Engenharia de prompts é o processo de estruturar linguagem natural entradas (conhecidas como prompts) para produzir saídas especificadas de um modelo de inteligência artificial generativa. Engenharia de contexto é a área relacionada da engenharia de software que se concentra no gerenciamento dos contextos, relacionados ou não a prompts, fornecidos ao modelo de IA generativa, como instruções de sistema, metadados, ferramentas de API e tokens.
Também pode ser definida como a prática de projetar e refinar instruções de entrada fornecidas a um modelo de IA generativa para produzir saídas mais precisas, relevantes ou úteis. Uma engenharia de prompts eficaz envolve compreender como um modelo interpreta a linguagem e pode incluir técnicas como prompting few-shot, prompting de cadeia de pensamento e atribuição de papéis.
Durante a explosão da IA na década de 2020, a engenharia de prompts passou a ser considerada uma capacidade empresarial em corporações e setores econômicos. Profissionais com o título de engenheiro de prompts foram contratados para criar prompts que aumentassem a produtividade e a eficácia, embora esse cargo específico tenha se tornado menos comum diante de modelos de IA capazes de produzir prompts melhores do que os produzidos por humanos e de treinamentos corporativos sobre prompting destinados aos funcionários em geral.
Técnicas comuns de prompting incluem multi-shot, cadeia de pensamento e árvore de pensamento, além da atribuição de papéis ao modelo. Métodos de geração automatizada de prompts, como a geração aumentada por recuperação (RAG), proporcionam maior precisão e um escopo mais amplo de funções para engenheiros de prompts. A injeção de prompt é um tipo de ataque de cibersegurança que tem como alvo modelos de aprendizado de máquina por meio de prompts maliciosos.
Terminologia O Oxford English Dictionary define engenharia de prompts como “a ação ou processo de formular e refinar prompts para um programa, algoritmo etc. de inteligência artificial, a fim de otimizar sua saída ou alcançar um resultado desejado; a disciplina ou profissão relacionada a isso”. Em 2023, prompt (“uma instrução fornecida a um programa, algoritmo etc. de inteligência artificial, que determina ou influencia o conteúdo que ele gera”) ficou em segundo lugar na escolha da palavra do ano de Oxford.
Prompt Um prompt é um texto em linguagem natural que descreve e determina a tarefa que uma inteligência artificial (IA) deve executar. Um prompt para um modelo de linguagem texto-para-texto pode ser uma consulta, um comando ou uma declaração mais longa que faça referência a contexto, instruções e histórico da conversa. O processo de engenharia de prompts pode envolver a elaboração de consultas claras, o refinamento da redação, o fornecimento de contexto relevante, a especificação do estilo da saída e a atribuição de um personagem para a IA imitar, com o objetivo de orientar o modelo a respostas mais precisas, úteis e consistentes.
Ao se comunicar com um modelo de texto para imagem ou de texto para áudio, um prompt típico contém uma descrição da saída desejada, como “uma fotografia de alta qualidade de um astronauta montando um cavalo” ou “Lo-fi slow BPM electro chill with organic samples”. A engenharia de prompts pode ser aplicada a modelos de texto para imagem para obter determinado tema, estilo, composição, iluminação e estética.
Técnicas Termos comuns usados para descrever técnicas específicas de engenharia de prompts incluem chain-of-thought (cadeia de pensamento), tree-of-thought (árvore de pensamento), e geração aumentada por recuperação (RAG). Um levantamento de 2024 sobre a área identificou mais de 50 técnicas distintas de prompting baseadas em texto, 40 variantes multimodais e um vocabulário de 33 termos usados na pesquisa sobre prompting, destacando a atual falta de terminologia padronizada para engenharia de prompts.
Vibe coding é um método de desenvolvimento de software assistido por IA no qual o usuário fornece a um LLM uma descrição do que deseja e permite que o modelo gere ou edite o código. Em 2025, “vibe coding” foi a palavra do ano do Collins Dictionary.
Engenharia de contexto Engenharia de contexto é um processo relacionado que se concentra nos elementos de contexto que acompanham os prompts do usuário, incluindo instruções de sistema, conhecimento recuperado, definições de ferramentas, resumos de conversas e metadados de tarefas. A engenharia de contexto é empregada para melhorar a confiabilidade, a proveniência e a eficiência no uso de tokens em sistemas de LLM em produção. O conceito enfatiza práticas operacionais como orçamento de tokens, marcadores de proveniência, versionamento de artefatos de contexto, observabilidade (registro de qual contexto foi fornecido) e testes de regressão de contexto para garantir que alterações no contexto fornecido não mudem silenciosamente o comportamento do sistema.
Fundamentação Pesquisas constataram que o desempenho de modelos de linguagem de grande escala (LLMs) é altamente sensível a escolhas como a ordem dos exemplos, a qualidade dos rótulos das demonstrações e até pequenas variações de redação. Em alguns casos, a simples reordenação de exemplos em um prompt produziu variações superiores a 40% na precisão.
Aprendizado em contexto A capacidade de um modelo de aprender temporariamente a partir de prompts é conhecida como aprendizado em contexto (in-context learning). O aprendizado em contexto é uma habilidade emergente dos modelos de linguagem de grande escala. É uma propriedade emergente da escala do modelo, o que significa que ocorrem descontinuidades nas leis de escala, fazendo com que sua eficácia aumente a uma taxa diferente em modelos maiores do que em modelos menores. Diferentemente do treinamento e do ajuste fino, que produzem alterações duradouras, o aprendizado em contexto é temporário. Treinar modelos para realizar aprendizado em contexto pode ser visto como uma forma de meta-aprendizado, ou “aprender a aprender”.
Prompting para estimar a sensibilidade do modelo Pesquisas demonstram de forma consistente que LLMs são altamente sensíveis a variações sutis na formatação, na estrutura e nas propriedades linguísticas dos prompts. Alguns estudos mostraram variações de até 76 pontos na acurácia decorrentes de mudanças de formatação em configurações few-shot. Características linguísticas influenciam significativamente a eficácia dos prompts — como mudanças morfológicas, sintáticas e léxico-semânticas — e podem melhorar de modo relevante o desempenho em diversas tarefas. A sintaxe oracional, por exemplo, melhora a consistência e reduz a incerteza na recuperação de conhecimento. Essa sensibilidade persiste mesmo com modelos maiores, mais exemplos few-shot ou ajuste por instruções.
Para lidar com a sensibilidade dos modelos e torná-los mais robustos, foram propostos vários métodos de avaliação. O FormatSpread facilita a análise sistemática ao avaliar uma variedade de formatos plausíveis de prompt, oferecendo um intervalo de desempenho mais abrangente. De modo semelhante, o PromptEval estima distribuições de desempenho em diferentes prompts, permitindo métricas robustas, como quantis de desempenho, e avaliações precisas sob orçamentos restritos.
Técnicas de prompting
Multi-shot Um prompt pode incluir alguns exemplos para que um modelo aprenda em contexto, uma implementação de aprendizado few-shot para LLMs. Por exemplo, o prompt pode pedir ao modelo que complete “maison house, chat cat, chien ”, sendo a resposta esperada dog.
Cadeia de pensamento
O prompting de chain-of-thought (CoT; cadeia de pensamento) é uma técnica que permite que modelos de linguagem de grande escala (LLMs) resolvam um problema como uma série de etapas intermediárias antes de fornecer uma resposta final. Em 2022, o Google Brain informou que o prompting de cadeia de pensamento melhora a capacidade de raciocínio automatizado ao induzir o modelo a responder a um problema de várias etapas com passos de raciocínio que imitam uma linha de pensamento. Técnicas de cadeia de pensamento foram desenvolvidas para ajudar LLMs a lidar com tarefas de raciocínio em várias etapas, como questões de aritmética ou de raciocínio de senso comum.
Quando aplicado ao PaLM, um modelo de linguagem com 540 bilhões de parâmetros, segundo o Google, o prompting CoT ajudou significativamente o modelo, permitindo desempenho comparável ao de modelos submetidos a ajuste fino específico para determinadas tarefas e alcançando resultados considerados, à época, estado da arte no benchmark GSM8K de raciocínio matemático. É possível realizar ajuste fino de modelos em conjuntos de dados de raciocínio CoT para ampliar ainda mais essa capacidade e melhorar a interpretabilidade.
Conforme proposto originalmente pelo Google, cada prompt CoT é acompanhado por um conjunto de exemplos de entrada/saída — chamados de exemplars — para demonstrar a saída desejada do modelo, o que faz da abordagem uma técnica de prompting few-shot. Entretanto, segundo um artigo posterior de pesquisadores do Google e da Universidade de Tóquio, simplesmente acrescentar as palavras “Let's think step-by-step” (“vamos pensar passo a passo”) também se mostrou eficaz, permitindo o uso de CoT como uma técnica zero-shot.
Os benefícios do prompting de cadeia de pensamento variam consideravelmente conforme o tipo de tarefa. Uma meta-análise que abrangeu mais de 100 estudos de CoT constatou que a técnica proporciona grandes ganhos principalmente em problemas de raciocínio matemático, lógico e simbólico, com melhorias muito menores em outros tipos de tarefa, e concluiu que o CoT pode ser aplicado seletivamente para reduzir custos de inferência. Em tarefas oriundas da psicologia cognitiva nas quais se sabe que a deliberação prejudica o desempenho humano, constatou-se que o CoT reduz a precisão de modelos de estado da arte, em alguns casos de forma substancial. Uma revisão sistemática de técnicas estruturadas de prompting também informa que as etapas adicionais de raciocínio aumentam o tempo de resposta e a complexidade da interação, de modo que a técnica não é uniformemente preferível a prompts mais simples em consultas factuais ou de baixa complexidade.
Autoconsistência A autoconsistência executa várias sequências de cadeia de pensamento e então seleciona a conclusão atingida com maior frequência entre todas elas.
Árvore de pensamento O prompting de tree-of-thought (árvore de pensamento) generaliza a cadeia de pensamento ao gerar várias linhas de raciocínio em paralelo, com capacidade de retroceder ou explorar outros caminhos. Ele pode usar algoritmos de busca em árvore, como busca em largura, busca em profundidade ou busca em feixe.
Prompting de texto para imagem
Em 2022, modelos de texto para imagem como DALL-E 2, Stable Diffusion e Midjourney foram disponibilizados ao público. Esses modelos recebem prompts de texto como entrada e os utilizam para gerar imagens. Modelos iniciais de texto para imagem normalmente não compreendem negação, gramática e estrutura de frases da mesma forma que modelos de linguagem de grande escala e, por isso, podem exigir um conjunto diferente de técnicas de prompting. O prompt "a party with no cake" ("uma festa sem bolo") pode produzir uma imagem que contenha um bolo.
Um prompt de texto para imagem geralmente inclui uma descrição do tema da obra, o meio desejado (como pintura digital ou fotografia), o estilo (como hiper-realista ou pop art), a iluminação (como luz de recorte ou raios crepusculares), a cor e a textura. A ordem das palavras também afeta a saída de um prompt de texto para imagem. Palavras mais próximas do início do prompt podem receber maior ênfase.
Estilos de artistas