Domínio 4 — Prompt Engineering & Structured Output · Lição 1 de 7

Técnicas fundamentais de prompt engineering

Objetivos de aprendizagem

• Escrever instruções claras, diretas e verificáveis em vez de pedidos vagos.
• Usar tags XML para estruturar prompts e separar instrução, contexto e dados.
• Aplicar role prompting via parâmetro system para definir persona e critérios de decisão.
• Induzir chain of thought (raciocínio passo a passo) quando a tarefa exige julgamento.
• Decompor tarefas complexas em etapas menores (prompt chaining) em vez de um mega-prompt.

Instruções claras e diretas

A técnica mais barata e de maior retorno é simplesmente dizer exatamente o que você quer: formato de saída, público-alvo, o que incluir, o que omitir e como tratar casos-limite. Um bom teste mental: se você entregasse o mesmo prompt a um colega novo na equipe, ele saberia produzir a saída esperada sem perguntar nada? Se a resposta for "não", o modelo também vai precisar adivinhar — e adivinhação gera inconsistência.

Tags XML para estruturar o prompt

Quando o prompt mistura instruções, documentos, exemplos e a pergunta do usuário, delimite cada parte com tags XML (<instructions>, <document>, <example>...). Isso evita que o modelo confunda conteúdo com instrução — por exemplo, tratar uma frase dentro do documento como se fosse um comando — e permite referenciar as seções pelo nome ("siga as regras em <criteria>").

Os nomes das tags são livres; o que importa é a consistência. Padrões comuns: <document> para material de entrada, <instructions> para regras, <examples> para few-shot, <output_format> para o formato esperado.

Role prompting via system

O parâmetro system define quem o modelo "é" durante a conversa: papel, domínio de especialidade, tom e critérios permanentes de decisão. Instruções que valem para todas as interações (persona, políticas, formato padrão) pertencem ao system; o conteúdo variável de cada tarefa (o documento da vez, a pergunta da vez) pertence às mensagens user. Essa separação também é a base do prompt caching (Lição 7): o system estável entra no prefixo cacheável.

Chain of thought (raciocínio passo a passo)

Para tarefas que exigem julgamento — classificar um caso ambíguo, comparar alternativas, auditar um cálculo — pedir que o modelo raciocine antes de responder ("analise o problema passo a passo antes de dar o veredito", ou "escreva sua análise em <thinking> e a resposta final em <answer>") melhora a qualidade da decisão. Nos modelos atuais existe também o extended thinking nativo da API (raciocínio interno controlado por thinking e output_config.effort — Lição 6); o chain of thought via prompt continua útil quando você quer o raciocínio visível e estruturado na resposta.

Decomposição de tarefas

Um único prompt gigante que pede "analise, classifique, corrija e resuma" tende a produzir resultados rasos em todas as frentes — a atenção do modelo se dilui. A alternativa é prompt chaining: quebrar em chamadas encadeadas, cada uma com um objetivo único, passando a saída de uma como entrada da próxima. É o mesmo princípio da revisão multi-pass (Lição 5): analisar cada arquivo isoladamente e depois rodar uma passada de integração.

flowchart LR
    A[Extrair fatos do documento] --> B[Classificar cada fato]
    B --> C[Gerar resumo final com os fatos classificados]
  

import anthropic

client = anthropic.Anthropic()

SYSTEM = (
    "Você é um revisor de contratos sênior de uma fintech brasileira. "
    "Responda sempre em português, com base apenas no documento fornecido. "
    "Se a informação não estiver no documento, responda 'não informado'."
)

document = "Contrato nº 4471: prestação de serviços de TI, valor mensal R$ 12.500,00..."

prompt = (
    "<document>\n" + document + "\n</document>\n\n"
    "<instructions>\n"
    "1. Liste as obrigações do contratado em bullets.\n"
    "2. Preserve valores e datas exatamente como no original.\n"
    "3. Antes da resposta final, escreva sua análise em <thinking> "
    "e a resposta em <answer>.\n"
    "</instructions>"
)

response = client.messages.create(
    model="claude-opus-5",
    max_tokens=2048,
    system=SYSTEM,               # papel e regras permanentes
    messages=[{"role": "user", "content": prompt}],
)

for block in response.content:
    if block.type == "text":
        print(block.text)

Pegadinhas da prova

• Distrator típico: "adicione 'seja preciso e cuidadoso' ao prompt" como solução para saída inconsistente. Adjetivos genéricos não mudam o comportamento de forma confiável — a resposta correta é sempre a que torna o critério específico e verificável (ou adiciona exemplos concretos).
• Distrator típico: colocar o documento variável no system e as regras permanentes na mensagem user — é o inverso do recomendado, e ainda destrói o prompt caching.
• Distrator típico: resolver tudo em um único mega-prompt quando o enunciado descreve resultados rasos/inconsistentes em tarefas multi-aspecto. A resposta esperada é decompor (prompt chaining ou multi-pass), não trocar de modelo nem aumentar max_tokens.
• Cuidado: tags XML estruturam o prompt, mas não são um mecanismo de garantia de formato de saída — para garantia sintática existem structured outputs e tool use com schema (Lição 4).

Resumo em 5 linhas

Documentação oficial

• Prompt engineering overview
• Be clear and direct
• Use XML tags
• System prompts (role prompting)

Questões de fixação