Prompt engineering em 30 minutos: a fundação que dura

Prompt engineering virou tema vendável e por isso cheio de jargão. A verdade é mais simples: redação técnica clara, com cinco padrões, resolve 80% dos casos. Os outros 20% são context engineering, harness engineering, fine-tuning — assuntos separados.

Este é o que você precisa em 30 minutos, sem zero-shot vs few-shot vs chain-of-thought vs tree-of-thought — só o que funciona em Claude, GPT, Gemini, Llama desde 2024 e continua valendo em 2026.

Os 5 padrões fundamentais

1 · Diga o que quer, não o que evitar

“Não use jargão técnico” é fraco. “Use linguagem que um gerente brasileiro sem fundo técnico entenderia” é forte. Modelos completam padrões; padrão positivo é mais fácil de seguir do que padrão negativo.

Mesmo princípio em decisão: “Se categoria for X, retorne ‘aprovado’; senão, retorne ‘revisão humana’” vence “Não aprove se houver dúvida”.

2 · Persona resolve tom; estrutura resolve formato

Para tom, defina persona: “Você é diretor de RH brasileiro com 15 anos de experiência. Tom formal mas não burocrático.” Para formato, defina estrutura: “Retorne em 3 bullets, cada bullet com 1 frase, frase começando com verbo no imperativo.”

Persona sem estrutura entrega tom OK em formato variado. Estrutura sem persona entrega formato OK em tom errado. Use os dois.

3 · Exemplos vencem instrução abstrata

“Escreva email educado” é vago. “Escreva email seguindo este exemplo: [exemplo de 4 linhas]. Mesmo tom, mesmo comprimento, mesmo nível de formalidade.” é cirúrgico.

Para tasks repetidas, mantenha biblioteca de 1-2 exemplos por contexto. Custa um pouco em tokens, paga em consistência.

4 · Restrinja o output explicitamente

Modelos tendem a ser verbosos. “Responda em até 50 palavras” funciona. “Apenas dê a resposta direta, sem explicação” funciona melhor. “Output JSON com schema {nome, valor, justificativa}” funciona ainda melhor para integração.

Para uso programático: sempre force schema. Sem schema, o output varia entre chamadas.

5 · Quando errar, mostre como errou

Iteração simples: você diz o que quer, modelo entrega, está errado, você reclama. Funciona melhor se você quotar o erro e explicar: “Sua resposta anterior usou ‘estimulante’ (linha 2). Esse adjetivo não aparece no nosso guia de marca; substitua por ‘eficaz’.” Vence “tom errado, refaça”.

Os 3 anti-padrões

Anti-padrão 1 · “Aja como expert mundial”

Persona inflada não melhora a resposta. “Você é o melhor especialista em IA do mundo” vale tanto quanto “você é um especialista em IA”. O modelo não está mais motivado — está só recebendo persona genérica.

Use persona específica e contextual (“diretor de RH brasileiro com foco em compliance LGPD”), não inflada.

Anti-padrão 2 · “Pense passo a passo” em todo prompt

Chain-of-thought tinha valor real em 2023 com GPT-3.5 e similares. Em modelos modernos (Claude Sonnet 4.6+, GPT-4+, Gemini 2.5+), o modelo faz isso por padrão quando a task pede. Forçar prejudica em tasks simples — adiciona ruído.

Use CoT explícito apenas em tasks complexas onde você quer ver o raciocínio para debug.

Anti-padrão 3 · Prompt único gigante com tudo

Tentar resolver 5 problemas no mesmo prompt entrega 5 respostas mediocres. Decomponha em 5 calls (ou um agente). Token gasto, mas qualidade sobe.

Template universal (decora ou cola no Notion)

[CONTEXTO] Estou trabalhando em <situação>. O objetivo é <resultado>.

[PERSONA] Aja como <papel específico, com tempero contextual>.

[TASK] <O que você quer feito>.

[INPUT] <Material/dado>.

[FORMATO] <Como quer o output>. Exemplo: <exemplo curto>.

[RESTRIÇÕES] <O que NÃO incluir, comprimento, etc>.

Em 80% das tasks corporativas brasileiras, esse template + 30 segundos de personalização entrega resultado consistente.

Quando prompt engineering não basta

Se você precisa que o modelo lembre conversas anteriores, busque em documentos seus, chame ferramentas externas, ou trate dado sensível — você saiu de prompt engineering e entrou em context engineering ou harness engineering. Continuar “melhorando o prompt” é peneirar água.

Próximo: Context engineering: o que está além do prompt — onde a maioria dos ganhos reais em 2026 vivem.