Guia de Engenharia de Prompt: O Papel da Engenharia de Prompt

Quando surgiu o tema “Engenharia de Prompt”, logo pensei: Mais uma skill que querem empurrar. Hoje, aprendendo sobre o desenvolvimento de Agente de IA pela I2A2 – Institut d’Intelligence Artificielle Appliquée  vejo a grande importância da Engenharia de prompts, não apenas para o desenvolvimento de Agente de IA, mas no dia a dia de trabalho e até de vida pessoal. E veio para ficar.

A engenharia de prompt deixou de ser apenas a “escrita de comandos” para se tornar a arquitetura de pensamento da IA. Em 2026, com o amadurecimento dos agentes autónomos e do raciocínio nativo, as técnicas evoluíram para garantir precisão factual e lógica complexa.

Nesta edição, quero tentar dar um grande resumo sobre engenharia de prompt e uma curadoria rápida sobre o tema, destacando os frameworks PASSEF e COSTAR, com foco na criação de agentes de IA e sua aplicação no dia a dia de profissionais de tecnologia. (Quis dar este foco, por ser o público da newsletter, mas poderia ser qualquer outro tema).

Por que Engenharia de Prompt é Essencial?

A engenharia de prompt é a arte e a ciência de criar comandos precisos para modelos de linguagem (LLMs) como ChatGPT, Gemini e Claude. Para desenvolvedores, ela permite automatizar tarefas como geração de código e depuração. Para gerentes de projeto, otimiza a comunicação com equipes e stakeholders ao criar relatórios ou planos estratégicos. Já líderes técnicos usam prompts para coordenar agentes de IA que analisam dados ou tomam decisões em tempo real. Segundo uma pesquisa no Prompt Engineering Guide (2025), prompts bem estruturados podem reduzir o tempo de iteração em até 40% e minimizar alucinações em LLMs. (https://www.promptingguide.ai/pt).

Os frameworks PASSEF e COSTAR são ferramentas poderosas para estruturar prompts, especialmente na criação de agentes de IA — sistemas que combinam LLMs com memória, ferramentas externas e bases de conhecimento (RAG). Vamos explorar como cada framework pode transformar seu fluxo de trabalho.

PASSEF: Estrutura Técnica para Agentes de IA

O que é? PASSEF (Papel, Ação, Contexto, Exemplo, Formato) é um framework que organiza prompts em cinco componentes, ideal para tarefas técnicas que exigem precisão. Ele é perfeito para desenvolvedores criando agentes de IA ou gerentes de projeto que precisam de relatórios detalhados.

Componentes do PASSEF:

• Papel: Define a persona do agente (ex.: “Você é um desenvolvedor sênior em Python”).
• Ação: Especifica a tarefa (ex.: “Gere um script para analisar logs”).
• Contexto: Fornece o cenário (ex.: “Os logs são de um servidor AWS com erros 404”).
• Exemplo: Inclui modelos de entrada/saída (ex.: “Como: ‘Erro 404 encontrado em 10% das requisições.’”).
• Formato: Determina a apresentação (ex.: “Tabela com 3 colunas: erro, frequência, solução”).

Aplicação no Dia a Dia:

• Desenvolvedores: Use PASSEF para criar agentes que automatizam depuração. Exemplo: um agente que analisa logs de erros e sugere correções em Python, com exemplos de saídas anteriores para maior precisão.
• Gerentes de Projeto: Estruture prompts para gerar cronogramas detalhados. Ex.: “Você é um gerente de projetos PMP. Crie um cronograma para um projeto de 6 meses, com marcos semanais, em formato de tabela.”
• Líderes Técnicos: Desenvolva agentes que monitoram métricas de desempenho, com prompts que especificam o contexto (ex.: “Baseado em dados do Prometheus”) e formato (ex.: “Gráfico em JSON”).

Exemplo Prático:

**Papel**: Você é um desenvolvedor sênior especializado em DevOps.
**Ação**: Crie um script Python para monitorar latência em uma API.
**Contexto**: A API está hospedada na AWS, com métricas no CloudWatch, e latências acima de 200ms são críticas.
**Exemplo**: Exemplo de saída: "Latência média: 150ms; Alertas: 3 excederam 200ms."
**Formato**: Script Python comentado, com saída em JSON.

Saída: Um script que consulta o CloudWatch, calcula latências e retorna um JSON estruturado, pronto para integração.

Dica: Inclua 1-3 exemplos (few-shot learning) para reduzir ambiguidades, mas evite excesso para não aumentar custos computacionais. (https://medium.com/%40williamwarley/mastering-prompt-engineering-a-developers-guide-to-harnessing-ai-effectively-923c3f71a484).

OSTAR: Personalização para Comunicação Estratégica

O que é? COSTAR (Contexto, Objetivo, Estilo, Tom, Audiência, Resposta) foca na adaptação da resposta ao público-alvo, sendo ideal para comunicações estratégicas ou criativas. É amplamente usado por gerentes de projeto e líderes técnicos para apresentações ou relatórios que precisam engajar stakeholders.

Componentes do COSTAR:

• Contexto: Cenário da tarefa (ex.: “Reunião com investidores de uma startup”).
• Objetivo: Propósito do prompt (ex.: “Criar uma apresentação de pitch”).
• Estilo: Abordagem da resposta (ex.: “Técnico e conciso”).
• Tom: Emoção ou atitude (ex.: “Otimista e motivador”).
• Audiência: Público-alvo (ex.: “Investidores não técnicos”).
• Resposta: Formato da saída (ex.: “Slides em tópicos”).

Aplicação no Dia a Dia:

• Desenvolvedores: Use COSTAR para criar documentação técnica que seja clara para equipes não técnicas. Ex.: “Explique um pipeline CI/CD em linguagem simples para gerentes de produto.”
• Gerentes de Projeto: Crie relatórios executivos adaptados a diferentes stakeholders. Ex.: “Você é um gerente de projetos. Resuma o status de um projeto para o conselho, em tom profissional, com gráficos.”
• Líderes Técnicos: Desenvolvam agentes de IA que geram comunicações personalizadas, como e-mails para equipes ou clientes, ajustando o tom (ex.: “Amigável para clientes, formal para diretores”).

Exemplo Prático:

**Contexto**: Uma startup de IA busca investimento em 2025.
**Objetivo**: Criar uma apresentação de pitch de 5 minutos.
**Estilo**: Visual e conciso, com ênfase em dados.
**Tom**: Entusiasmado e confiante.
**Audiência**: Investidores de venture capital com conhecimento básico em tecnologia.
**Resposta**: 5 slides em tópicos: problema, solução, mercado, modelo de negócio, call-to-action.

Saída: Slides estruturados com linguagem acessível, gráficos de mercado e um tom motivador que engaja investidores.

Dica: Use COSTAR para ajustar o tom e estilo ao público, mas teste a saída em diferentes LLMs, pois a interpretação de “entusiasmado” pode variar. (https://portkey.ai/blog/what-is-costar-prompt-engineering).

Pesquisa: Necessidades de Desenvolvedores, Gerentes e Líderes Técnicos

Para garantir que esta newsletter atenda às suas demandas, realizamos uma pesquisa na web e em posts no X, usando prompts estruturados com PASSEF e COSTAR, focando nas dores e prioridades de nosso público-alvo em 2025. Aqui estão os insights:

1. Desenvolvedores: Dor: Dificuldade em integrar LLMs em pipelines de desenvolvimento devido a prompts mal otimizados. Prioridade: Automatizar tarefas repetitivas (ex.: geração de código, testes unitários) com agentes de IA. Exemplo de Prompt (PASSEF):

**Papel**: Você é um especialista em Python e pytest.
**Ação**: Gere testes unitários para uma função de autenticação.
**Contexto**: A função valida JWTs em uma API Flask.
**Exemplo**: Exemplo de teste: "def test_valid_jwt(): assert auth.validate_jwt(token) == True"
**Formato**: Código Python com 3 testes, comentado.

Tendência no X: Desenvolvedores buscam frameworks como LangChain e CrewAI para criar agentes multi-tarefa, com integração a APIs e bases de dados. https://botpress.com/blog/ai-agent-frameworks

Gerentes de Projeto:

• Dor: Falta de ferramentas para traduzir requisitos técnicos em relatórios acessíveis a stakeholders.
• Prioridade: Usar IA para criar cronogramas, relatórios de risco e apresentações executivas.
• Exemplo de Prompt (COSTAR):

**Contexto**: Um projeto de software está na fase de planejamento.
**Objetivo**: Criar um relatório de riscos para o conselho.
**Estilo**: Analítico e estruturado.
**Tom**: Profissional e objetivo.
**Audiência**: Executivos não técnicos.
**Resposta**: Tabela com 5 riscos, impacto, probabilidade e mitigação.

Insight: O framework CPMAI (PMI, 2024) destaca a necessidade de prompts que gerenciem projetos de IA, com foco em dados e comunicação clara. https://thedigitalprojectmanager.com/podcast/beyond-prompts-how-to-use-ai-for-smarter-project-management/

Líderes Técnicos:

• Dor: Coordenação de equipes híbridas e monitoramento de sistemas complexos.
• Prioridade: Agentes de IA que analisam métricas em tempo real e geram relatórios personalizados.
• Exemplo de Prompt (COSTAR):

**Contexto**: Um sistema de e-commerce enfrenta picos de tráfego.
**Objetivo**: Analisar métricas de desempenho e sugerir otimizações.
**Estilo**: Técnico e detalhado.
**Tom**: Solucionador e proativo.
**Audiência**: Equipe de DevOps.
**Resposta**: Relatório em tópicos com 3 otimizações, baseado em dados do Prometheus.

Tendência no X: Líderes buscam agentes com memória de longo prazo e integração com ferramentas como PromptLayer para gerenciar prompts em escala. https://www.promptlayer.com/

Metodologia da Pesquisa:

• Prompt PASSEF para Web: “Você é um pesquisador de mercado. Analise tendências em engenharia de prompt para desenvolvedores, gerentes e líderes técnicos em 2025. Contexto: Foco em agentes de IA. Exemplo: ‘Tendência: automação de testes com LLMs.’ Formato: Lista de 5 tendências com fontes.”
• Prompt COSTAR para X: “Contexto: Comunidade tech no X. Objetivo: Identificar dores e prioridades de desenvolvedores e gerentes usando IA. Estilo: Resumido. Tom: Neutro. Audiência: profissionais de tecnologia. Resposta: 3 insights com exemplos.”
• Fontes: Incluímos Prompt Engineering Guide, AWS Machine Learning Blog, Medium e posts no X, filtrando por relevância e data: https://aws.amazon.com/pt/blogs/machine-learning/implementing-advanced-prompt-engineering-with-amazon-bedrock/

Como Criar Agentes de IA com PASSEF e COSTAR

Agentes de IA são sistemas que combinam LLMs com memória, ferramentas externas (ex.: APIs) e bases de conhecimento (RAG). Aqui está um passo a passo para criá-los usando PASSEF e COSTAR:

1. Defina o Papel do Agente (PASSEF): Ex.: “Você é um agente de suporte técnico que analisa tickets de clientes.” Use PASSEF para especificar a ação (ex.: “Classificar tickets por prioridade”) e contexto (ex.: “Tickets em JSON de uma plataforma SaaS”).
2. Personalize a Comunicação (COSTAR): Ajuste o tom e estilo para a audiência. Ex.: Para clientes, use um tom amigável; para desenvolvedores, técnico. Ex.: “Contexto: Tickets de suporte. Objetivo: Responder ao cliente. Tom: Empático. Audiência: Usuários não técnicos. Resposta: E-mail com solução.”
3. Integre Ferramentas e Memória: Use RAG para carregar bases de conhecimento (ex.: manuais técnicos). Exemplo de prompt: “Acesse o manual em PDF anexado e responda à dúvida do cliente.” Configure memória para lembrar interações anteriores, reduzindo redundâncias.
4. Teste e Itere: Use PromptLayer para versionar e testar prompts, comparando saídas em diferentes LLMs. https://library.westpoint.edu/GenAI/prompting

Exemplo de Agente:

• Cenário: Um agente que automatiza respostas a tickets de suporte.
• Prompt PASSEF: “Você é um agente de suporte nível 2. Classifique tickets em alta/média/baixa prioridade. Contexto: Tickets em CSV com campos ‘descrição’ e ‘urgência’. Exemplo: ‘Alta: Sistema fora do ar.’ Formato: JSON com prioridade e justificativa.”
• Prompt COSTAR: “Contexto: Resposta a clientes. Objetivo: Enviar e-mail com solução. Estilo: Claro. Tom: Amigável. Audiência: Clientes. Resposta: E-mail com 3 parágrafos.”
• Resultado: Um agente que classifica tickets e envia respostas personalizadas, integrado a uma base de conhecimento via RAG.

Dicas Práticas para o Dia a Dia

1. Automatize Tarefas Repetitivas: Desenvolvedores: Crie agentes para gerar boilerplate code ou documentação com PASSEF. Gerentes: Use COSTAR para relatórios semanais adaptados a diferentes equipes.
2. Reduza Custos Computacionais: Divida prompts complexos em etapas (chain-of-thought) para minimizar tokens.
3. Segurança e Privacidade: Anonimize dados sensíveis (ex.: substitua nomes por IDs). Inclua restrições como “Não armazene histórico” para proteger informações.
4. Iteração Interativa: Siga o conselho de Ethan Mollick (2023): interaja com o LLM, ajustando prompts com base nas saídas.

1. Frameworks de Estruturação (Fundamentos)

Para quem está a começar, os frameworks PASSEF e COSTAR continuam a ser a base para garantir que o modelo tem todo o contexto necessário.

PASSEF (Papel, Ação, Contexto, Exemplo, Formato)

Ideal para tarefas técnicas e automação de código.

• Exemplo: “Atua como Sénior Full Stack (Papel), refatora este código NestJS (Ação) considerando uma arquitetura de microsserviços (Contexto), seguindo este padrão de Clean Code (Exemplo) e devolve apenas o bloco de código TypeScript (Formato).”

COSTAR (Contexto, Objetivo, Estilo, Tom, Audiência, Resposta)

Focado em comunicação, marketing e gestão de projetos.

• Uso: Excelente para alinhar a “voz” da IA com a identidade da marca ou as necessidades dos stakeholders.

2. Técnicas de Raciocínio Lógico (Aprofundamento)

Quando o problema exige múltiplos passos, as técnicas de 2022 ainda entregam resultados impressionantes, especialmente em modelos de processamento rápido.

Least-to-Most Prompting (Do Menor para o Maior)

Desenvolvida por pesquisadores da Google, esta técnica foca em decompor o problema.

• O Problema: Modelos falham ao tentar resolver tudo de uma vez.

• A Solução: Dividir em subproblemas. Primeiro, pergunta-se a variável “A”, depois usa-se “A” para descobrir “B”.

• Resultado: A precisão no GPT-3 saltou de 16% para 99% em testes de lógica complexa.

Chain-of-Verification (CoVe – Corrente de Verificação)

Focada em eliminar alucinações factuais através de um método investigativo:

1. Resposta Inicial: O modelo gera uma afirmação.

2. Perguntas de Verificação: O modelo cria questões para desafiar a própria resposta.

3. Execução: O modelo responde a essas perguntas isoladamente.

4. Relatório Final: Cruza os dados e entrega apenas o que foi verificado.

3. O Estado da Arte: O que há de novo em 2025-2026?

O campo moveu-se para sistemas adaptativos e raciocínio “latente”.

Adaptive Graph of Thoughts (AGoT)

Superando a “corrente” linear, o AGoT permite que a IA organize pensamentos num grafo.

• Vantagem: Se um caminho de raciocínio falha, o modelo volta ao nó anterior e tenta uma nova rota sem perder o progresso das outras ramificações.

• Impacto: Essencial para arquitetura de sistemas e depuração de erros em cascata.

System 2 Attention (S2A)

Focado na limpeza de viés. O modelo é instruído a reescrever o seu prompt original antes de responder, removendo opiniões irrelevantes ou pistas falsas inseridas pelo utilizador. É o equivalente a “parar e pensar objetivamente” antes de falar.

Raciocínio Latente (Modelos o1, o3 e DeepSeek-R1)

Em 2026, modelos de “raciocínio nativo” fazem milhares de verificações internas antes de exibir qualquer texto.

• Nova Técnica: Em vez de dar passos manuais, o engenheiro de prompt agora fornece metadados de restrição e testes unitários conceituais dentro do prompt para guiar o “pensamento invisível” do modelo.

4. Tabela Comparativa de Performance

Conclusão: De Prompt Engineer a Context Architect

A evolução mostra que não basta saber “pedir”. É preciso saber arquitetar o contexto. Seja a usar o MCP (Model Context Protocol) para ligar a IA à sua base de dados em tempo real, ou a aplicar S2A para garantir objetividade, o papel do profissional de TI agora é desenhar o ambiente onde a inteligência pode florescer sem erros.

PS: Para não dizerem que não falei sobre JavaScript… rs:

https://www.linkedin.com/embeds/publishingEmbed.html?articleId=8337192880595919904