📐 O que é (e o que não é) um prompt
Prompt não é pergunta. É especificação de tarefa — um contrato curto entre você e o modelo. Cada palavra que você coloca puxa a resposta pra um lado, e cada palavra omitida deixa o modelo "preencher os buracos" do jeito dele (que pode ser ótimo ou péssimo). Tratar prompt como Google é o erro que aprisiona 90% das pessoas no resultado medíocre. Tratar como contrato é o que abre a porta pro 10×.
🔑 Conceito-chave
Um bom prompt responde implicitamente a 5 perguntas: o quê, pra quem, por quê, em que formato, sob quais restrições. Se faltar uma, o modelo inventa.
- •Pergunta solta: "como melhorar copy?" → resposta genérica
- •Especificação: "Reescreva esta copy de landing SaaS B2B pra dor de produtividade, em 2 versões — uma direta, uma provocativa, máx. 12 palavras cada." → resposta útil
🎚️ Diretivo vs. Exploratório — o espectro
Andrej Karpathy popularizou a ideia de espectro de diretividade. Em uma ponta, você dirige o modelo passo a passo (controle alto, criatividade baixa, custo cognitivo alto). Na outra, dá objetivo amplo e deixa explorar (rápido, criativo, instável). Saber se ajustar nesse espectro pra cada tarefa é o que separa amador de profissional. Tarefa de risco alto e bem-definida pede diretivo. Brainstorm e geração de hipóteses pedem exploratório.
Modo diretivo (alto controle)
"Reformate este JSON: troque snake_case por camelCase, mantenha a ordem, não invente campos." Tarefa fechada, baixa tolerância a erro.
Modo médio
"Sugira 3 abordagens diferentes pra estruturar este pitch de 90s, listando trade-offs de cada." Pede criatividade, mas com molde.
Modo exploratório
"Quais ângulos eu nem pensei pra abordar este problema?" IA explora, você seleciona. Bom pra desbloqueio.
🧱 Estrutura: CRISP / RTF
Frameworks viram checklist mental. Dois bons: CRISP (Contexto, Role, Instrução, Specifics, Padrão de saída) e RTF (Role, Task, Format) pra tarefas mais simples. Não decore — internalize. Em 2 semanas usando, você passa a estruturar qualquer prompt em segundos. Adicione few-shot (exemplos de input→output) sempre que possível: aumenta brutalmente a aderência ao formato esperado.
🧱 CRISP em ação
- ▸C — Contexto: "Sou gestor de RH de empresa SaaS, 200 funcionários..."
- ▸R — Role: "Aja como consultor sênior em comunicação interna..."
- ▸I — Instrução: "Escreva e-mail anunciando mudança de política de home office..."
- ▸S — Specifics: "Tom firme mas empático, 200 palavras, 1 chamada à ação clara..."
- ▸P — Padrão: "Saída em markdown com assunto + corpo + assinatura..."
📊 Por que few-shot funciona
- 2-3 exemplos elevam aderência de formato em ~30-50% (medições internas Anthropic/OpenAI)
- 1 contraexemplo ("não faça assim:") ajuda o modelo a evitar armadilhas
- Custo extra em tokens compensa com taxa muito maior de acerto na 1ª tentativa
💡 7 padrões essenciais
Existem dezenas de padrões publicados, mas 7 cobrem 80% das tarefas reais. Domine esses primeiro: persona, exemplos, decomposição, crítica, comparação, formato, revisão. Combinados, formam o jogo profissional. Padrões avançados como chain-of-thought ("pense passo a passo antes de responder") e self-critique ("revise sua própria resposta") aumentam qualidade significativamente em tarefas complexas.
🎭 Padrões de framing
- Persona: "Aja como editor sênior do NYT..."
- Exemplos: "Aqui estão 2 inputs e seus outputs ideais..."
- Decomposição: "Quebre em sub-tarefas antes de resolver..."
🔍 Padrões de qualidade
- Crítica: "Avalie sua resposta e melhore-a..."
- Comparação: "Gere 3 versões e compare..."
- Formato: "Saída em JSON com schema X..."
- Revisão: "Liste 3 erros possíveis na resposta..."
💡 Dica prática
Pegue um prompt seu da semana e force-o a usar pelo menos 3 desses padrões juntos. Compare a saída original com a nova. A diferença normalmente é gritante.
❌ Erros que matam o resultado
Diagnosticar erros em prompt é mais rentável que aprender truque novo. Cinco mortais aparecem o tempo todo: ambiguidade ("melhore isto" — em quê?), falta de contexto (o modelo não sabe quem você é nem pra quem escreve), instruções contraditórias ("seja breve e detalhado"), "faça tudo" (10 coisas em 1 prompt e nada bem-feito), e ausência de exemplos em tarefa de formato.
✓ Faça
- ✓Defina audiência, tom e formato explicitamente
- ✓Quebre tarefa grande em prompts menores em sequência
- ✓Inclua 1-3 exemplos sempre que formato importa
- ✓Use "se faltar info, pergunte antes de responder"
✗ Evite
- ✗"Melhore isto" sem dizer o critério
- ✗10 instruções diferentes em 1 prompt monstro
- ✗Adjetivos vagos: "melhor", "bom", "interessante"
- ✗Ignorar o output e culpar a IA na primeira frustração
🛠️ Reescrevendo seus prompts
Teoria sem aplicação não fixa. O exercício final é simples: pegue 3 prompts que você usou esta semana e reescreva cada um aplicando CRISP + 1 padrão dos 7 + few-shot quando relevante. Rode os dois (original e reescrito) e compare. Isso é A/B mental — você sente na pele a diferença e o aprendizado fica.
Selecione 3 prompts reais da sua semana
Escolha um simples, um médio e um complexo. Salve o output original que recebeu.
Aplique CRISP + padrão + exemplo
Dobre ou triplique o tamanho do prompt — não tenha pressa de "ser conciso" no aprendizado.
Compare os dois lado a lado
Avalie precisão, formato, utilidade. Note o que mudou e por quê.
Salve as versões reescritas na sua caderneta
Vira biblioteca pessoal. Reuso é onde está o ganho de tempo de verdade.
💡 Dica prática
Coloque na sua caderneta o "diff" — o que mudou e qual foi o efeito. Em 30 dias você terá um manual personalizado de prompts que funcionam pra você.
🎯 Resumo do Módulo
Próximo Módulo:
1.4 — Engenharia de Contexto