Como escrever prompts capazes de produzir respostas mais úteis não depende de fórmulas mágicas, palavras especiais ou instruções com várias páginas. Na maioria das situações, os resultados melhoram quando o utilizador define com clareza aquilo que pretende, fornece o contexto necessário e estabelece o formato e os limites da resposta.
Esta lógica aplica-se a sistemas como ChatGPT, Gemini, Claude e Copilot, embora existam diferenças entre modelos e gerações. Os modelos de raciocínio mais recentes, por exemplo, conseguem resolver internamente problemas complexos com instruções relativamente simples. Por isso, escrever um bom prompt significa cada vez menos explicar à máquina como deve pensar e cada vez mais definir qual é o problema, que informação deve utilizar e qual deve ser o resultado final.
Como escrever prompts com uma estrutura eficaz
Não existe uma estrutura obrigatória para todos os pedidos. Ainda assim, quatro elementos resolvem uma grande parte das tarefas do dia a dia.
| Componente | Para que serve | Exemplo prático |
|---|---|---|
| Objetivo | Define claramente a tarefa | “Resume este relatório financeiro…” |
| Contexto | Explica o público, finalidade ou situação | “…para apresentar à administração da empresa…” |
| Formato | Define a estrutura da resposta | “…numa tabela com métrica, variação e impacto…” |
| Restrições | Estabelece limites e regras | “…com um máximo de 200 palavras e sem estimativas externas.” |
A Microsoft utiliza uma abordagem semelhante para o Copilot e identifica objetivo, contexto, expectativas e fonte como elementos que podem integrar um pedido, segundo as suas recomendações oficiais para escrever prompts no Copilot.
Comece por definir o objetivo
Um pedido como “Escreve sobre inteligência artificial” obriga o modelo a decidir praticamente tudo. Tem de escolher o assunto concreto, o público, a profundidade, a extensão e até o tipo de texto.
Uma versão mais precisa elimina parte dessa ambiguidade.
Prompt pouco específico
Escreve sobre inteligência artificial.
Prompt melhor
Escreve uma introdução de 150 palavras sobre o impacto da inteligência artificial nas PME portuguesas. O texto destina-se a gestores sem formação técnica.
A segunda versão não é muito mais longa. Apenas especifica decisões que são importantes para o resultado.
A OpenAI recomenda instruções claras e específicas e distingue ainda a forma de interação com modelos convencionais e modelos de raciocínio no seu guia oficial de engenharia de prompts.
Contexto no prompt e a importância de evitar ruído
O contexto ajuda a IA a perceber para quem trabalha, qual é a finalidade da tarefa e que informação merece prioridade. Isso não significa que seja necessário explicar tudo o que sabe sobre o assunto.
Compare estas duas instruções.
Sem contexto
Resume este relatório.
Com contexto
Resume este relatório para uma reunião de direção. Destaca resultados financeiros, riscos e decisões que exigem aprovação. Limita a resposta a cinco pontos.
No segundo caso, o modelo já sabe que não deve tratar todas as páginas com o mesmo peso. Resultados, riscos e decisões passam a ser a prioridade.
A Google também recomenda instruções específicas, diretas e acompanhadas pelo contexto necessário nas suas orientações para criar instruções eficazes para o Gemini.
O excesso de contexto, contudo, também pode criar ruído. Se uma informação não altera a forma como a tarefa deve ser executada, provavelmente não precisa de estar no prompt.
Defina formato e restrições
Dizer à IA como pretende receber o resultado costuma ser mais útil do que acrescentar várias frases abstratas sobre qualidade.
Em vez de escrever “faz um resumo curto”, pode pedir “resume em cinco pontos, com uma frase por ponto”. Em vez de “escreve profissionalmente”, pode definir “usa um tom formal e factual, sem linguagem promocional”.
O mesmo princípio aplica-se a tabelas, cronologias, listas, textos corridos, comparações ou perguntas e respostas.
Pedido genérico
Explica o que é uma passkey.
Pedido mais controlado
Explica o que é uma passkey em três parágrafos curtos para leitores sem formação técnica. Inclui uma comparação simples com uma palavra-passe tradicional.
Esta diferença também explica por que razão um prompt curto pode produzir uma resposta muito mais adequada do que outro com vários parágrafos.
No TecheNet já abordámos este problema específico num artigo sobre como obter respostas mais curtas do ChatGPT e Gemini.
Técnicas práticas de controlo e precisão
Depois de definir objetivo, contexto, formato e restrições, existem técnicas que permitem aumentar a consistência da resposta. Nem todas são necessárias em todas as tarefas.
Zero-shot e few-shot prompting
Quando faz um pedido sem fornecer qualquer exemplo, utiliza aquilo que a indústria designa por zero-shot prompting.
Classifica estas avaliações de clientes como positivas, negativas ou neutras.
O modelo recebe a instrução e executa a tarefa sem exemplos prévios.
No few-shot prompting, o utilizador fornece alguns exemplos que mostram o comportamento ou formato esperado.
Avaliação “O produto chegou antes do prazo e funciona bem.”
Classificação PositivaAvaliação “Funciona, mas a bateria dura menos do que esperava.”
Classificação NeutraAvaliação “Deixou de funcionar ao fim de dois dias.”
Classificação
Os exemplos ajudam o modelo a perceber o padrão pretendido sem necessidade de uma explicação extensa.
A OpenAI recomenda começar por zero-shot nos modelos de raciocínio e acrescentar exemplos quando estes ajudam a definir melhor os requisitos da resposta, conforme explica nas suas boas práticas para modelos de raciocínio.
A Anthropic também recomenda o uso de exemplos quando é necessário controlar com maior precisão o formato, o estilo ou a consistência das respostas do Claude. Esta técnica é normalmente designada por few-shot ou multishot prompting.
Forneça a fonte quando existe uma fonte certa
Quando uma resposta deve basear-se num relatório, contrato, folha de cálculo ou conjunto de dados específico, isso deve ficar claro no pedido.
Com base exclusivamente no relatório fornecido, identifica as cinco principais conclusões e indica a página onde cada uma aparece.
A instrução “exclusivamente” é importante. Define a fronteira entre aquilo que está no documento e o conhecimento externo do modelo.
O mesmo princípio funciona numa comparação.
Compara estes dois relatórios apenas com base no conteúdo fornecido. Identifica diferenças nas previsões para 2027 e não acrescentes estimativas externas.
Quanto mais relevante for a precisão factual, maior deve ser a clareza sobre as fontes autorizadas.
Divida tarefas complexas em etapas
Um prompt pode tentar pedir pesquisa, análise, seleção do ângulo, estrutura, redação, revisão e SEO ao mesmo tempo. Isso nem sempre é necessário.
Para produzir um artigo a partir de um relatório extenso, pode ser mais eficaz começar pela análise do documento, identificar depois os principais dados, selecionar o ângulo editorial e só então avançar para a redação.
Esta divisão também facilita a deteção de erros. Uma conclusão incorreta identificada durante a análise pode ser corrigida antes de chegar ao texto final.
Contudo, dividir uma tarefa em etapas não significa obrigar o modelo a revelar ou seguir uma cadeia de pensamento específica.
Modelos de raciocínio mudaram algumas regras
Este é um dos aspetos que mais mudou nos últimos anos.
Durante muito tempo, técnicas como “pensa passo a passo” foram apresentadas como formas de melhorar respostas complexas. Nos modelos de raciocínio atuais, essa instrução pode ser desnecessária.
A OpenAI refere que os seus modelos de raciocínio funcionam melhor com pedidos simples e diretos e que instruções destinadas a forçar uma cadeia de pensamento podem não trazer vantagens. Estes modelos executam internamente uma parte substancial desse processo.
A Google adota uma posição mais contextual. Nas suas recomendações para prompting em modelos Gemini com capacidade de raciocínio, aconselha começar por instruções gerais que descrevam o resultado pretendido. Se a primeira abordagem não produzir o resultado desejado, podem ser acrescentadas instruções mais específicas.
Isto conduz a uma regra prática.
Defina primeiro o problema, as restrições e o resultado esperado. Só especifique o processo quando houver uma razão concreta para o fazer.
Prompting iterativo e a importância de afinar a resposta em conversa
Um prompt não precisa de produzir a versão final à primeira tentativa.
Se uma resposta estiver demasiado longa, pode pedir que seja reduzida. Se estiver demasiado técnica, pode solicitar uma versão para leitores sem conhecimentos especializados. Se faltar contexto, pode indicar exatamente aquilo que deve ser acrescentado.
A Microsoft recomenda que o utilizador continue a conversa e recorra a pedidos de seguimento para afinar os resultados do Copilot nas suas orientações sobre como escrever um bom prompt.
Este método é geralmente mais eficiente do que tentar antecipar todas as possibilidades num único prompt.
Peça à IA para identificar incertezas
Em investigação ou tarefas factuais, também pode definir regras para situações em que falta informação.
Se não existir informação suficiente para responder, indica o que falta.
Separa os factos confirmados das inferências.
Identifica as afirmações que precisam de confirmação numa fonte independente.
Estas instruções não eliminam erros, mas tornam mais clara a diferença entre aquilo que está sustentado pela informação disponível e aquilo que resulta de interpretação.
Os erros mais comuns ao escrever prompts
Parte da melhoria de um prompt passa por perceber aquilo que não acrescenta valor.
Prompts demasiado longos podem piorar a clareza
Mais texto não significa automaticamente melhor instrução.
Um prompt com vinte parágrafos pode conter regras contraditórias, detalhes irrelevantes ou prioridades pouco claras. Por outro lado, três frases podem bastar quando definem corretamente a tarefa.
A documentação atual da Google para modelos Gemini recomenda instruções diretas e concisas e alerta para o excesso de complexidade quando o pedido pode ser resolvido de forma mais simples.
Antes de acrescentar mais uma instrução, vale a pena perguntar se ela muda realmente o resultado esperado.
Atribuição de papéis ou role prompting e quando faz sentido
Prompts que começam com frases como “atua como o melhor especialista mundial em marketing” tornaram-se comuns. Na maioria das tarefas, esta formulação acrescenta pouco.
É geralmente mais útil definir diretamente aquilo que pretende analisar.
Analisa esta campanha do ponto de vista de aquisição de clientes. Avalia segmentação, proposta de valor, canais e métricas de conversão.
A atribuição de um papel pode, contudo, ser útil quando define uma perspetiva concreta.
Analisa este contrato do ponto de vista de um gestor de compras e identifica cláusulas com impacto em preço, prazos e penalizações.
Neste caso, “gestor de compras” não é uma decoração do prompt. Define os critérios que devem receber prioridade.
Não tente controlar cada passo mental do modelo
Há uma diferença entre dividir uma tarefa em fases observáveis e tentar controlar o raciocínio interno do sistema.
Pode pedir primeiro uma análise, depois uma comparação e finalmente uma recomendação. São resultados verificáveis.
Outra coisa é prescrever dezenas de etapas sobre como o modelo deve pensar antes de responder.
Nos sistemas de raciocínio mais recentes, esta microgestão pode entrar em conflito com a estratégia que o próprio modelo utiliza para resolver o problema. A tendência atual passa por especificar melhor os critérios de sucesso e menos o caminho mental necessário para os atingir.
Não procure o prompt perfeito
A ideia de que existe uma combinação universal de palavras capaz de desbloquear resultados superiores é enganadora.
Modelos diferentes podem reagir de forma diferente ao mesmo prompt. Versões posteriores do mesmo sistema também podem alterar esse comportamento.
Por isso, um bom prompt deve ser avaliado pelo resultado que produz numa tarefa concreta, não pela quantidade de técnicas de prompt engineering que contém.
Um exemplo completo
Imagine que pretende utilizar uma IA para analisar um relatório financeiro.
Um pedido demasiado aberto seria este.
Analisa este relatório.
Uma versão estruturada pode ser muito mais útil.
Analisa o relatório financeiro fornecido e identifica os cinco desenvolvimentos mais relevantes para a administração. Compara receitas, margem operacional e fluxo de caixa com o período anterior. Apresenta o resultado numa tabela com quatro colunas, indicador, valor atual, variação e implicação. Utiliza apenas dados presentes no documento e assinala qualquer informação necessária que não esteja disponível.
Este prompt reúne os quatro componentes fundamentais. O objetivo consiste em identificar os principais desenvolvimentos, o contexto estabelece que a resposta se destina à administração, o formato define a tabela e as restrições limitam a análise aos dados disponíveis.
Não há uma fórmula secreta. Há apenas uma tarefa claramente definida.
Melhores prompts não significam prompts mais complicados
Aprender como escrever prompts passa menos por memorizar comandos e mais por saber explicar aquilo que se pretende obter.
Um bom prompt define o objetivo, fornece o contexto necessário, especifica o formato quando este é relevante e estabelece limites claros. Exemplos podem ajudar quando existe um padrão difícil de descrever, enquanto tarefas complexas podem beneficiar de várias etapas.
Os modelos de raciocínio acrescentam uma mudança importante a esta lógica. Quanto maior é a capacidade do sistema para resolver internamente problemas complexos, menor tende a ser a necessidade de explicar cada passo do processo.
ChatGPT, Gemini, Claude e Copilot também permitem continuar a conversa. Uma primeira resposta pode ser revista, condensada, aprofundada ou corrigida com instruções adicionais.
Por isso, em vez de procurar o “prompt perfeito”, a abordagem mais eficaz é geralmente mais simples. Defina bem o problema, explique o resultado esperado e refine a resposta quando necessário.
Outros artigos interessantes:
