Um prompt é uma especificação. Engenharia de prompt é escrevê-la bem e conferir se o modelo a segue.
Como funciona
O guia da OpenAI define engenharia de prompt como “the process of writing effective instructions for a model” (tradução: o processo de escrever instruções eficazes para um modelo), para que ele “consistently generates content that meets your requirements” (tradução: gere, de forma consistente, conteúdo que atenda aos seus requisitos). As técnicas principais se repetem entre os fornecedores:
| Técnica | O que fazer |
|---|---|
| Papéis | Coloque as regras no system prompt (ou na mensagem developer) e o pedido na mensagem do usuário |
| Estrutura | Organize o system prompt em identidade, instruções, exemplos e contexto; use títulos Markdown e tags XML para marcar as seções |
| Exemplos | Adicione alguns pares de entrada e saída (few-shot prompting) que cubram casos diferentes |
| Raciocínio | Peça um raciocínio passo a passo (chain of thought) ou use um modelo de raciocínio |
| Formato de saída | Peça um formato fixo ou use saída estruturada quando a API suportar |
| Estabilidade | Fixe uma versão do modelo para que o comportamento não mude sem você saber |
A visão geral da Anthropic recomenda começar por três coisas: critérios de sucesso claros, uma forma de testar contra eles e um primeiro rascunho do prompt. Na prática, isso significa um conjunto de evals.
Um exemplo curto, antes e depois (o prompt continua em inglês: pede um resumo em três tópicos, com problema, impacto no cliente e próximo passo, sem chutar causas):
Before: Summarize this ticket.
After: You summarize support tickets for an engineering team.
Write 3 bullet points: the problem, the customer impact, the next step.
Use the customer's words for error messages. Do not guess at causes.
<ticket>...</ticket>
Para agentes, o prompt é só uma parte de um contexto maior. O post da Anthropic sobre context engineering separa a engenharia de prompt, “methods for writing and organizing LLM instructions” (tradução: métodos para escrever e organizar instruções para LLMs), da engenharia de contexto, que cuida de todo o resto que o modelo vê.
Por que isso importa
- Qualidade sem treinamento. Um prompt melhor é a correção mais barata de testar, antes de fine-tuning ou de um modelo maior.
- Custo. O system prompt é reenviado em toda requisição. Corte o que não muda a saída; veja como reduzir tokens do prompt.
- Migração. Um prompt ajustado para um modelo pode se comportar de outro jeito em outro. Rode de novo o seu conjunto de evals quando trocar.
Na BroadNet Inference
Os modelos de chat da BroadNet aceitam a lista messages padrão do Chat Completions, então os papéis system, user e assistant e os exemplos few-shot funcionam normalmente. Você pode testar prompts no playground antes de escrever código. Para saída em árabe, engenharia de prompt em árabe trata de registro, dialeto, numerais e formatação da direita para a esquerda.
A saída estruturada está documentada para GLM 5.3 e Qwen3.8 27B. No DeepSeek V4.1 Flash, no GLM 5.3 e no Qwen3.8 27B, o raciocínio conta para max_tokens, então um prompt do tipo “think step by step” (pense passo a passo) também precisa de espaço no orçamento.