para o seguinte. É a decomposição tornada real em código: o prompt A extrai os factos-chave, o prompt B redige a partir desses factos, o prompt C verifica o rascunho contra uma regra. Cada elo é simples, testável e substituível. Quando um passo regride, corrige esse elo em vez de desembaraçar um prompt monolítico gigante.

7. Autoconsistência

A autoconsistência amostra a mesma pergunta várias vezes e depois toma a resposta majoritária. Troca tokens por fiabilidade em raciocínios difíceis onde uma única passagem é instável, mas está a pagar por três a cinco conclusões para obter uma. Em modelos de raciocínio fortes, o ganho muitas vezes diminui, por isso reserve-a para tarefas genuinamente ambíguas onde estar certo importa mais do que a fatura.

8. Formatação de Saída / Saídas Estruturadas

Saídas estruturadas significam restringir a resposta a um esquema em vez de esperar que o modelo devolva JSON limpo. Esta merece a sua própria secção abaixo. A versão numa linha: não implore por JSON no prompt, restrinja o modelo a um esquema e pare de adivinhar.

9. Modelos de Prompts e Variáveis

Os modelos transformam um bom prompt único num ativo parametrizado e reutilizável: instruções fixas mais espaços para as partes variáveis. É assim que os prompts deixam de ser texto ad-hoc e começam a ser artefactos versionados que pode testar, que é a história do pipeline mais abaixo. Ficheiros de regras de projeto reutilizáveis, como as regras do cursor que os programadores mantêm nos seus repositórios, são modelos de prompts vivos sob outro nome.

10. Meta-prompting

Meta-prompting é usar um modelo para escrever ou melhorar o seu prompt. Tornou-se o caminho mais rápido de uma caixa em branco para um rascunho sólido, e tem dados reais por trás, abordados logo abaixo. Versão curta: comece com um rascunho melhorado pelo modelo e depois edite manualmente.

Quais Técnicas de Prompt os Modelos de Raciocínio Tornaram Opcionais (ou Quebraram)?

Quatro hábitos que costumavam ser bons conselhos agora falham nos modelos de raciocínio como a série o da OpenAI, GPT-5 e os modos de pensamento do Claude: forçar explicitamente a cadeia de pensamento, empilhar heavy few-shot por defeito, pré-preenchimento de respostas e ajuste manual de budget_tokens. Os modelos de raciocínio já pensam internamente, por isso scriptar os passos é redundante e, às vezes, pior do que redundante.

Cada um morreu por uma razão diferente.

Forçar a cadeia de pensamento. As melhores práticas de raciocínio da OpenAI são diretas: "Evite prompts de cadeia de pensamento", porque estes modelos raciocinam internamente, por isso dizer-lhes para "pensarem passo a passo" é "desnecessário" e "pode não melhorar o desempenho (e às vezes pode prejudicá-lo)". O artigo do arXiv 2410.21333 colocou um número na desvantagem: até 36,3% menor precisão absoluta para o o1-preview versus GPT-4o numa tarefa onde o pensamento deliberado passo a passo realmente prejudica. Um segundo estudo, 2412.21187, mostra que os modelos de raciocínio gastam computação em excesso em problemas triviais. Parámos de adicionar "pense passo a passo" aos prompts de modelos de raciocínio há meses, e nada piorou.

Heavy few-shot reflexivo. A orientação da OpenAI é "mantenha os prompts simples e diretos" e "tente zero-shot primeiro, depois few-shot se necessário". Empilhar exemplos por defeito agora custa tokens e pode limitar um modelo capaz. Adicione exemplos quando ajudarem mensuravelmente, não como um ritual de aquecimento.

Pré-preenchimento de respostas. Colocar palavras na boca do modelo para forçar um formato costumava ser um truque padrão. No Claude 4.6+, Fable 5 e Mythos 5, turnos de assistente pré-preenchidos já não são suportados e retornam um erro 400, conforme as melhores práticas de prompting da Anthropic. Use saídas estruturadas em vez disso, o que a próxima secção aborda.

Micromanagement manual de budget_tokens. Definir manualmente um orçamento de tokens de pensamento também está obsoleto (um 400 no Opus 4.7+ e mais recentes). Os modelos da Anthropic usam agora pensamento adaptativo, e direciona o esforço com o parâmetro effort em vez de scriptar um número. A OpenAI fez o mesmo movimento: mensagens de desenvolvedor são as novas mensagens de sistema, e o esforço de raciocínio é uma configuração. O truque clássico, "vamos pensar passo a passo", é agora, nos modelos de raciocínio, às vezes a coisa que os torna piores.

Como Obter JSON Fiável de um LLM em 2026?

Saídas estruturadas com restrição de esquema, não imploração no prompt. Em 2026, o caminho fiável é entregar ao modelo um esquema JSON e fazer com que a API garanta uma saída válida contra ele. Escrever "por favor, devolva JSON" no prompt é frágil; o truque de pré-preenchimento obsoleto desapareceu. Tanto a OpenAI como a Anthropic oferecem uma funcionalidade de saídas estruturadas exatamente para isto.

Porque é que "por favor, devolva JSON válido" é tão frágil? Porque está a pedir a um sistema probabilístico que seja perfeitamente sintático sob palavra de honra. Um comentário perdido ou uma vírgula final e o seu analisador falha. Saídas Estruturadas corrigem isto ao nível da API: passa um esquema, e o modelo é restringido a corresponder-lhe. A Anthropic nota que os modelos mais recentes "podem corresponder reliably a esquemas complexos quando instruídos a fazê-lo."

Aqui está um pequeno esquema de resposta realista para um classificador de tickets de suporte:

{
  "name": "ticket_classification",
  "schema": {
    "type": "object",
    "properties": {
      "category": { "type": "string", "enum": ["billing", "technical", "account"] },
      "priority": { "type": "string", "enum": ["low", "medium", "high"] },
      "summary": { "type": "string", "maxLength": 120 }
    },
    "required": ["category", "priority", "summary"],
    "additionalProperties": false
  }
}

Passe isto às saídas estruturadas da OpenAI ou da Anthropic e receberá JSON analisável sempre, sem ciclo de repetição. Para o padrão completo entre fornecedores, incluindo validação Pydantic e Zod, veja o nosso guia para obter JSON fiável de qualquer LLM. Em 2026 não pede JSON a um modelo. Restringe-o a um esquema e deixa de esperar.

Meta-Prompting: Deixe o Modelo Escrever o Seu Prompt

Meta-prompting significa usar um LLM para redigir ou refinar o prompt que irá realmente executar. É a maneira mais rápida de passar de uma ideia vaga para um prompt funcional, e as ferramentas estão integradas: o melhorador de prompts da Anthropic e o otimizador de prompts da OpenAI reescrevem o seu rascunho de acordo com as melhores práticas. Comece pela versão da máquina e depois edite manualmente.

Isso realmente ajuda, ou é apenas um truque de festa? A Anthropic executou os seus próprios números: o seu melhorador de prompts entregou um ganho de precisão de 30% num teste de classificação multirrótulo e 100% de aderência à contagem de palavras numa tarefa de sumarização, de acordo com o seu relatório. O otimizador de prompts da OpenAI faz o mesmo trabalho.

O fluxo de trabalho que gostamos: descreva a tarefa, deixe a ferramenta produzir um primeiro rascunho estruturado e depois aperte-o manualmente para os seus dados. Essa última edição manual é a razão pela qual os prompts ainda precisam de um humano e de um teste. A maneira mais rápida de obter um prompt melhor em 2026 é fazer com que o modelo reescreva o seu e depois editar. Não ficar a olhar para uma caixa em branco.

Folha de Dicas de Prompting Específica por Modelo (OpenAI vs Anthropic vs Google)

Mesmo trabalho, três dialetos. A OpenAI quer mensagens de desenvolvedor e nenhuma cadeia de pensamento forçada. A Anthropic quer tags XML, pensamento adaptativo e o parâmetro effort. O Gemini da Google quer um orçamento de pensamento. Os modelos de raciocínio são os seus planeadores; os modelos clássicos estilo GPT são os seus cavalos de batalha. Adapte a técnica ao nível.

As diferenças são pequenas, mas mordem. Na OpenAI, as mensagens de desenvolvedor substituíram a antiga mensagem de sistema para a série o e superiores, e a documentação afasta-o da CoT explícita. Na Anthropic, as tags XML continuam a ser a maneira recomendada de estruturar um prompt complexo, e o pensamento é adaptativo por defeito. Ficheiros de prompt a nível de projeto, como os ficheiros CLAUDE.md que as equipas de programação mantêm nos seus repositórios, contêm muita desta fiação específica do fornecedor. No Gemini, entrega ao modelo um orçamento de pensamento.

Do Prompt ao Pipeline: Modelos, Versionamento e Avaliação

Na produção, a engenharia de prompts deixa de ser sobre redação e torna-se uma disciplina empírica. Versiona prompts como código, condiciona-os com avaliações e adiciona testes de regressão para que uma alteração que quebre silenciosamente a saída seja detetada antes que os utilizadores a vejam. É aqui que a engenharia de prompts encontra a avaliação, e é a parte que realmente decide se a sua aplicação funciona.

Eis como isso se parece num sistema real. Este blog funciona num pipeline de conteúdo alimentado pelo Claude de 17 sub-agentes especializados, cada um com um papel separado por prompt: um pesquisador, um criador de briefings, um redator de conteúdo, um validador, um tradutor de idiomas, um publicador de sanidade, um manipulador de imagens e mais. Em três dessas fases, briefing, redator e validador, aplicamos 8 regras de salvaguarda anti-detecção. O validador procura em cada rascunho uma lista bloqueada de 52 frases de vocabulário proibido, e uma única ocorrência bloqueia a publicação, apoiada por um script de verificação lexical separado. Esse pipeline lançou cerca de 194 posts em inglês em 4 sites, cada um traduzido para até 10 idiomas por agentes paralelos por idioma.

Nada disso veio de uma redação inteligente. Veio de tratar os prompts como artefactos versionados e condicionados por avaliação, e dois incidentes ensinaram-nos porquê.

O primeiro foi um bug de diacríticos. O nosso prompt de tradução intermitentemente devolvia ASCII em vez de Unicode, por isso a palavra turca "karşılaştırma" voltava como "karsilastirma". Silencioso, feio e fácil de perder em escala. A correção não foi uma frase melhor, foi uma instrução reforçada mais uma porta de grepl que conta caracteres nativos e executa novamente a tradução automaticamente se a contagem chegar a zero. Um teste de regressão, num prompt.

O segundo foi pior. Um prompt de retradução começou a criar slugs localizados ligeiramente diferentes, por isso o publicador criou um documento totalmente novo enquanto o antigo permanecia ativo. Isso produziu 54 documentos duplicados ativos, o que acionou as exclusões de duplicados do Google Search Console. A correção foi uma salvaguarda de prompt que força a reutilização do slug existente, mais uma regra de resolução-antes-da-criação no publicador.

A lição foi dura: o prompt que lançou 194 posts em dez idiomas não venceu pela fraseologia. Venceu porque uma porta de grepl o executou novamente no momento em que desviou. Isso é avaliação de LLM em ação, e é por isso que emparelhamos cada prompt importante com ferramentas de gestão de prompts para versionar e reverter. Para um prefixo estável repetido em milhares de chamadas, colocamo-lo em cache para reduzir custos. Este é exatamente o tipo de pipeline de prompt e avaliação que construímos para clientes.

Erros Comuns de Engenharia de Prompts (e as Correções de 2026)

Os erros dispendiosos em 2026 não são erros ortográficos. São estruturais: instruções vagas, excesso de scripting em modelos de raciocínio, lançamento sem ciclo de avaliação, ignorar comportamento específico do modelo, encher o prompt quando o problema real é o contexto e confiar em entrada não confiável. Cada um tem uma correção limpa, e a maioria não custa nada além de atenção.

Percorra a lista e seja honesto sobre quais comete:

• Instruções vagas. "Melhore isto" não dá ao modelo nada para visar. Diga o que "melhor" significa: mais curto, mais amigável, JSON válido, menos de 120 palavras.
• Excesso de scripting em modelos de raciocínio. Forçar "pense passo a passo" num modelo da série o ou de pensamento é o erro abordado acima. Deixe-o raciocinar; aumente o esforço em vez disso.
• Sem ciclo de avaliação. Se não consegue dizer se uma alteração no prompt ajudou ou prejudicou, está a adivinhar. Adicione casos de teste e uma verificação de aprovação/reprovação.
• Ignorar comportamento específico do modelo. O prompt que brilha no GPT-5 pode precisar de tags XML no Claude. Leia a folha de dicas acima.
• Enchimento de prompts. Encher mais numa única instrução quando a lacuna real é recuperação ou memória significa que precisava de engenharia de contexto, não de um prompt mais longo.
• Confiar em entrada não confiável. Conteúdo do utilizador e documentos recuperados podem transportar instruções ocultas. Adicione salvaguardas à volta deles; o nosso próximo mergulho profundo na prevenção de injeção de prompts cobre o lado da segurança na totalidade.

O erro de prompt mais dispendioso em 2026 não é um erro ortográfico. É lançar sem uma avaliação que teria detetado a regressão.

A Engenharia de Prompts Morreu? Uma Resposta Honesta de 2026

Não. A engenharia de prompts não morreu, bifurcou-se. O prompting casual tornou-se mais fácil porque os modelos ficaram mais inteligentes e tolerantes. O prompting de produção tornou-se mais difícil, porque a fiabilidade, as saídas estruturadas e a avaliação importam agora mais do que uma fraseologia inteligente. A palavra "engenharia" finalmente significa o que diz.

Então, porque é que todos continuam a declará-la morta? Porque a metade visível, digitar um pedido no ChatGPT, tornou-se genuinamente trivial. A metade que não ficou mais fácil, lançar um prompt que resiste a milhares de chamadas e dez idiomas, não faz manchete. A verdadeira competência de 2026 não é uma frase mágica. É avaliação, escolha de nível de modelo (planeador vs cavalo de batalha) e saber quando um problema ultrapassou o prompt e se tornou engenharia de contexto. A metade fácil ficou mais fácil e a metade difícil ficou mais difícil, e apenas uma delas faz manchete.

Se há uma conclusão: 10 técnicas ainda justificam o seu uso, 4 velhos hábitos agora custam-lhe nos modelos de raciocínio, e a avaliação é a competência que separa uma demonstração de um produto. A construir algo onde os prompts têm de resistir na produção? Obtenha uma consulta gratuita e ajudaremos a configurar o ciclo de avaliação primeiro.

Sobre o Autor

Mert Batur Gurbuz é Co-Fundador da Techsy.io, onde a equipa lança agentes de IA, sistemas de automação e pipelines de voz/SDR para clientes B2B. Estuda na Universidade de Birmingham e escreve sobre a pilha de ferramentas LLM que a equipa da Techsy realmente usa na produção.

Credenciais: Co-Fundador, Techsy.io, Universidade de Birmingham. Conecte-se com o Mert no LinkedIn.

Perguntas Frequentes

O que é engenharia de prompts no contexto da IA generativa?

Engenharia de prompts é a prática de desenhar e refinar as instruções que dá a um grande modelo de linguagem para obter resultados precisos e relevantes. Abrange técnicas como zero-shot, few-shot, cadeia de pensamento e prompting de persona. Em 2026, divide-se em prompting casual de chat e prompting rigoroso de produção dentro de um sistema.

A engenharia de prompts morreu em 2026?

Não, a engenharia de prompts não morreu em 2026, bifurcou-se. O prompting casual tornou-se mais fácil à medida que os modelos se tornaram mais tolerantes. O prompting de produção tornou-se mais rigoroso, porque saídas estruturadas, avaliação e fiabilidade importam agora mais do que uma redação inteligente. A competência não desapareceu; a metade fácil apenas deixou de precisar de si.

Qual é a diferença entre engenharia de prompts e engenharia de contexto?

A engenharia de prompts cria a instrução; a engenharia de contexto desenha tudo o resto na janela de contexto: recuperação, memória, ferramentas e ordenação. A engenharia de prompts é um subconjunto da engenharia de contexto. Precisa de engenharia de contexto assim que as suas entradas mudam por pedido, como em agentes e sistemas RAG.

Ainda precisa de prompting de cadeia de pensamento com modelos de raciocínio?

Geralmente não. Nos modelos de raciocínio como a série o da OpenAI, GPT-5 e os modos de pensamento do Claude, forçar "pense passo a passo" é redundante porque raciocinam internamente, e a OpenAI diz que pode prejudicar o desempenho. A cadeia de pensamento ainda ajuda nos modelos clássicos estilo GPT, por isso adapte a técnica ao nível.

A engenharia de prompts requer programação?

Não, para começar. Qualquer pessoa pode escrever instruções claras e obter melhores respostas do ChatGPT ou Claude. Mas a engenharia de prompts de produção, versionamento de prompts, ligação de saídas estruturadas e construção de ciclos de avaliação, é uma disciplina de programador. A metade casual não precisa de código; a metade profissional sim.

Qual é a diferença entre prompting zero-shot e few-shot?

O prompting zero-shot dá uma instrução clara sem exemplos; o few-shot inclui dois a cinco exemplos para moldar o formato de saída ou comportamento. Nos modelos de 2026, comece com zero-shot porque seguem bem as instruções, e adicione few-shot apenas quando os exemplos melhorarem mensuravelmente os resultados. Few-shot é o recurso alternativo, não o padrão.

Como faço para um LLM devolver JSON de forma fiável?

Use saídas estruturadas com restrição de esquema, não imploração no prompt. Em vez de escrever "por favor, devolva JSON", passe um esquema JSON através da funcionalidade Saídas Estruturadas da OpenAI ou da Anthropic, que restringe o modelo a uma saída válida e analisável. O velho truque de pré-preenchimento agora retorna um erro 400 nos modelos Claude mais recentes.

O que é meta-prompting?

Meta-prompting é usar um modelo para redigir ou melhorar o prompt que irá executar. Ferramentas como o melhorador de prompts da Anthropic e o otimizador de prompts da OpenAI reescrevem o seu rascunho de acordo com as melhores práticas; a Anthropic mediu um ganho de precisão de 30% num teste. Gere um primeiro rascunho e depois edite-o manualmente para os seus dados.

A engenharia de prompts é uma carreira ou emprego real?

Sim, é uma competência real, embora o título autónomo de "engenheiro de prompts" esteja a desaparecer em papéis mais amplos de engenharia de IA. Os empregadores querem pessoas que possam criar prompts e desenhar avaliações, saídas estruturadas e pipelines de contexto. Como carreira, é mais forte como uma parte do kit de ferramentas de um engenheiro de IA.

Como é que o prompting difere entre ChatGPT, Claude e Gemini?

O trabalho é o mesmo; o dialeto difere. A OpenAI usa mensagens de desenvolvedor e afasta-o da cadeia de pensamento explícita em modelos de raciocínio. O Claude da Anthropic favorece tags XML, pensamento adaptativo e o parâmetro effort. O Gemini da Google usa um orçamento de pensamento. Os modelos de raciocínio são planeadores; os modelos clássicos estilo GPT são cavalos de batalha.

Fontes

• OpenAI: Melhores práticas de raciocínio
• OpenAI: Saídas Estruturadas
• OpenAI: Otimizador de prompts
• Anthropic: Melhores práticas de prompting do Claude
• Anthropic: Saídas Estruturadas
• Anthropic: Melhorador de prompts (docs)
• Anthropic: Anúncio do melhorador de prompts
• arXiv 2410.21333: Mind Your Step (by Step)
• arXiv 2412.21187: Do NOT Think That Much for 2+3?
• arXiv 2406.06608: The Prompt Report
• Guia de Engenharia de Prompts (dair-ai)