Engenharia de Prompt, da Formulação à Geração. Técnicas Avançadas de Engenharia de Prompts

INTRODUÇÃO

Nos anos recentes, a Inteligência Artificial Generativa evoluiu de uma mera novidade tecnológica para uma componente essencial em organizações, empresas, pesquisas e na produção de conteúdo. Essa transformação é resultado não apenas do aprimoramento de modelos de linguagem mais avançados, mas também da maneira como passamos a nos relacionar com essas ferramentas. É nesse cenário que a Engenharia de Prompt se torna relevante, pois requer a habilidade de formular instruções claras e estratégicas que direcionam a IA a gerar respostas mais exatas, coerentes e em conformidade com as metas do usuário.

Assim como um maestro conduz uma orquestra para extrair harmonia de diversos instrumentos, o engenheiro de prompt dirige o modelo de IA para gerar conteúdos mais refinados e consistentes.

Dentro desse campo, algumas técnicas se destacam por aprofundar o modo como guiamos o raciocínio dos modelos, permitindo que eles resolvam tarefas complexas com mais clareza e eficiência. Entre elas, estão três abordagens que se tornaram referência, Few-Shot Prompting, Chain-of-Thought (CoT) e Tree-of-Thought (ToT). Para entender melhor como funcionam, é útil compará-las a situações cotidianas simples, mostrando que, apesar da aparente sofisticação, esses métodos têm raízes em processos que realizamos naturalmente.

A seguir, exploramos cada técnica, seu funcionamento, suas vantagens e como se conectam a comportamentos cotidianos, tudo fundamentados por estudos recentes sobre o tema.

DESENVOLVIMENTO DO TEMA

Antes de explorar as técnicas avançadas, é importante entender que a engenharia de prompt funciona como uma ponte entre a intenção humana e a interpretação da IA. Elaborar um prompt não é apenas escrever uma pergunta, é estruturar um raciocínio, fornecer contexto e conduzir o modelo para que ele compreenda, como pensar, sobre aquilo que está sendo solicitado. Da mesma forma que um professor ajusta sua explicação ao nível do aluno para garantir entendimento, o prompt engineer ajusta linguagem, exemplos e comandos para obter da IA uma resposta que realmente faça sentido.

A partir desse entendimento, podemos avançar para três das técnicas mais importantes e eficazes na prática da engenharia de prompt, estas são, Few-shot Prompting, Chain-of-Thought (CoT) e Tree-of-Thought (ToT). Cada uma delas representa uma forma distinta de orientar o raciocínio da IA, aproximando o processo computacional dos modos humanos de aprender, resolver e decidir.

1. Few-shot Prompting: Aprender Pelo Exemplo

O Few-shot prompting consiste em fornecer ao modelo alguns exemplos de entradas e saídas antes de pedir uma resposta. Na prática, funciona como ensinar alguém a cozinhar mostrando duas ou três receitas semelhantes antes de deixá-lo executar a sua versão.

É uma técnica especialmente útil quando o objetivo é definir um padrão de escrita, tom, formato ou lógica. Com alguns exemplos, o modelo infere a estrutura desejada e replica esse padrão com maior fidelidade.

✅ Exemplo de Prompt Few-shot Prompting

Tarefa = Transformar mensagens informais em e-mails formais e profissionais.

Prompt (com Few-shot)

Exemplos:

Entrada 1:

"Oi, João, consegue me mandar aquele relatório hoje? Preciso urgente."

Saída 1:

"Olá, João. Poderia, por gentileza, enviar o relatório ainda hoje? Necessito dele com urgência para dar continuidade às atividades. Agradeço desde já."

Entrada 2:

"Professor, esqueci o prazo do trabalho, posso entregar amanhã?"

Saída 2:

"Prezado Professor, peço desculpas pelo esquecimento quanto ao prazo de entrega do trabalho. Gostaria de saber se seria possível enviá-lo até amanhã. Agradeço pela compreensão."

Entrada 3:

"Maria, me manda o endereço de novo? Não acho aqui."

Saída 3:

"Olá, Maria. Poderia, por gentileza, reenviar o endereço? Não consegui localizá-lo. Muito obrigado."

Comando:

Chat agora com base nos exemplos acima gere a saída 4.

Entrada 4:

"Ei, dá pra remarcar nossa reunião? Estou cheio de coisa pra fazer hoje."

Saída 4: ??

(A IA preencherá seguindo o estilo dos exemplos.)

Por que esse Few-shot funciona?

Ele funciona por que os exemplos estabelecem claramente, tom formal, estrutura do texto, vocabulário esperado, estilo educado e profissional e por fim 

tamanho aproximado das respostas

Assim, a IA reconhece o padrão e replica no novo caso.

A técnica de Few-shot pode er utilizada para desenvolver resumos, scripts de vídeo, textos acadêmicos, storytelling, copywriting, etc.

Exemplo do cotidiano:

É como orientar um estagiário, você mostra alguns relatórios prontos e depois pede que ele produza o próximo seguindo o mesmo estilo. Ele aprende observando o padrão e tenta replicar.

Pesquisadores como Brown et al. (2020), no estudo sobre o Chat GPT, evidenciam que poucos exemplos bem formulados são capazes de orientar o modelo com alto grau de precisão, mesmo sem treinamento adicional.

2. Chain-of-Thought (CoT): Pensamento Passo a Passo

A técnica Chain-of-Thought incentiva o modelo a descrever seu raciocínio antes de apresentar a resposta final. Essa abordagem aumenta a clareza e reduz erros em questões lógicas, matemáticas e de tomada de decisão, pois explicita o processo que levou ao resultado.

Em vez de apenas responder, o modelo passa por uma linha sequencial de raciocínio, como se “pensasse em voz alta”.

✅ Exemplo de Prompt Chain-of-Thought (CoT)

Tarefa: Resolver um problema lógico, incentivando a IA a explicitar seu raciocínio.

Prompt (com CoT):

Pergunta:

Três amigos, Ana, Bruno e Carla, estão competindo em uma corrida. Ana chegou antes de Bruno. Carla chegou depois de Bruno. Qual foi a ordem de chegada?

Instrução Chain-of-Thought:

Chat explique seu raciocínio passo a passo antes de apresentar a resposta final.

Resposta esperada da IA (modelo):

Primeiro, sabemos que Ana chegou antes de Bruno.

Em seguida, sabemos que Carla chegou depois de Bruno.

Portanto, Bruno não foi o último, pois Carla chegou depois dele.

E Ana não chegou depois de ninguém, pois ela chegou antes de Bruno.

Logo, a ordem fica:

Ana em primeiro

Bruno em segundo

Carla em terceiro

Resposta final: Ana → Bruno → Carla

O que acontece aqui?

Ao pedir explicitamente para a IA “pensar passo a passo”, você reduz erros, melhora a clareza do raciocínio, evita saltos lógicos, 

incentiva respostas justificadas e mais precisas.

Este Prompt pode ser muito útil para problemas matemáticos, análise de texto, programação, diagnóstico de problemas,

tomada de decisão, perguntas complexas para LLMs, etc.

Exemplo cotidiano:

É o equivalente a montar um móvel seguindo as instruções passo a passo. Você não tenta adivinhar, você segue cada etapa sequencialmente até chegar ao resultado final.

De acordo com Wei et al. (2022), a explicitação do raciocínio aumentou significativamente o desempenho dos modelos em tarefas complexas, mostrando que a IA, quando guiada a raciocinar, responde melhor.

3. Tree-of-Thought (ToT): Raciocínio em Ramificações

O Tree-of-Thought é uma evolução do CoT. Em vez de seguir uma única linha de pensamento, a IA cria ramificações, explora possibilidades e compara diferentes caminhos antes de decidir qual resposta é mais adequada.

Essas “árvores de decisão” tornam o processo mais exploratório, criativo e estratégico.

✅ Exemplo de Prompt Tree-of-Thought (ToT)

Problema: A empresa precisa decidir se deve investir ou não em uma nova linha de produtos sustentáveis.

ÁRVORE DE RACIOCÍNIO (ToT)

A IA analisa o problema por caminhos distintos.

Cada ramo = um “pensamento” independente.

Depois, todos são comparados para gerar a decisão final.

RAMO 1 – Análise Financeira

Pensamento 1.1 – Estimativa de custos

Custo inicial estimado: alto. Inclui máquinas novas, consultoria ambiental e certificações.

Retorno esperado em 18–24 meses, dependendo do volume de vendas.

Pensamento 1.2 – Projeção de demanda

Produtos sustentáveis estão em crescimento anual no Brasil e mundo.

Há concorrência, mas o mercado ainda não está saturado.

Pensamento 1.3 – Risco financeiro

O risco é moderado.

Depende do marketing e da aceitação do público.

Possibilidade de subsídios governamentais reduz o risco.

Conclusão do Ramo 1 (Financeiro)

O investimento pode ser viável, desde que haja planejamento de fluxo de caixa e forte estratégia comercial no lançamento.

RAMO 2 – Análise Operacional

Pensamento 2.1 – Capacidade produtiva

A fábrica atual não suporta o novo produto sem ajustes.

Requer reorganização e contratação de equipe especializada.

Pensamento 2.2 – Integração tecnológica

Novas máquinas são necessárias.

A curva de aprendizado pode atrasar o lançamento em até 2 meses.

Pensamento 2.3 – Cadeia de suprimentos

Fornecedores de matérias-primas sustentáveis estão estáveis, porém mais caros.

No entanto, oferecem contratos de longo prazo com preços fixos.

Conclusão do Ramo 2 (Operacional)

É possível implementar a nova linha, mas exige mudanças estruturais e adaptação operacional.

RAMO 3 – Análise de Mercado e Estratégia

Pensamento 3.1 – Comportamento do consumidor

Consumidores estão mais conscientes ambientalmente.

Produtos sustentáveis possuem maior valor percebido.

Pensamento 3.2 – Concorrência

Competidores diretos já possuem linhas sustentáveis, mas com preços mais altos.

Há espaço para diferenciação: preço competitivo + autenticidade ambiental.

Pensamento 3.3 – Branding

Entrar no nicho sustentável melhora a marca, gera autoridade e reduz críticas ambientais.

Conclusão do Ramo 3 (Mercado)

Mercado favorável, tendência de alta e possibilidade de posicionamento forte da marca.

RAMO 4 – Análise de Riscos e Impactos

Pensamento 4.1 – Riscos externos

Crises econômicas podem reduzir o consumo.

Novas regulamentações ambientais podem exigir investimentos adicionais.

Pensamento 4.2 – Riscos internos

Falta de experiência da equipe pode gerar falhas no início.

Necessidade de auditorias frequentes.

Pensamento 4.3 – Impactos positivos

Melhora da reputação.

Redução de rejeitos.

Possível aumento de lucro a médio prazo.

Conclusão do Ramo 4 (Riscos/Impactos)

Os riscos existem, mas são controláveis e trazem benefícios estratégicos.

Comparação dos Ramos (Meta-Raciocínio)

 - Financeiro → Viável com gestão de caixa

 - Operacional → Exige preparação, mas possível

 - Mercado → Tendência altamente favorável

 - Riscos → Controláveis e com benefícios estratégicos

DECISÃO FINAL RECOMENDADA (IA)

Recomenda-se investir na nova linha de produtos sustentáveis.

Motivos principais:

O mercado está aquecido e em expansão.

A marca ganha força e reputação.

O retorno financeiro é sólido a médio prazo.

Os riscos podem ser mitigados com planejamento.

Condição:

Realizar um plano financeiro robusto + treinamento da equipe + estratégia de lançamento bem definida.

O que acontece aqui?

Com ToT, a IA explora várias possibilidades, compara caminhos, avalia alternativas, escolhe a melhor solução com justificativa. 

Isso produz respostas mais criativas, críticas e consistentes.

Este Prompt pode ser utilizado para soluções criativas, design de produtos, pesquisas, etc.

Exemplo cotidiano:

É como planejar uma viagem. Você analisa várias rotas, compara preços de hotéis, horários de voos e só depois decide qual opção faz mais sentido. Nós não pensamos em linha reta, pensamos em possibilidades.

Yao et al. (2023) demonstram que o ToT aumenta o desempenho da IA em problemas abertos e criativos, aproximando o comportamento computacional da forma como humanos deliberam.

Conclusão

A engenharia de prompt é uma das competências mais importantes da era da Inteligência Artificial Generativa, pois permite transformar modelos poderosos em ferramentas realmente úteis. Técnicas como Few-shot, Chain-of-Thought e Tree-of-Thought mostram que orientar a IA é, acima de tudo, uma prática de comunicação estratégica.

Mais do que pedir respostas, trata-se de ensinar o modelo a compreender o caminho até elas.

No cotidiano, essas técnicas se aproximam de formas humanas de aprender, resolver problemas e tomar decisões, seja observando exemplos, realizando etapas sequenciais ou analisando múltiplas possibilidades. À medida que os sistemas evoluem, dominar essas abordagens deixará de ser diferencial para se tornar habilidade essencial a qualquer profissional que deseje trabalhar com IA de forma avançada, ética e eficiente.

Fontes Consultadas

BROWN, T. et al. Language Models Are Few-Shot Learners. Proceedings of the 34th Conference on Neural Information Processing Systems (NeurIPS), 2020.

WEI, J. et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, 2022.

YAO, S. et al. Tree of Thoughts: Deliberate Problem Solving with Large Language Models, 2023.

Huang, J. et al. Large Language Models Can Self-Improve, 2023.