Prompting Efetivo: Técnicas que Funcionam
Domine prompting: Few-shot, Chain-of-Thought, Self-Critique. Exemplos práticos que realmente funcionam para código, escrita e análise de dados.
Por que isso é importante
Prompting Efetivo: Técnicas que Funcionam. Domine prompting: Few-shot, Chain-of-Thought, Self-Critique. Exemplos práticos que realmente funcionam para código, escrita e análise de dados.
Por que Prompting é a Habilidade do Futuro
LLMs não leem sua mente. Eles interpretam instruções. A diferença entre resposta genérica e
solução perfeita está no prompt. Desenvolvedores que aprendem estruturas de prompting
multiplicam produtividade sem escrever código extra.
Prompting efetivo é programação em linguagem natural. Você especifica entrada, processo e
saída desejada. Como funções bem documentadas, prompts precisos geram resultados
previsíveis.
Erro comum
Prompt vago: "Crie uma API REST" Resultado: Código genérico, sem contexto, difícil de integrar
Estrutura de Prompts que Funcionam
Anatomia do Prompt Efetivo
- Contexto: Forneça background relevante. "Sou dev React construindo
SaaS de gestão financeira" - Tarefa: Seja específico. "Crie hook customizado para fetch com
loading, error e retry automático" - Formato: Defina saída. "Retorne código TypeScript com JSDoc e
exemplos de uso" - Constraints: Limite escopo. "Máximo 50 linhas, use Axios, sem
bibliotecas extras"
Essa estrutura elimina ambiguidade. LLMs adoram clareza: quanto mais específico, melhor o
resultado.
Few-Shot Learning: Ensine com Exemplos
Few-shot significa mostrar exemplos antes de pedir a tarefa. LLMs aprendem o padrão e
replicam para novos casos. Perfeito para tarefas repetitivas com variações.
Exemplo Prático: Validação de Dados
Prompt: "Valide os dados conforme exemplos: Entrada: email@test Saída: Inválido - formato de email incorreto Entrada: user@domain.com Saída: Válido Agora valide: admin@company"
LLM entende o padrão e aplica. Use few-shot para: • Formatação de dados • Classificação de textos • Transformação de código (JS para TS, por exemplo) • Geração de testes unitários
Chain-of-Thought: Raciocínio Passo-a-Passo
Chain-of-Thought (CoT) pede ao LLM que "pense em voz alta". Ao explicar raciocínio,
respostas ficam mais precisas. Fundamental para problemas complexos.
Prompt com CoT
Sem CoT: "Otimize essa query SQL" Com CoT: "Analise essa query SQL passo-a-passo: 1) Identifique
gargalos, 2) Sugira índices, 3) Reescreva query otimizada, 4) Explique melhorias"
CoT brilha em: • Debugging de código complexo • Arquitetura de sistemas • Refatoração com múltiplas dependências • Análise de performance
CoT na Prática: Debug de Bug Obscuro
Exemplo Real
Prompt: "Esse componente React trava ao atualizar estado. Analise passo-a-passo: 1. Identifique possíveis race conditions 2. Verifique dependências de useEffect 3. Procure re-renders desnecessários 4. Sugira correção com explicação detalhada"
Resultado: LLM decompõe problema, explica cada etapa e entrega solução fundamentada.
Self-Critique: LLM Revisa Próprio Output
Self-Critique pede ao LLM que critique e melhore a própria resposta. Técnica avançada que
aumenta qualidade sem intervenção manual.
- Passo 1: LLM gera solução inicial
- Passo 2: Você pede: "Critique essa solução: identifique falhas,
edge cases não tratados e melhorias" - Passo 3: LLM lista problemas
- Passo 4: "Reescreva corrigindo essas falhas"
Self-Critique funciona porque LLMs são ótimos em identificar problemas quando
explicitamente solicitados. É como ter code reviewer automático.
Prompting para Código: Casos de Uso Reais
1. Geração de Componentes React
Prompt Otimizado
"Crie componente React de formulário de login com: - TypeScript + Zod validation - React Hook Form - Tailwind CSS - Loading states e error handling - Acessibilidade (ARIA labels) - Testes com React Testing Library Retorne código completo com comentários explicativos"
2. Refatoração de Código Legacy
Prompt com Contexto
"Refatore esse código jQuery para React moderno: 1. Converta para componentes funcionais 2. Use hooks (useState, useEffect) 3. Implemente TypeScript 4. Mantenha funcionalidade idêntica 5. Adicione testes Explique cada mudança significativa"
3. Debugging com Contexto
Sempre forneça: código problemático, mensagem de erro, comportamento esperado vs real, e
ambiente (browser, Node version). Quanto mais contexto, mais preciso o diagnóstico.
Prompting para Escrita e Análise
Criação de Conteúdo Técnico
Estrutura para Artigos
"Escreva artigo técnico sobre [TEMA]: - Público: devs intermediários - Tom: direto, sem fluff - Estrutura: problema, solução, exemplos de código, pitfalls - 1500 palavras - SEO: inclua [KEYWORDS] - Exemplos práticos em TypeScript"
Análise de Dados
Para análise, especifique: tipo de dados, métricas relevantes, formato de output (gráfico,
tabela, insights). LLMs analisam CSVs, JSONs e sugerem visualizações.
Ferramentas para Otimizar Prompting
PromptBase
Marketplace de prompts testados. Economize tempo usando templates validados.
AIShell
Terminal com IA integrada. Converta comandos naturais em shell scripts.
LangChain
Framework para construir aplicações com LLMs. Chains de prompts avançados.
Prompt Engineering Guide
Documentação completa de técnicas de prompting com exemplos.
Erros Comuns e Como Evitar
Armadilhas Frequentes
1. Prompts vagos: "Melhore esse código" → Especifique o que melhorar 2. Falta de contexto: Cole só o erro → Inclua código, ambiente, passos 3. Expectativas irreais: LLMs não adivinham requisitos não ditos 4. Ignorar limitações: Context window finito → Divida tarefas grandes 5. Não iterar: Primeira resposta raramente é perfeita → Refine prompts
Técnicas Avançadas: Combining Strategies
Combine técnicas para resultados superiores. Exemplo: Few-shot + CoT + Self-Critique para
tarefas complexas.
Prompt Híbrido
Fase 1 (Few-shot): "Veja exemplos de API routes Next.js otimizadas: ..." Fase 2 (CoT): "Analise passo-a-passo como otimizar essa rota: ..." Fase 3 (Self-Critique): "Critique sua solução e reescreva melhor"
Próximos Passos: Da Prática para Produção
Você dominou prompting: estruturas, técnicas avançadas e casos de uso reais. Agora está
pronto para levar LLMs para produção em aplicações reais.
Na Parte 3 desta série, você aprenderá Fine-tuning (quando criar modelos
customizados), RAG (Retrieval-Augmented Generation para contexto dinâmico) e Vector
Databases para escalar IA em apps.