Autora: Jacqueline Carvalho<\/p>\n\n\n\n
A tecnologia sempre remodelou a maneira como pensamos, constru\u00edmos e nos comunicamos. De linhas de comando a interfaces gr\u00e1ficas, cada salto evolutivo exigiu um novo tipo de letramento. A ascens\u00e3o da IA generativa n\u00e3o \u00e9 diferente, convidando-nos a aprender uma nova linguagem: a linguagem dos prompts.<\/p>\n\n\n\n
No Nubank, vemos isso n\u00e3o apenas como uma habilidade t\u00e9cnica, mas como uma mudan\u00e7a fundamental na forma como colaboramos com a tecnologia. \u00c9 aqui que entra a engenharia de prompts: a arte e a ci\u00eancia de elaborar instru\u00e7\u00f5es que tornam os sistemas de IA verdadeiramente \u00fateis.<\/p>\n\n\n\n
Quanto mais claros expressarmos a inten\u00e7\u00e3o, o contexto e as nuances, mais eficaz a IA poder\u00e1 amplificar nosso trabalho. Esse processo espelha a intera\u00e7\u00e3o humana cotidiana: reformulamos perguntas, adicionamos contexto e iteramos at\u00e9 obtermos uma resposta \u00fatil. Otimizar prompts para obter melhores outputs simplesmente aplica a mesma habilidade de conversa\u00e7\u00e3o \u00e0s m\u00e1quinas.<\/p>\n\n\n\n
A engenharia de prompts \u00e9 a disciplina de projetar, estruturar e refinar inputs para que um sistema de IA possa produzir outputs precisos, relevantes e control\u00e1veis. Em ess\u00eancia, n\u00e3o se trata de “tornar a IA mais inteligente”, mas sim de transmitir o que realmente queremos de um LLM, que funciona como um assistente extremamente capaz, mas de mente literal. Se voc\u00ea disser “escreva um resumo”, ele escrever\u00e1, mas de que tamanho? Para quem? Em que tom? Sem essas pistas, o modelo tem que adivinhar, e \u00e9 a\u00ed que a inconsist\u00eancia se instala.<\/p>\n\n\n\n
Essa \u00e9 a espinha dorsal de todo bom prompt. \u00c9 a diferen\u00e7a entre dizer “resuma este relat\u00f3rio” e dizer “resuma este relat\u00f3rio em 5 bullet points focado nos riscos financeiros, usando linguagem de neg\u00f3cios concisa.” O segundo estabelece expectativas, limites e inten\u00e7\u00e3o, e oferece resultados muito melhores.<\/p>\n\n\n\n
A engenharia de prompts, portanto, n\u00e3o \u00e9 apenas um truque para “hackear” o modelo; \u00e9 o fundamento da colabora\u00e7\u00e3o com a IA. Voc\u00ea n\u00e3o est\u00e1 comandando o modelo; voc\u00ea est\u00e1 projetando um di\u00e1logo.<\/p>\n\n\n\n
Assim como um bom c\u00f3digo precisa de estrutura, bons prompts precisam de ordem. Um modelo mental simples \u00e9 a estrutura de quatro partes<\/strong> mencionada anteriormente:<\/p>\n\n\n\n Por exemplo:<\/strong> “Voc\u00ea \u00e9 um analista de pol\u00edticas. Revise o seguinte relat\u00f3rio sobre pagamentos digitais na Am\u00e9rica Latina e escreva um sum\u00e1rio executivo de uma p\u00e1gina com foco na confian\u00e7a do consumidor e nas estruturas regulat\u00f3rias. Use uma linguagem clara e neutra.”<\/em><\/p>\n\n\n\n Essa estrutura garante precis\u00e3o e reprodutibilidade, duas coisas que todo desenvolvedor valoriza.<\/p>\n\n\n\n Uma das ferramentas mais simples, mas poderosas, \u00e9 o role prompting<\/strong>, que diz ao modelo quem ele deve ser. Isso muda instantaneamente a voz, a expertise e as suposi\u00e7\u00f5es por tr\u00e1s da resposta.<\/p>\n\n\n\n Por exemplo: <\/strong>“Voc\u00ea \u00e9 um consultor de ciberseguran\u00e7a prestando consultoria a uma fintech startup. Explique os tr\u00eas principais riscos de seguran\u00e7a em termos simples para um fundador n\u00e3o t\u00e9cnico.”<\/em><\/p>\n\n\n\n A instru\u00e7\u00e3o “Aja como…” fornece uma lente ao modelo, semelhante a configurar uma vari\u00e1vel de ambiente para a conversa. Ela define expertise, escopo e p\u00fablico de uma s\u00f3 vez.<\/p>\n\n\n\n Voc\u00ea pode at\u00e9 acumular pap\u00e9is para um racioc\u00ednio mais detalhado: “Aja como um analista financeiro e um pesquisador de UX. Analise este fluxo de carteira digital em busca de potenciais riscos e atrito do usu\u00e1rio.”<\/em><\/p>\n\n\n\n LLMs s\u00e3o dependentes de contexto; eles n\u00e3o sabem o que voc\u00ea sabe, a menos que voc\u00ea lhes diga. Ancoragem \u00e9 fornecer o fundo de informa\u00e7\u00f5es correto para que o modelo possa fundamentar seu racioc\u00ednio.<\/p>\n\n\n\n Por exemplo:<\/strong> “Com base na seguinte declara\u00e7\u00e3o de cultura e miss\u00e3o da empresa, elabore uma mensagem de boas-vindas para novos contratados que pare\u00e7a aut\u00eantica ao nosso tom.”<\/em><\/p>\n\n\n\n Ou, em cen\u00e1rios com muitos dados: “Usando os dados abaixo, gere insights sobre as tend\u00eancias de churn de clientes por regi\u00e3o.”<\/em><\/p>\n\n\n\n A ancoragem garante a relev\u00e2ncia. Sem ela, o output do modelo pode soar gen\u00e9rico ou desvinculado da realidade. Em ambientes corporativos, essa t\u00e9cnica se torna ainda mais importante ao conectar prompts com documentos internos ou APIs, como visto em sistemas RAG (Retrieval-Augmented Generation).<\/p>\n\n\n\n Depois de dominar a estrutura, o papel e o contexto, o pr\u00f3ximo passo \u00e9 a escalabilidade. Como voc\u00ea cria prompts que sejam consistentes, de f\u00e1cil manuten\u00e7\u00e3o e eficientes em equipes e fluxos de trabalho? \u00c9 a\u00ed que entram o prompting modular, o RAG e o ciclo de experimenta\u00e7\u00e3o.<\/p>\n\n\n\n O design modular significa dividir prompts em componentes reutiliz\u00e1veis, como fun\u00e7\u00f5es em c\u00f3digo. Voc\u00ea define blocos de constru\u00e7\u00e3o para pap\u00e9is, tom, formato e estrutura que podem ser recombinados conforme a necessidade.<\/p>\n\n\n\n Por exemplo, sua biblioteca de prompts pode conter m\u00f3dulos como:<\/p>\n\n\n\n Ent\u00e3o, voc\u00ea pode misturar e combinar: [PAPEL] Cientista de Dados + [TAREFA] Analisar churn de clientes + [FORMATO] Tabela Markdown + [TOM] Claro.<\/p>\n\n\n\n Essa modularidade aumenta a produtividade e mant\u00e9m os outputs consistentes, especialmente em equipes colaborativas ou fluxos de trabalho automatizados.<\/p>\n\n\n\n Pense nisso como o princ\u00edpio DRY (Don\u2019t Repeat Yourself) aplicado ao prompting.<\/p>\n\n\n\n Mesmo os melhores prompts n\u00e3o conseguem criar respostas precisas se o modelo n\u00e3o tiver os dados corretos. \u00c9 a\u00ed que entra o RAG, um m\u00e9todo que combina recupera\u00e7\u00e3o<\/strong> (busca de contexto relevante em um banco de dados ou base de conhecimento) com gera\u00e7\u00e3o<\/strong> (a sa\u00edda de texto do modelo).<\/p>\n\n\n\n Por exemplo:<\/strong> “Um chatbot de suporte recupera documenta\u00e7\u00e3o interna sobre uma API antes de responder a uma pergunta, garantindo que sua resposta seja factualmente correta e atualizada.”<\/em><\/p>\n\n\n\n O RAG transforma o prompting de uma mera instru\u00e7\u00e3o de texto para um processo de racioc\u00ednio orientado por dados. \u00c9 especialmente valioso em setores como finan\u00e7as, sa\u00fade e educa\u00e7\u00e3o, onde a precis\u00e3o e o contexto s\u00e3o inegoci\u00e1veis.<\/p>\n\n\n\n A engenharia de prompts \u00e9 inerentemente experimental. N\u00e3o importa qu\u00e3o elegante seja sua primeira vers\u00e3o, voc\u00ea ir\u00e1 refin\u00e1-la, assim como depurar ou otimizar c\u00f3digo.<\/p>\n\n\n\n Um ciclo simples para melhoria se parece com isto:<\/p>\n\n\n\n 1\ufe0f\u20e3 Escreva um prompt \u2192 2\ufe0f\u20e3 Teste com exemplos \u2192 3\ufe0f\u20e3 Analise o output \u2192 4\ufe0f\u20e3 Ajuste e reteste<\/p>\n\n\n\n Voc\u00ea pode registrar m\u00e9tricas de desempenho, comparar vers\u00f5es (testes A\/B) e usar m\u00e9todos de avalia\u00e7\u00e3o como BLEU, ROUGE ou pontua\u00e7\u00e3o baseada em LLM.<\/p>\n\n\n\n O prompting iterativo \u00e9 como as organiza\u00e7\u00f5es constroem sistemas de IA confi\u00e1veis \u2014 n\u00e3o por m\u00e1gica, mas por m\u00e9todo.<\/p>\n\n\n\n Alguns dizem que a engenharia de prompts desaparecer\u00e1 \u00e0 medida que os modelos melhorarem. Na realidade, o oposto est\u00e1 acontecendo.<\/p>\n\n\n\n \u00c0 medida que os modelos se tornam mais capazes, a complexidade do que pedimos a eles tamb\u00e9m aumenta. Agora queremos que a IA raciocine, resuma, codifique, traduza o tom, detecte vieses e se integre a dados estruturados. E isso exige um design humano sofisticado nos bastidores.<\/p>\n\n\n\n A engenharia de prompts n\u00e3o \u00e9 uma moda passageira. \u00c9 a camada de interface entre a linguagem natural e a computa\u00e7\u00e3o. Ela molda n\u00e3o apenas a precis\u00e3o, mas tamb\u00e9m a \u00e9tica, a usabilidade e a criatividade.<\/p>\n\n\n\n Na pr\u00e1tica, isso significa que:<\/p>\n\n\n\n Em suma, o prompting est\u00e1 se tornando uma habilidade central em diversas disciplinas, como saber pesquisar no Google de forma eficaz, mas em uma escala muito mais poderosa.<\/p>\n\n\n\n No Nubank, usamos a engenharia de prompts e o ajuste fino (fine-tuning) cont\u00ednuo para melhorar nossos agentes de IA. Em gest\u00e3o de riscos, refinamos prompts de forma iterativa que orientam os LLMs para apoiar o processo de avalia\u00e7\u00e3o de risco de Novos Produtos e Recursos (PdF), avaliar a qualidade dos dados de issues (ou seja, risco identificado pela equipe de gest\u00e3o de riscos em rela\u00e7\u00e3o a lan\u00e7amentos de produtos) e automatizar tarefas rotineiras. Com revis\u00e3o e testes human-in-the-loop (com humanos no ciclo), esses prompts aumentam a efici\u00eancia da equipe de Gest\u00e3o de Riscos, ajudam a dimensionar os processos e aceleram o lan\u00e7amento de novos produtos e recursos.<\/p>\n\n\n\n Em sua ess\u00eancia, a engenharia de prompts trata de comunica\u00e7\u00e3o entre humanos e m\u00e1quinas, mas tamb\u00e9m entre equipes, disciplinas e ideias.<\/p>\n\n\n\n Quando aprendemos a escrever prompts melhores, n\u00e3o estamos apenas treinando a IA. Estamos refinando a forma como expressamos o pensamento, estruturamos o racioc\u00ednio e compartilhamos o contexto de maneira clara.<\/p>\n\n\n\n Isso espelha como trabalhamos no Nubank: clareza em primeiro lugar, colabora\u00e7\u00e3o sempre. Bons prompts n\u00e3o s\u00e3o apenas tecnicamente corretos \u2014 eles s\u00e3o humanamente claros.<\/p>\n\n\n\n A engenharia de prompts n\u00e3o \u00e9 o objetivo final; \u00e9 um passo na evolu\u00e7\u00e3o de como pensamos e constru\u00edmos com a tecnologia.<\/p>\n\n\n\n No Nubank, vemos cada nova ferramenta como uma oportunidade para simplificar a complexidade. A IA generativa n\u00e3o \u00e9 diferente: \u00e9 mais uma forma de empoderar as pessoas atrav\u00e9s da clareza, da criatividade e de uma melhor comunica\u00e7\u00e3o.<\/p>\n\n\n\n E enquanto essa nova linguagem continua a evoluir, uma coisa permanece constante: quanto mais claros formos com nossa inten\u00e7\u00e3o, mais poderosa se tornar\u00e1 nossa tecnologia.<\/p>\n\n\n\n Materiais e Leituras t\u00e9cnicas recomendados<\/strong><\/p>\n\n\n\n Princ\u00edpios pr\u00e1ticos para a elabora\u00e7\u00e3o de prompts claros e confi\u00e1veis que escalam a colabora\u00e7\u00e3o com a IA<\/p>\n","protected":false},"author":178110103,"featured_media":35559,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[2503,2502],"tags":[1707,2112,2541],"class_list":["post-35554","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-analytics","category-data-science-machine-learning-pt-br","tag-clojure","tag-datomic","tag-inteligencia-artificial"],"acf":[],"yoast_head":"\n\n
2. Role prompting: \u201cAja como…\u201d <\/h3>\n\n\n\n
3. Ancoragem como contexto<\/h3>\n\n\n\n
Indo al\u00e9m do b\u00e1sico: Modular, RAG e design iterativo<\/h2>\n\n\n\n
1. Modular prompting: Blocos de constru\u00e7\u00e3o reutiliz\u00e1veis<\/h3>\n\n\n\n
\n
2. Retrieval-Augmented Generation (RAG): Fundamentando a IA com dados reais<\/h3>\n\n\n\n
3. O ciclo de experimenta\u00e7\u00e3o: Testar, iterar, refinar<\/h3>\n\n\n\n
Por que a engenharia de prompts veio para ficar<\/h2>\n\n\n\n
\n
Al\u00e9m dos comandos: Prompting como comunica\u00e7\u00e3o<\/h3>\n\n\n\n
Conclus\u00e3o: O futuro fala em prompts<\/h2>\n\n\n\n
\n