Otimizador de Prompts para LLM

Visão Geral

Esta habilidade transforma prompts fracos, vagos ou inconsistentes em instruções de engenharia de precisão que produzem resultados de alta qualidade de forma confiável em qualquer LLM (Claude, Gemini, GPT-4, Llama, etc.). Ela aplica frameworks sistemáticos de engenharia de prompts — de zero-shot a few-shot, chain-of-thought e padrões de saída estruturada.

Quando Usar Esta Habilidade

• Use quando um prompt retorna resultados inconsistentes, vagos ou alucinados
• Use quando você precisa de saída estruturada/JSON de um LLM de forma confiável
• Use ao projetar prompts de sistema para agentes de IA ou chatbots
• Use quando você quer reduzir o uso de tokens sem sacrificar a qualidade
• Use ao implementar raciocínio chain-of-thought para tarefas complexas
• Use quando prompts funcionam em um modelo, mas falham em outro

Guia Passo a Passo

1. Diagnosticar o Prompt Fraco

Antes de otimizar, identifique qual padrão de problema se aplica:

2. Aplicar o Framework RSCIT

Todo prompt otimizado deve ter:

• R — Role (Papel): Quem é a IA nesta interação?
• S — Situation (Situação): Qual contexto ela precisa?
• C — Constraints (Restrições): Quais são as regras e limites?
• I — Instructions (Instruções): O que exatamente ela deve fazer?
• T — Template (Modelo): Como a saída deve parecer?

Antes (prompt fraco):

Explain machine learning.

Depois (prompt otimizado):

You are a senior ML engineer explaining concepts to a junior developer.

Context: The developer has 1 year of Python experience but no ML background.

Task: Explain supervised machine learning in simple terms.

Constraints:
- Use an analogy from everyday life
- Maximum 200 words
- No mathematical formulas
- End with one actionable next step

Format: Plain prose, no bullet points.

3. Padrão Chain-of-Thought (CoT)

Para tarefas de raciocínio, instrua o modelo a pensar passo a passo:

Solve this problem step by step, showing your work at each stage.
Only provide the final answer after completing all reasoning steps.

Problem: [your problem here]

Thinking process:
Step 1: [identify what's given]
Step 2: [identify what's needed]
Step 3: [apply logic or formula]
Step 4: [verify the answer]

Final Answer:

4. Padrão de Exemplos Few-Shot

Forneça 2-3 exemplos para estabelecer o padrão:

Classify the sentiment of customer reviews as POSITIVE, NEGATIVE, or NEUTRAL.

Examples:
Review: "This product exceeded my expectations!" -> POSITIVE
Review: "It arrived broken and support was useless." -> NEGATIVE  
Review: "Product works as described, nothing special." -> NEUTRAL

Now classify:
Review: "[your review here]" ->

5. Padrão de Saída JSON Estruturada

Extract the following information from the text below and return it as valid JSON only.
Do not include any explanation or markdown — just the raw JSON object.

Schema:
{
  "name": string,
  "email": string | null,
  "company": string | null,
  "role": string | null
}

Text: [input text here]

6. Padrão para Reduzir Alucinações

Answer the following question based ONLY on the provided context.
If the answer is not contained in the context, respond with exactly: "I don't have enough information to answer this."
Do not make up or infer information not present in the context.

Context:
[your context here]

Question: [your question here]

7. Técnicas de Compressão de Prompts

Reduza a contagem de tokens sem perder eficácia:

# Verbose (expensive)
"Please carefully analyze the following code and provide a detailed explanation of 
what it does, how it works, and any potential issues you might find."

# Compressed (efficient, same quality)
"Analyze this code: explain what it does, how it works, and flag any issues."

Melhores Práticas

• ✅ Fazer: Sempre especificar o formato de saída (JSON, markdown, texto puro, lista com marcadores)
• ✅ Fazer: Usar delimitadores (```, ---) para separar instruções do conteúdo
• ✅ Fazer: Testar prompts com casos extremos (entrada vazia, dados incomuns)
• ✅ Fazer: Versionar seus prompts de sistema em controle de versão

…