Técnicas de prompt engineering: um guia prático de zero-shot, few-shot, chain-of-thought e muito mais

Prompt engineering é a maneira mais barata e mais rápida de mudar o que um large language model faz: você muda a entrada, não o modelo. Sem treinamento, sem pipeline de dados, sem conta de GPU - apenas instruções mais claras. É o primeiro degrau da escada de customização (veja como os modelos de IA são treinados para a escada completa), e é fortemente testado em todo exame fundamental de IA e de IA generativa, do AWS AI Practitioner (AIF-C01) aos equivalentes da Azure e do Google Cloud.

Este guia é neutro em relação ao provedor - as técnicas funcionam da mesma forma em qualquer LLM moderno. Ele cobre a anatomia de um bom prompt, as técnicas centrais com quando usar cada uma, as configurações de inferência que moldam a saída e os riscos de segurança que você precisa conhecer. Onde um exame se apoia em algo, há uma nota "No exame". Trate-o como uma referência que você percorre por seção.

O que prompt engineering é (e o que não é)

O que é. Criar e refinar o texto que você fornece a um modelo para que ele retorne a saída que você quer. Isso explora o que o modelo já aprendeu durante o pré-treinamento; você está direcionando, não ensinando.

Por que importa. É quase gratuito e instantâneo. Antes de recorrer a RAG ou fine-tuning - que custam dados, dinheiro e tempo - você deve esgotar o prompting. Muitas vezes um prompt melhor fecha toda a lacuna.

O que não é. Não muda os pesos do modelo. Se o modelo simplesmente não tem o conhecimento (seus dados privados) ou um comportamento confiável, o prompting sozinho não vai resolver - é aí que você sobe para RAG ou fine-tuning. Não confunda prompt engineering (escrever instruções melhores) com prompt tuning (uma técnica de treinamento que aprende vetores de "soft prompt"); o exame trata prompt engineering como a opção sem retreinamento.

A anatomia de um bom prompt

A maioria dos prompts fortes contém até quatro partes:

• Instrução - a tarefa: "Resuma", "Classifique", "Traduza", "Extraia".
• Contexto - o pano de fundo que o modelo precisa: público, tom, domínio, restrições.
• Dados de entrada - o conteúdo real sobre o qual agir.
• Indicador de saída - a forma da resposta: "Retorne JSON", "Uma frase", "Uma lista com marcadores".

Princípios que fazem cada parte funcionar:

• Seja específico e inequívoco. "Escreva um resumo de 3 frases para um leitor não técnico" supera "resuma isto".
• Prefira instruções positivas. Diga ao modelo o que fazer, não apenas o que evitar; "Responda apenas com o nome da categoria" é mais claro do que uma pilha de regras "não faça" (embora as restrições negativas tenham seu lugar - veja abaixo).
• Dê restrições. Comprimento, tom, nível de leitura, formato, o que excluir.
• Use delimitadores. Envolva a entrada em separadores claros - aspas triplas, tags no estilo XML ou cabeçalhos markdown - para que o modelo saiba onde terminam as instruções e começam os dados. Isso também reduz o risco de o texto fornecido pelo usuário ser lido como instruções (veja prompt injection).
• Especifique o contrato de saída. Se outro programa for ler a saída, indique o formato exato (JSON válido com estas chaves, sem prosa ao redor). Os modelos não respeitam a estrutura a menos que você a exija.

As técnicas centrais

Zero-shot prompting

O quê. Peça ao modelo para fazer a tarefa sem exemplos, apoiando-se puramente em seu conhecimento pré-treinado.

Quando. Tarefas simples e comuns que o modelo claramente já viu antes (classificação básica, resumos diretos, perguntas gerais).

Risco. Se a tarefa for incomum ou distante do treinamento do modelo, os resultados de zero-shot podem ser não confiáveis - esse é o seu sinal para adicionar exemplos.

No exame. Zero-shot significa nenhum exemplo no prompt. Seu risco reconhecido é o baixo desempenho quando a tarefa está muito distante do que o modelo aprendeu.

One-shot e few-shot prompting (in-context learning)

O quê. Inclua um (one-shot) ou alguns (few-shot) exemplos resolvidos de entrada-e-saída-desejada no prompt, para que o modelo infira o padrão. Isso também é chamado de in-context learning, porque o modelo "aprende" a tarefa a partir do contexto do prompt sem qualquer atualização de parâmetros.

Quando. A tarefa tem um formato, conjunto de rótulos ou estilo específico que você quer que seja correspondido de forma consistente - por exemplo, classificar mensagens nas suas próprias categorias, ou corresponder a um tom específico.

Como. Mostre de 2 a 5 exemplos limpos e representativos que cubram a variedade de casos, depois forneça a nova entrada. A formatação consistente entre os exemplos importa mais do que a quantidade.

No exame. Few-shot learning e in-context learning são a mesma ideia: exemplos no prompt, sem retreinamento. É a resposta preferida para "fazer o modelo seguir um padrão ou esquema de rótulos específico sem fine-tuning".

Chain-of-thought (CoT) prompting

O quê. Peça ao modelo para raciocinar passo a passo antes de dar a resposta final, em vez de ir direto a ela.

Quando. Problemas de múltiplas etapas: aritmética, lógica, planejamento, qualquer coisa em que o raciocínio intermediário ajude.

Como. Forneça exemplos que mostrem o raciocínio (few-shot CoT), ou simplesmente acrescente um gatilho como Let's think step by step para provocar o raciocínio sem exemplos (zero-shot CoT).

No exame. Chain-of-thought é a técnica reconhecida para melhorar o desempenho em raciocínio complexo de múltiplas etapas.

Self-consistency

O quê. Execute chain-of-thought várias vezes (com alguma aleatoriedade), depois pegue a resposta que aparece com mais frequência entre as execuções.

Quando. Raciocínio de alto risco em que uma única cadeia pode falhar; amostrar várias e votar melhora a confiabilidade.

Role (persona) e system prompting

O quê. Diga ao modelo quem ser - "Você é um consultor tributário sênior", "Você é um revisor de código conciso". Em modelos de chat isso muitas vezes fica em um system prompt separado que define um comportamento persistente.

Quando. Para fixar o tom, o nível de expertise ou a perspectiva ao longo de toda uma conversa.

Como. Declare o papel, o público e as restrições logo no início. Mantenha o system prompt estável; varie o user prompt.

Delimitadores e estrutura

O quê. Use marcadores explícitos para separar as partes do seu prompt (instruções vs dados vs exemplos).

Por quê. Melhora a aderência do modelo a cada seção e, o que é importante, ajuda a impedir que a entrada não confiável seja interpretada como instruções.

Formatação de saída

O quê. Especifique o formato exato da saída e, idealmente, peça ao modelo para envolver a resposta em tags ou retornar JSON estrito.

Por quê. Essencial quando a saída alimenta outro programa ou modelo. Um contrato de saída explícito transforma parsing instável em pipelines confiáveis.

Prompt templates

O quê. Estruturas de prompt reutilizáveis e parametrizadas com placeholders que você preenche em tempo de execução.

Por quê. Consistência e manutenibilidade - seu app produz o mesmo prompt bem testado toda vez, variando apenas a entrada. Plataformas gerenciadas costumam oferecer recursos de prompt-template e de gerenciamento de prompts exatamente para isso.

Task decomposition e prompt chaining

O quê. Divida um trabalho complexo em prompts menores e alimente a saída de cada etapa na próxima.

Quando. Uma tarefa é grande demais ou de múltiplos estágios para um único prompt (extrair, depois analisar, depois redigir). O chaining é mais confiável do que pedir tudo de uma vez, e cada etapa é mais fácil de testar.

ReAct (reason + act)

O quê. Um padrão em que o modelo alterna raciocínio com ações - chamar ferramentas, buscar ou consultar dados - e então observa o resultado e continua. É a ideia de prompting por trás dos agentes.

Quando. O modelo precisa de informações externas ou deve executar etapas no mundo, não apenas responder a partir da memória. (Isso conecta prompt engineering a frameworks de agentes.)

Negative prompting

O quê. Declare explicitamente o que excluir ou evitar - "Não inclua opiniões pessoais", "Exclua qualquer código" ou, para modelos de imagem, listar elementos que você não quer.

Quando. Para descartar modos de falha conhecidos. Use-o como um complemento direcionado às instruções positivas, não como o prompt inteiro.

As configurações de inferência que moldam a saída

O texto do prompt é apenas metade da história. Estes parâmetros de geração mudam a saída sem mudar uma palavra do seu prompt:

• Temperature - aleatoriedade. Baixa (perto de 0) dá respostas determinísticas, repetíveis e focadas; alta dá respostas criativas e variadas.
• Top-p (nucleus sampling) e top-k - limitam o conjunto de próximos tokens candidatos dos quais o modelo pode amostrar, outra alavanca sobre a diversidade.
• Max tokens - limita o comprimento da resposta.
• Stop sequences - strings que dizem ao modelo para parar de gerar.

No exame. "Tornar as respostas mais consistentes ou repetíveis" significa reduzir a temperature. Saiba que temperature e top-p/top-k controlam a aleatoriedade e a diversidade, e são definidos em tempo de inferência, não incorporados ao texto do prompt.

Onde o prompting se encaixa vs RAG e fine-tuning

Prompt engineering é a primeira coisa a tentar, mas tem limites. A escada de customização, do mais barato primeiro:

• Prompt engineering - moldar as instruções. Sem conhecimento novo, sem retreinamento.
• RAG (retrieval-augmented generation) - injetar seus próprios dados atuais no prompt em tempo de consulta. Use quando o modelo precisa de fatos para os quais nunca foi treinado, ou quando o conhecimento muda com frequência.
• Fine-tuning - retreinar em exemplos rotulados para incorporar um comportamento ou estilo. Use quando o prompting e o RAG ainda não são consistentes o suficiente.

No exame. Se um cenário precisa de fatos privados ou atualizados, o prompting sozinho não serve - isso é RAG. Se precisa de um comportamento repetido de forma confiável ou de um estilo de domínio, isso é fine-tuning. O prompting é a resposta quando o modelo já consegue fazer a tarefa e apenas precisa de um direcionamento mais claro.

Segurança de prompts e uso responsável

Prompts são uma superfície de ataque. Os exames fundamentais testam estes tópicos sob IA responsável e segurança:

• Prompt injection - um atacante esconde instruções na entrada fornecida pelo usuário (ou em um documento que o modelo lê) para sobrescrever seu system prompt e sequestrar o comportamento do modelo ou ações posteriores.
• Jailbreaking - prompts elaborados que contornam os guardrails de segurança do modelo para produzir saída restrita ou prejudicial.
• Prompt leaking - induzir o modelo a revelar seu próprio system prompt oculto ou contexto confidencial.
• Adversarial prompting em geral - o termo abrangente para essas técnicas de manipulação.

Mitigações que você deve conhecer:

• Separe e delimite claramente as instruções confiáveis da entrada não confiável do usuário; nunca as concatene cegamente.
• Valide e higienize as entradas; restrinja o que o modelo tem permissão para produzir e fazer.
• Aplique guardrails / filtros de conteúdo e redação de PII tanto na entrada quanto na saída.
• Dê ao modelo e a quaisquer ferramentas conectadas acesso de least privilege, para que uma injeção bem-sucedida não consiga fazer muito.
• Mantenha um humano no circuito para ações de alto risco.

O prompting também ajuda com hallucination: fundamente o modelo em fatos recuperados (RAG), peça que ele cite fontes e permita explicitamente "não sei" para que ele pare de inventar respostas. Reduzir a temperature e adicionar fundamentação diminui o disparate confiante.

Checklist de boas práticas

• Comece simples; adicione complexidade (exemplos, raciocínio, chaining) apenas quando o prompt simples falhar.
• Seja específico: declare a tarefa, o público, as restrições e o formato exato de saída.
• Use delimitadores para separar as instruções dos dados.
• Adicione exemplos (few-shot) quando precisar de um padrão específico; adicione Let's think step by step quando precisar de raciocínio.
• Itere e teste em entradas reais; pequenas mudanças de redação importam.
• Reduza a temperature para consistência; aumente-a para criatividade.
• Trate a entrada do usuário como não confiável; delimite-a, valide-a e proteja a saída.

O guia de decisão de 30 segundos

• Tarefa simples e familiar -> zero-shot
• Precisa de um formato ou esquema de rótulos específico -> few-shot (in-context learning)
• Raciocínio de múltiplas etapas -> chain-of-thought (adicione Let's think step by step)
• Precisa de maior confiabilidade em raciocínio difícil -> self-consistency (amostrar e votar)
• Fixar o tom ou a expertise ao longo de um chat -> role / system prompt
• A saída alimenta outro programa -> especifique um formato de saída estrito (JSON, tags)
• Tarefa grande demais para um prompt -> decompor e encadear
• O modelo precisa de ferramentas ou dados ao vivo -> ReAct / agentes
• Precisa de fatos privados ou atuais -> RAG, não prompting
• Precisa de um comportamento repetido de forma consistente -> fine-tuning, não prompting
• Tornar a saída determinística -> reduzir a temperature

Certificações relacionadas

Prompt engineering é essencial para todo exame de IA generativa - este guia aparece em Guias de Estudo Relacionados em cada um de seus hubs:

• AWS Certified AI Practitioner (AIF-C01) - testa técnicas de prompt, in-context learning e parâmetros de inferência diretamente.
• AWS Certified Generative AI Developer Professional (AIP-C01) - aprofunda-se em construir com prompts, RAG e agentes.
• Microsoft Azure AI Fundamentals (AI-900 / AI-901) - noções básicas de IA generativa e prompting.
• Google Cloud Generative AI Leader - design de prompt e uso de modelos de fundação.
• NVIDIA-Certified Associate: Generative AI and LLMs (NCA-GENL) - prompting e adaptação de LLMs.
• Claude Certified Architect - Foundations (CCA-F) - fazer prompting no Claude de forma eficaz.
• IBM watsonx Generative AI Engineer Associate - fundamentos de IA generativa.

Como estudar isto

Para um exame, pratique associar um cenário a uma técnica e conheça as fronteiras que confundem as pessoas: zero-shot vs few-shot, chain-of-thought como a ferramenta de raciocínio, temperature como a alavanca de consistência e - a mais importante - prompting vs RAG vs fine-tuning (direcionar vs adicionar fatos vs mudar comportamento). Para o trabalho real, mantenha os prompts específicos, delimitados e testados, e trate toda string fornecida pelo usuário como não confiável. Faça as questões de prática com o guia de decisão de 30 segundos aberto e, quando errar uma, releia essa técnica aqui até que a distinção fique nítida.

Fonte: o guia do exame AWS Certified AI Practitioner (AIF-C01) e seus domínios de questões, e referências padrão de prompt engineering, a partir de setembro de 2026.