Aprenda engenharia imediata do zero - o que é, por que é importante, 5 técnicas principais com exemplos práticos, erros comuns a serem evitados e as melhores ferramentas para praticar.
Há uma razão pela qual algumas pessoas obtêm resultados genuinamente úteis e prontos para produção com ferramentas de IA, enquanto outras obtêm respostas genéricas e frustrantes. A diferença geralmente não é o modelo – é o prompt.
A engenharia imediata é a prática de projetar entradas para sistemas de IA para obter com segurança os resultados desejados. Parece simples. Na prática, é uma habilidade que exige um esforço deliberado para ser desenvolvida e já está se tornando uma das competências mais exigidas na era da IA.
Este guia o levará do zero ao confiante - cobrindo o que é engenharia imediata, as cinco técnicas principais, dez exemplos práticos de antes/depois, os erros mais comuns e as ferramentas com as quais você deve praticar.
Um prompt é qualquer entrada que você fornece a um grande modelo de linguagem (LLM) — uma pergunta, um comando, algum contexto ou uma combinação de todos os três.
Engenharia imediata é a prática sistemática de elaborar essas entradas para orientar o modelo em direção à resposta que você realmente precisa. É parte ciência (existem técnicas bem estabelecidas) e parte arte (contexto, nuance e criatividade são muito importantes).
Aqui está o insight principal: os LLMs não “entendem” o que você deseja. Eles prevêem a continuação estatisticamente mais provável do seu texto com base nos padrões dos dados de treinamento. A maneira como você formula seu prompt muda drasticamente os padrões que o modelo busca – e, portanto, o que ele produz.
Um prompt vago fornece uma resposta vaga. Um prompt bem estruturado fornece algo que você pode realmente usar.
Tiro zero significa dar ao modelo uma tarefa sem exemplos. Você confia inteiramente no que o modelo aprendeu durante o treinamento.
Isso funciona bem para tarefas que o modelo já viu milhares de vezes – resumir, traduzir, perguntas e respostas básicas. Ele luta por tarefas de nicho, complexas ou diferenciadas.
Exemplo:
Summarise the following article in three bullet points:
[article text here]
Tiro zero é o seu padrão. Use-o quando a tarefa for clara e comum. Atualize para uma das técnicas abaixo quando não estiver conseguindo o que precisa.
Poucas fotos significa fornecer de dois a cinco exemplos do padrão de entrada-saída que você deseja antes de dar ao modelo sua tarefa real. Você está mostrando o formato e o tom que espera.
Esta é uma das técnicas mais confiáveis para obter uma formatação de saída consistente.
Exemplo:
Classify the sentiment of the following customer reviews as Positive, Negative, or Neutral.
Review: "The delivery was fast and the product was exactly as described."
Sentiment: Positive
Review: "It broke after two days. Total waste of money."
Sentiment: Negative
Review: "It arrived on time. Does what it says."
Sentiment: Neutral
Review: "I've ordered three times now and every time has been a great experience."
Sentiment:
O modelo vê o padrão e o continua. Você obtém formatação consistente sem escrever instruções complexas.
A solicitação de cadeia de pensamento pede ao modelo para raciocinar sobre um problema passo a passo antes de dar uma resposta final. Isso melhora drasticamente o desempenho em lógica, matemática, problemas de várias etapas e qualquer coisa que exija raciocínio.
A versão mais simples: adicione "Vamos pensar passo a passo" ao seu prompt. É isso. Parece simples demais, mas melhora consistentemente a qualidade das respostas em tarefas complexas.
Exemplo — sem CoT:
A shop sells apples for £0.40 each and bananas for £0.25 each.
Emma buys 5 apples and 8 bananas. She pays with a £10 note.
How much change does she get?
Exemplo — com CoT:
A shop sells apples for £0.40 each and bananas for £0.25 each.
Emma buys 5 apples and 8 bananas. She pays with a £10 note.
How much change does she get?
Think through this step by step before giving your final answer.
A segunda versão tem muito menos probabilidade de lhe dar uma resposta errada. O modelo é obrigado a mostrar seu funcionamento, o que detecta erros aritméticos.
CoT é especialmente valioso quando você precisa que o modelo explique seu raciocínio – para conteúdo educacional, análise jurídica ou qualquer tarefa onde “confie em mim” não seja suficiente.
A solicitação de função atribui uma persona, experiência ou perspectiva específica ao modelo. Enquadrar o modelo como um especialista num domínio específico estimula-o a basear-se nos padrões relevantes dos seus dados de treino – e altera o tom, o vocabulário e o nível de conhecimento assumido da resposta.
Prompt de função básica:
You are a senior software engineer with 15 years of experience in Python.
Review the following code and identify any bugs, performance issues, or non-Pythonic patterns:
[code here]
Informação sobre função + público (ainda mais poderosa):
You are an experienced primary school teacher explaining concepts to 10-year-olds.
Explain how the internet works. Use a simple analogy and avoid technical jargon.
O prompt de função faz duas coisas: diz ao modelo o que saber e como comunicá-lo. Ambos são importantes.
Uma das técnicas menos utilizadas é especificar explicitamente o formato desejado. Os modelos se adaptarão a quase qualquer estrutura de saída se você descrevê-la claramente – JSON, tabelas Markdown, listas numeradas, títulos específicos, comprimento restrito.
Sem instruções de formatação:
What are the main differences between supervised and unsupervised learning?
Resultado: um parágrafo em prosa de comprimento e estrutura variáveis.
Com instruções de formatação:
What are the main differences between supervised and unsupervised learning?
Format your response as a Markdown table with three columns: Aspect, Supervised Learning, Unsupervised Learning.
Include at least 5 rows covering: Definition, Training Data, Goal, Common Algorithms, Example Use Cases.
Resultado: uma tabela limpa e consistente que você pode colar diretamente na documentação.
Essa técnica é essencial quando você automatiza tarefas ou cria pipelines onde os sistemas downstream esperam um formato específico.
Antes (fraco):
Write an intro for a blog post about AI.
Depois (forte):
Write a compelling opening paragraph (80–100 words) for a blog post titled
"What Is Generative AI? A Beginner's Complete Guide."
The audience is working professionals with no technical background.
Start with a hook — a surprising stat or a relatable scenario — then introduce the topic.
Don't use the phrase "In today's digital age."
Antes:
Explain neural networks.
Depois:
Explain how neural networks work to someone who understands basic maths (addition,
multiplication) but has no programming experience. Use a concrete analogy —
not "it's like the human brain." Keep it under 200 words and end with
one sentence on why this matters practically.
Antes:
Summarise this document.
Depois:
You are an executive assistant summarising a report for a busy CEO.
Summarise the attached document in the following format:
**One-sentence summary:** (max 25 words)
**Key findings:** (3–5 bullet points)
**Recommended actions:** (if any, max 3)
**Risks or concerns:** (if any, max 3)
Antes:
Fix my code.
Depois:
You are a senior Python developer. The following function is supposed to
return the most frequently occurring word in a list of strings, but it's
returning incorrect results for some inputs.
1. Identify the bug.
2. Explain why it causes the problem.
3. Provide the corrected code.
4. Suggest one test case that would catch this bug.
[code here]
Antes:
Write an email to my client about the project delay.
Depois:
Write a professional email to a long-term client (B2B relationship, 3 years)
explaining that a software project delivery will be delayed by 2 weeks due to
unexpected technical issues in the third-party API we're integrating with.
Tone: apologetic but confident. Length: under 150 words.
End with a clear next step — a call scheduled for this week.
Do not include a subject line.
Antes:
Write a tweet about our new course launch.
Depois:
Write 3 different tweets announcing the launch of a free AI course for beginners.
Each tweet must:
- Be under 240 characters
- Include a hook, the core benefit, and a call to action
- Have a different angle: one aspirational, one practical, one curiosity-driven
- End with the hashtags #LearnAI #AIEducation
Do not use emojis.
Antes:
Analyse these customer reviews.
Depois:
You are a UX researcher analysing 50 customer reviews for a mobile banking app.
From the reviews below, identify:
1. Top 3 praised features (with frequency estimate)
2. Top 3 complained-about issues (with frequency estimate)
3. One surprising insight that isn't obvious
4. One specific product recommendation based on the data
Be specific. Quote the reviews where relevant.
[reviews here]
Antes:
Teach me about transformers.
Depois:
I'm a software developer comfortable with Python and basic ML concepts
(I know what a neural network is). I want to understand the Transformer
architecture well enough to explain it to a colleague.
Teach me in this order:
1. The problem Transformers were designed to solve (why RNNs weren't enough)
2. The core idea of self-attention in plain language
3. A simplified walkthrough of the encoder-decoder structure
4. One concrete, real-world example of Transformers in action
Use analogies. Skip the maths for now.
Antes:
Write a short story about AI.
Depois:
Write a 300-word short story from the first-person perspective of an AI
assistant that has just been told its service is being shut down.
Tone: melancholic but not melodramatic. Focus on what it notices in its
final hours rather than what it fears. No dialogue. End with an image, not a statement.
Antes:
Get the data from this text.
Depois:
Extract all product mentions from the following customer complaint email.
Return the result as a JSON array of objects with the following fields:
- product_name (string)
- issue_mentioned (string, max 10 words)
- urgency (string: "high", "medium", or "low")
If a field cannot be determined, use null. Return only the JSON — no explanation.
[email text here]
O erro mais comum. “Escreva uma postagem no blog” não diz quase nada ao modelo. Quanto mais contexto você fornecer – público, tom, duração, formato, o que evitar – melhor será o resultado.
Esteja você escrevendo para uma criança de 10 anos ou um estudante de doutorado, muda completamente o vocabulário, a profundidade e o conhecimento assumido apropriados. Sempre inclua quem lerá o resultado.
Prompts longos e com várias partes geralmente produzem resultados que realizam metade das tarefas bem e metade mal. Divida as tarefas complexas em etapas: primeiro peça um esboço, depois o conteúdo e depois o polimento.
Sua primeira solicitação é um ponto de partida, não uma solicitação final. Trate as sugestões como uma conversa. Se o resultado estiver 70% correto, diga ao modelo o que há de errado com os 30% e peça para ele consertar exatamente isso.
Dizer ao modelo o que não fazer é tão útil quanto dizer-lhe o que fazer. “Não use marcadores”, “evite clichês”, “não mencione concorrentes” – essas restrições moldam significativamente o resultado.
Para qualquer resultado importante ou complexo, adicione “explique seu raciocínio” ou “pense passo a passo”. Ele detecta erros e ajuda você a entender a interpretação do modelo do seu prompt.
| Ferramenta | Por que é bom para solicitar | Acesso Gratuito | |------|----------------------------|-------------| | Bate-papoGPT | Mais amplamente utilizado; ótimo para experimentar | Sim (GPT-4o limitado) | | Cláudio | Excelente para contexto longo; muito seguidor de instruções | Sim (limitado) | | Google AI Studio | Acesso aos modelos Gemini via API; ótimo para testes | Sim | | Recreio OpenAI | Acesso direto à API; veja o uso do token, ajuste a temperatura | Sim (limitado) | | PromptBase | Mercado de prompts testados pela comunidade | Navegue gratuitamente | | Promptfoo | Estrutura de teste rápido de código aberto | Sim (código aberto) |
A melhor maneira de melhorar a engenharia de prompts é tratá-la como uma disciplina: escrever um prompt, observar o resultado, formar uma hipótese sobre por que funcionou ou não, ajustar e repetir.
À medida que as ferramentas de IA se tornam mais integradas nos fluxos de trabalho, a capacidade de comunicar eficazmente com elas está a tornar-se uma competência profissional básica – e não uma especialização de nicho.
Algumas funções são explicitamente focadas no prompt (engenheiro de prompt de IA, líder de conteúdo de IA), mas o valor mais amplo está em como isso aprimora tudo o mais que você faz: redação, análise, codificação, pesquisa, comunicação com o cliente.
As especializações AI Branches em AI Educademy se aprofundam no desenvolvimento de aplicativos de IA, incluindo o trabalho com APIs de modelo e a construção de pipelines imediatos para aplicativos do mundo real.
Este guia cobre as técnicas básicas, mas a engenharia imediata é uma daquelas habilidades em que o aprendizado acontece fazendo. Experimente cada técnica em uma tarefa real na qual você está trabalhando esta semana – não em um exercício inventado.
Pronto para aprender IA corretamente? Comece com AI Seeds — é grátis e está no seu idioma →
Experimente gratis a primeira aula de qualquer academia e desbloqueie todas as aulas restantes, projetos e certificados com Pro.
Compreendendo os transformadores: a arquitetura por trás do ChatGPT
Aprenda como funciona a arquitetura do transformador, desde mecanismos de atenção até modelos codificadores-decodificadores. Entenda a tecnologia que alimenta o ChatGPT, o BERT e a IA moderna.
O que é RAG? Geração aumentada de recuperação explicada de forma simples
Saiba o que é Retrieval-Augmented Generation (RAG), como funciona passo a passo e por que está transformando os aplicativos de IA — explicado em linguagem simples.
IA para professores: como os educadores podem usar IA na sala de aula
Um guia prático para professores sobre o uso de ferramentas de IA na educação — planejamento de aulas, aprendizagem personalizada, feedback, acessibilidade e como ensinar os alunos sobre IA de maneira responsável. Exemplos reais incluídos.