As Large Language Models (LLMs), como ChatGPT, Gemini e Claude, mudaram a maneira como interagimos com software. Em vez de navegar por menus, preencher formulários ou aprender comandos específicos, podemos simplesmente explicar, em linguagem natural, o que queremos que o sistema faça. Entretanto, a qualidade da resposta depende muito da qualidade das instruções fornecidas.
É nesse contexto que surge o conceito de prompt: o conjunto de instruções, informações e contexto que fornecemos a uma LLM para orientá-la na realização de uma tarefa.
Criar bons prompts não significa escrever comandos complicados. Na maioria das vezes, significa ser claro sobre o que queremos, fornecer contexto suficiente e definir o resultado esperado.
Por que bons prompts são importantes?
Uma LLM não interpreta uma instrução exatamente como um ser humano interpretaria. Ela utiliza o contexto fornecido para determinar qual resposta é mais adequada. Quando o prompt é vago, existem muitas interpretações possíveis e, consequentemente, a resposta pode não atender ao objetivo.
Por exemplo, existe uma grande diferença entre perguntar:
“Fale sobre marketing.”
e:
“Explique os três principais canais de marketing digital para uma pequena empresa de varejo, apresentando vantagens, desvantagens e um exemplo prático de uso para cada canal.”
A segunda instrução reduz significativamente a ambiguidade. A LLM sabe sobre o que falar, para quem, com qual objetivo e em qual formato.
Um bom prompt também reduz a necessidade de várias interações para corrigir a resposta. Em vez de receber um resultado genérico e depois dizer “faça mais curto”, “considere este contexto” ou “use uma linguagem mais técnica”, podemos antecipar essas necessidades no próprio prompt.
Isso é especialmente importante em ambientes profissionais. Um prompt bem construído pode transformar uma LLM de uma ferramenta utilizada para perguntas ocasionais em uma verdadeira interface para executar tarefas: analisar documentos, escrever código, resumir informações, gerar relatórios, pesquisar alternativas ou auxiliar na tomada de decisões.
O que todo bom prompt deve ter?
Não existe uma fórmula única para todos os prompts. Entretanto, bons prompts normalmente possuem alguns elementos fundamentais.
1. Objetivo
O primeiro elemento é deixar claro o que você quer que a LLM faça.
Use verbos de ação e seja específico. Em vez de:
“Preciso de informações sobre vendas.”
prefira:
“Analise os dados de vendas e identifique os três produtos com maior crescimento no último trimestre.”
O objetivo deve responder à pergunta: qual resultado eu espero obter?
2. Contexto
A LLM precisa conhecer as informações necessárias para realizar a tarefa corretamente.
Imagine que você peça:
“Escreva uma proposta comercial.”
A resposta provavelmente será genérica. Mas, se você informar que sua empresa trabalha com tecnologia, que o cliente é uma empresa de varejo, que o projeto envolve inteligência artificial e que a proposta deve ser apresentada para um diretor de tecnologia, o resultado poderá ser muito mais adequado.
Contexto pode incluir informações sobre a empresa, público, situação atual, dados disponíveis, histórico da conversa, restrições ou qualquer outro elemento relevante.
Uma regra prática é: se uma informação mudaria a resposta, considere colocá-la no prompt.
3. Papel ou perspectiva
Em determinadas situações, é útil definir qual perspectiva a LLM deve assumir.
Por exemplo:
“Atue como um arquiteto de software especializado em sistemas distribuídos…”
Isso ajuda a direcionar a resposta para determinado nível de conhecimento, vocabulário e critérios de análise.
Entretanto, não é necessário começar todos os prompts com “Você é um especialista em…”. O papel deve ser utilizado quando ele realmente ajuda a estabelecer uma perspectiva ou conjunto de conhecimentos específico.
4. Restrições e critérios
Explique também o que a resposta deve ou não deve fazer.
Alguns exemplos:
- limite de tamanho;
- público-alvo;
- linguagem;
- tecnologias que devem ser utilizadas;
- tecnologias que não devem ser utilizadas;
- informações que precisam aparecer;
- critérios para escolher entre alternativas;
- nível de profundidade.
Por exemplo:
“Explique para uma pessoa sem conhecimento técnico, utilizando no máximo 500 palavras e evitando termos técnicos sem explicação.”
Isso é muito mais preciso do que simplesmente pedir “explique de forma simples”.
5. Formato da resposta
Outro elemento extremamente útil é especificar como o resultado deve ser apresentado.
Você pode pedir:
- uma tabela;
- uma lista;
- passos numerados;
- um relatório;
- código;
- JSON;
- tópicos;
- resumo executivo;
- comparação entre alternativas.
Por exemplo:
“Compare as três opções em uma tabela contendo custo, vantagens, desvantagens e recomendação final.”
A especificação do formato evita que a LLM precise adivinhar como você deseja consumir a informação.
Uma fórmula prática
Uma maneira simples de estruturar um prompt é:
Papel + Contexto + Objetivo + Restrições + Formato
Nem todo prompt precisa conter os cinco elementos. Para tarefas simples, uma frase pode ser suficiente. Para tarefas complexas, entretanto, essa estrutura ajuda bastante.
Exemplo 1 — Prompt para criação de conteúdo
Um prompt ruim seria:
“Escreva um texto sobre inteligência artificial.”
Ele não define público, objetivo, tamanho ou abordagem.
Um prompt melhor seria:
“Escreva um artigo de aproximadamente 800 palavras sobre inteligência artificial generativa para gestores de empresas que não possuem conhecimento técnico. Explique o conceito, apresente três aplicações práticas em empresas e destaque os principais benefícios e riscos. Utilize linguagem profissional, mas simples, e organize o conteúdo com títulos e subtítulos.”
Nesse caso, a LLM recebeu praticamente todas as informações necessárias para produzir o resultado esperado.
Exemplo 2 — Prompt para análise
Considere uma empresa que recebeu três propostas de fornecedores. Um prompt genérico seria:
“Qual proposta é melhor?”
Um prompt muito mais eficiente seria:
“Compare as três propostas abaixo para a contratação de uma plataforma de atendimento ao cliente. Considere preço como 30% da decisão, funcionalidades como 30%, prazo de implementação como 20% e suporte como 20%. Monte uma tabela comparativa, atribua uma nota de 0 a 10 para cada critério e apresente uma recomendação final explicando os principais motivos da escolha.”
Aqui, além de solicitar uma comparação, definimos os critérios e seus respectivos pesos. Isso torna a análise mais consistente e auditável.
Exemplo 3 — Prompt para programação
Um pedido genérico:
“Crie uma API em Python.”
deixa muitas decisões em aberto.
Um prompt mais completo poderia ser:
“Crie uma API REST em Python utilizando FastAPI. A API deve possuir endpoints para cadastrar, consultar, atualizar e excluir produtos. Cada produto deve possuir id, nome, descrição, preço e estoque. Utilize PostgreSQL como banco de dados e SQLAlchemy como ORM. Organize o projeto em módulos separados para rotas, modelos, serviços e configuração. Inclua validação dos dados, tratamento dos principais erros e exemplos de requisições. Gere também um README com instruções para executar o projeto localmente.”
Nesse exemplo, a LLM recebe informações sobre tecnologia, arquitetura, modelo de dados, funcionalidades, qualidade esperada e documentação. Isso reduz drasticamente as decisões que ela precisa tomar por conta própria.
Prompt não é uma fórmula mágica
É importante entender que um bom prompt não precisa ser enorme. Mais texto não significa necessariamente um prompt melhor.
O objetivo é fornecer as informações relevantes para eliminar ambiguidades. Instruções desnecessárias, repetitivas ou contraditórias podem até prejudicar o resultado.
Também é importante tratar a interação com uma LLM como um processo iterativo. Em tarefas complexas, dificilmente o melhor resultado será obtido no primeiro prompt. Podemos começar com uma instrução, avaliar o resultado e fornecer informações adicionais.
Por exemplo:
“A resposta ficou muito técnica. Reescreva pensando em um diretor financeiro, mantendo apenas as informações necessárias para a tomada de decisão.”
Essa segunda interação faz parte do processo de construção do resultado. O contexto da conversa permite que a LLM compreenda o que deve ser alterado sem que seja necessário repetir toda a solicitação original.
Conclusão
Criar bons prompts é, essencialmente, saber comunicar uma tarefa com clareza.
Um bom prompt define o objetivo, fornece contexto, estabelece critérios e, quando necessário, determina o formato do resultado. Quanto mais complexa for a tarefa, mais importante se torna explicitar essas informações.
A principal mudança de mentalidade é deixar de pensar em um prompt como uma simples pergunta e começar a tratá-lo como uma especificação de trabalho.
Em vez de perguntar apenas:
“O que você acha disso?”
podemos dizer:
“Analise esta situação considerando estes critérios, identifique os principais riscos, compare as alternativas e apresente uma recomendação em formato de tabela.”
A diferença não está apenas na quantidade de palavras. Está na clareza da intenção.
No fim, a regra mais importante é simples: diga à LLM o que você quer, forneça o contexto necessário, estabeleça as restrições relevantes e explique como deseja receber o resultado.
