Prompt

O Que É um Prompt

Prompt é o texto que você entrega a um modelo de linguagem (LLM) como entrada para receber uma resposta. Pode ser uma pergunta curta (“qual a capital da Bahia?”), uma instrução detalhada (“resuma este contrato em cinco tópicos, em tom formal, destacando cláusulas de rescisão”) ou um conjunto complexo com regras, exemplos, contexto e restrições. Qualquer coisa que vá no envelope de entrada é prompt — incluindo o que o produto injeta por padrão, como system prompts.

O prompt é o controle mais direto que existe sobre o comportamento de um modelo de linguagem. Não dá para retreinar o modelo na hora, não dá para acessar seus pesos, mas dá para mudar o que se escreve na entrada — e a resposta muda junto. Por isso, a forma como o prompt é escrito costuma ter mais impacto na qualidade final do que a escolha entre modelos parecidos de mesma geração.

Isso também é o motivo de “prompt” virar sinônimo de habilidade prática em IA. Saber pedir é mais útil do que saber o nome do modelo. Um bom prompt engineering começa por entender que o prompt não é uma pergunta solta: é uma instrução que combina objetivo, contexto, restrições e formato desejado.

Partes de um Bom Prompt

Um prompt eficaz, na prática, costuma ter quatro partes — nem todas presentes em todo caso, mas todas merecendo consideração:

  1. Objetivo — o que você quer que o modelo faça, em uma frase clara. “Resuma”, “classifique”, “reescreva”, “gere três opções de”. Sem objetivo claro, o modelo adivinha.
  2. Contexto — quem é o público, qual a situação, qual o material de referência. É aqui que entra o contexto da conversa ou os documentos relevantes.
  3. Restrições — tamanho máximo, tom, o que evitar, formato (lista, tabela, parágrafo). Sem restrição, o modelo produz texto genérico.
  4. Exemplos (opcional) — quando o caso é sutil, mostrar o que é “bom” acelera a convergência. É o coração do few-shot.

Quem escreve prompt como se fosse busca no Google (“melhor CRM para PME”) recebe o que o modelo responderia para qualquer um. Quem escreve com as quatro partes recebe algo mais útil, específico e decidido.

Tipos de Prompt

Conforme o objetivo, alguns formatos se repetem:

  • Zero-shot — pedir direto, sem exemplo. Funciona para tarefas comuns que o modelo já viu muito no treinamento (“traduza esta frase para inglês”). Para casos sutis, costuma ficar genérico. Veja zero-shot.
  • Few-shot — dar dois a cinco exemplos do par entrada/saída desejado antes da pergunta real. Útil quando o padrão é difícil de descrever em palavras. Veja few-shot.
  • Instrução com papel — pedir ao modelo que aja como um papel específico (“aja como um contador sênior revisando esta planilha”). Aumenta a coerência temática.
  • Cadeia de pensamento (chain-of-thought) — pedir ao modelo que explique o raciocínio passo a passo antes de concluir. Ajuda em tarefas de múltiplas etapas. Veja chain-of-thought.
  • Prompt de sistema — instruções fixas que definem comportamento, voz e regras ao longo de toda a sessão. No OpenClaw, carrega a identidade do agente. Veja system prompt.

A escolha do tipo não é estética: ela muda a qualidade da resposta. Para tarefas simples, zero-shot basta. Para classificação com rótulos sutis, few-shot. Para raciocínio longo, cadeia de pensamento.

Por Que a Formulação Muda a Resposta

Modelos de linguagem preveem o próximo token com base no que veem antes. Por isso, a mesma intenção expressa de formas diferentes gera respostas diferentes — não porque o modelo “mudou de ideia”, mas porque as palavras que você colocou mudam a probabilidade das próximas. É uma propriedade estatística, não um capricho.

Na prática, isso significa três coisas:

  • Verbos de ação claros vencem — “liste três motivos”, “compare as duas opções em tabela”, “reescreva em tom mais direto” produzem respostas melhores do que “fale sobre CRM”.
  • Restrição explícita economiza turno — se você quer tabela e não parágrafo, diga. Caso contrário, vai precisar de um segundo turno pedindo para refazer.
  • Contexto antecipa dúvida — se o público é técnico, diga; se é leigo, diga. O modelo não adivinha.

Essa sensibilidade à formulação é, ao mesmo tempo, o poder e o custo do prompt. Poder, porque dá controle fino. Custo, porque exige atenção. É o que transforma prompt numa habilidade e não num ato isolado.

Prompt em Automação vs. Prompt em Conversa

Há uma diferença importante entre prompt de chat (humano escrevendo para o modelo em tempo real) e prompt de automação (um sistema montando o prompt de forma repetida). Em conversa, dá para corrigir no próximo turno. Em automação, o prompt roda centenas de vezes por dia sem supervisão, então pequenos descuidos viram centenas de respostas erradas.

Por isso, em automação vale:

  • Fixar o system prompt com identidade, restrições e formato.
  • Reaproveitar prompts testados como skills, em vez de reescrever a cada chamada.
  • Controlar o contexto que entra, evitando estourar a janela e o orçamento.
  • Versionar o prompt junto com o código, para poder voltar quando uma mudança piorar a saída.

É a diferença entre um prompt que funciona uma vez e um prompt que sustenta um produto.

Erros Comuns

Alguns padrões que travam quem está começando:

  • Achar que o modelo “sabe o que você quer” — ele não sabe. Se a saída está genérica, é porque a entrada está genérica.
  • Pedir tudo num prompt gigante — quando o prompt tenta cobrir dez objetivos, o modelo atende mal a todos. Melhor dividir em passos.
  • Ignorar formato — sem especificar lista, tabela ou tamanho, o modelo escolhe por você, e quase sempre escolhe o mais verboso.
  • Confundir prompt com conhecimento — o modelo só usa o que está no contexto. Dado específico do negócio precisa entrar explicitamente, via prompt, RAG ou ferramenta.
  • Mudar sem medir — quando você ajusta um prompt em produção, meça antes e depois em alguns exemplos. Caso contrário, é sorte.

Entender esses erros costuma render mais do que decorar técnicas. O prompt é uma forma de comunicação — e como toda comunicação, melhora quando você pensa em quem lê (no caso, o modelo) e no que precisa chegar claro.