Capítulo 7 — Engenharia de prompt como ofício de campo
Sétimo post do passeio capítulo a capítulo pelo LLM Primer I: How Generative AI Works. Um dos capítulos mais práticos — os caminhos que tornam o mesmo modelo duas vezes mais esperto, e por que funcionam.
Por que prompt não é "só uma pergunta"
"Engenharia de prompt" às vezes soa pomposo. Quase como se fosse só formular bem uma pergunta. Mas a leitura que defendo no livro é mais respeitosa: o prompt é o que define o contexto a partir do qual o modelo vai prever cada próximo token. Isso é grande coisa.
O modelo lê tudo o que está em seu contexto e, sobre essa leitura, monta a distribuição do próximo token. O prompt é a parte central desse contexto. Mexer no tom, na estrutura, nos exemplos, no papel — tudo isso reposiciona, em bloco, a distribuição de todos os tokens que virão.
Visto assim, engenharia de prompt é o caminho mais barato para extrair capacidade do modelo, e o caminho mais flexível para mudar radicalmente o comportamento sem trocar o modelo.
Quatro padrões que aguentam o peso
O capítulo 7 escolhe quatro padrões que, na prática, costumam carregar a maior parte do efeito. Tem outros, claro. Mas esses quatro são o cavalo de batalha.
System prompt. A instrução que define o tom e os limites do papel do modelo logo de saída. Tudo o que vier depois é gerado sob esse contexto. Mexer uma ou duas linhas no system prompt costuma reescrever a personalidade do assistente sem trocar nada mais.
Few-shot. Em vez de descrever o tipo de resposta que você quer, mostrar dois ou três exemplos no próprio contexto. O modelo trata esses exemplos como "padrão local de saída" e ajusta sua distribuição em torno deles. Dois exemplos concretos costumam fazer mais que uma página de descrição abstrata.
Cadeia de pensamento (chain of thought). Pedir ao modelo "não me dê só a conclusão; mostre os passos do raciocínio". Parece pequeno; tem efeito grande. Ao escrever os passos no próprio contexto, o modelo está expandindo seu próprio contexto — e cada novo token é gerado já vendo os passos anteriores.
Papel. Dizer "você é um engenheiro sênior de backend" puxa, da distribuição do pré-treinamento, a paleta de respostas que aparece quando engenheiros sêniores de backend escrevem. Não muda apenas o tom; muda o terreno semântico que o modelo está habitando.
Por que esses padrões funcionam
O livro junta os quatro num mesmo ponto: o modelo absorve o contexto e gera próximo token sob ele. System prompt define a moldura grande, few-shot estreita o formato, cadeia de pensamento permite ao modelo estender o próprio contexto, papel evoca uma família de respostas no pré-treinamento.
Quando isso fica assentado, você pode olhar para um novo padrão de prompt e dar palpite — com base mecânica — sobre se ele vai funcionar ou não. Sai do "decorar receitas" para o "saber por quê".
O que funciona, o que está superestimado
Na parte final do capítulo eu trato com franqueza do que tem efeito real e do que vive de fama. Nem todo padrão de prompt vale o que vende. Alguns têm efeito sólido, repetível. Outros, mais barulhentos, entregam pouco.
Ter esse mapa ajuda a investir seu tempo nos padrões que de fato puxam o modelo para cima.
O fio do Capítulo 7
O que fica do capítulo, em uma frase: o mesmo modelo, em contextos diferentes, é outro modelo. Aprender a dirigir o contexto é o caminho mais barato — e muitas vezes o melhor — para alcançar o que você quer. Antes de trocar para um modelo mais caro, vale testar se ajustes no contexto resolvem.
Amanhã — Capítulo 8: Quando um modelo não basta — ferramentas e agentes. Vamos sair do "um modelo, uma resposta" e entrar no terreno onde o modelo ganha braços. Chamada de função, agentes, e o §8.6 novo com padrões agentivos.
