Engenharia de
Prompts.
Guia completo em português, do iniciante ao avançado. Frameworks, padrões que funcionam e armadilhas comuns.
Atualizado para 2026 com ChatGPT 5, Claude 4 e Gemini 2.0. Sem jargão desnecessário.
O que é engenharia de prompts?
Engenharia de prompts é a arte e ciência de escrever instruções para modelos de linguagem (LLMs) de forma que o output seja previsível, específico e útil. Não é mágica, é um conjunto de convenções que, aplicadas com rigor, reduzem em 60-80% o tempo de iteração até chegar numa resposta utilizável.
Em 2026, dominar essa habilidade deixou de ser diferencial de cargo e virou pré-requisito para qualquer pessoa que trabalha com texto, código ou decisão suportada por IA. A boa notícia: a disciplina base é pequena. A má: a diferença entre um prompt médio e um ótimo é brutal na qualidade do output.
Este guia cobre os frameworks que você precisa saber, os padrões que funcionam na prática em português, os erros que a maioria comete e exemplos prontos. Não é um curso teórico, é um manual de campo.
Parte 1
Os 6 frameworks que você precisa conhecer.
RGC, Role, Goal, Context
O framework mais versátil. Role dá persona, Goal define output, Context dá matéria-prima (público, tom, restrições, exemplos). Funciona em qualquer LLM, qualquer tarefa.
Quando usar: Uso padrão para 80% das tarefas: escrita, análise, brainstorm, resumo.
RTF, Role, Task, Format
Versão minimalista do RGC. Bom para casos simples onde contexto extra não agrega, apenas quem é o especialista, o que fazer e como apresentar.
Quando usar: Pedidos curtos e tarefas bem definidas. Menos tokens, menos overhead.
CRISPE, Capacity, Role, Insight, Statement, Personality, Experiment
Mais verboso que RGC. Pede ao modelo que primeiro declare a capacidade/perspectiva que vai usar, depois a resposta, depois variações experimentais.
Quando usar: Tarefas criativas onde você quer múltiplas variações e transparência do raciocínio.
Chain-of-Thought (CoT)
Força o modelo a 'pensar passo a passo' antes de responder. Pode ser implícito ('pense passo a passo') ou explícito (seções <raciocinio> e <resposta>).
Quando usar: Matemática, decisão multi-fator, análise de causa-raiz, sempre que o raciocínio intermediário importa.
Few-shot prompting
Incluir 2-5 exemplos de input-output antes do pedido real. O modelo 'aprende' o padrão pelo exemplo, não pela descrição.
Quando usar: Quando o estilo é mais fácil de demonstrar do que de descrever. Extração estruturada de dados, classificação, padronização de tom.
Self-consistency
Rodar o mesmo prompt várias vezes com temperatura alta, depois consolidar a resposta mais frequente. Melhora precisão em tarefas com resposta única e verificável.
Quando usar: Tarefas de matemática, lógica ou extração de fatos onde há uma resposta 'certa'.
Parte 2
Os 6 erros mais comuns (e como corrigir).
Papel genérico demais
Ruim
Você é um assistente.
Bom
Você é um analista sênior de growth em SaaS B2B com 8 anos de experiência em redução de churn.
Por quê: Um papel específico ancora o modelo em um corpo de conhecimento concreto. 'Assistente' puxa o modo padrão, genérico e medroso.
Objetivo vago
Ruim
Escreva algo sobre marketing.
Bom
Escreva uma análise de 600 palavras do fluxo de onboarding por e-mail do Notion, identificando 3 pontos de fricção e sugerindo alternativas.
Por quê: Objetivo vago = output vago. Especifique: quantas palavras, quem é o sujeito, quais restrições, qual conclusão esperada.
Contexto insuficiente
Ruim
Me dê sugestões.
Bom
Contexto: SaaS B2B, ticket médio R$12K/ano, churn anual 18%. Me dê 5 sugestões para reduzir churn no primeiro ano, com base em playbooks de empresas do porte Pipefy.
Por quê: O modelo não tem telepatia. Cole dados, metas, restrições e exemplos do que você considera 'bom'.
Pedir para revisar sem critério
Ruim
Revise esse texto.
Bom
Revise esse texto verificando: (a) clareza por parágrafo, (b) verbos fortes, (c) remoção de palavras de enchimento como 'basicamente', 'essencialmente', 'no mundo de hoje'.
Por quê: Revisão sem critério devolve feedback genérico. Dê uma checklist concreta.
Sobrecarregar em uma única mensagem
Ruim
Escreva um plano de negócios, faça o design do site e prepare o pitch deck.
Bom
Primeiro, escreva o plano de negócios em 500 palavras. Depois vamos para o site.
Por quê: Modelos lidam melhor com uma tarefa por vez. Decompor reduz alucinação e melhora qualidade de cada etapa.
Ignorar o formato de saída
Ruim
Me dê opções de nome.
Bom
Me dê 10 opções de nome em uma tabela markdown com colunas: Nome, Etimologia, Domínio .com disponível (sim/não), Razão.
Por quê: Formato explícito economiza uma ida e volta. Peça exatamente a estrutura de dados que você vai consumir.
Pronto para aplicar?
Use os geradores grátis para montar seus prompts em segundos.
Perguntas Frequentes
Sobre engenharia de prompts.
O que é engenharia de prompts?+
É a disciplina de escrever instruções para modelos de linguagem (LLMs) de forma estruturada o suficiente para que o modelo produza output previsível, útil e alinhado com o objetivo real, sem precisar de treinamento ou fine-tuning.
É uma profissão real em 2026?+
Sim, mas em evolução. O cargo 'prompt engineer' dedicado já não existe na maioria das empresas, a habilidade foi absorvida por desenvolvedores, product managers, analistas e escritores. Em 2026, saber engenhar prompts é pré-requisito para trabalhar com IA de forma profissional.
Quais são os frameworks mais usados?+
RGC (Role-Goal-Context), RTF (Role-Task-Format), CRISPE (Capacity-Role-Insight-Statement-Personality-Experiment) e CoT (Chain-of-Thought). O RGC é o mais versátil para a maioria dos casos. CoT é crítico para tarefas analíticas ou matemáticas.
Preciso saber inglês para engenhar prompts?+
Não. Modelos modernos (GPT-4o, Claude 4, Gemini 2.0) funcionam perfeitamente em português. A única vantagem do inglês é acesso mais rápido a benchmarks e papers acadêmicos, mas a técnica é idêntica.
Qual a diferença entre engenharia de prompts e fine-tuning?+
Engenharia de prompts manipula o input. Fine-tuning manipula os pesos do modelo. Para 95% dos casos empresariais, engenharia de prompts basta, é mais rápida, mais barata e não exige ML engineers.
Chain-of-thought sempre melhora a resposta?+
Quase sempre em tarefas analíticas, de matemática ou de decisão multi-etapas. Em tarefas criativas ou de brainstorming pode atrapalhar, tornando o output mais cauteloso. Regra prática: CoT sim para analítico, não para criativo.
Como avalio a qualidade de um prompt?+
Três critérios: (1) Reprodutibilidade, o mesmo prompt gera output parecido em 5 execuções? (2) Especificidade, o output responde o que foi pedido, sem divagar? (3) Densidade, há quantidade útil de informação por palavra? Um bom prompt rende bem nos três.
Por que meu prompt 'para de funcionar' depois de um tempo?+
Três causas comuns: (1) atualizações do modelo alteram o comportamento, prompts que dependiam de quirks específicos quebram. (2) você está comparando mentalmente com a melhor execução anterior, não com a média. (3) drift de contexto: em conversas longas, o modelo 'esquece' instruções iniciais. Solução: colocar as instruções críticas no início e no fim do prompt.