Padrões de Engenharia de Prompt

Domine técnicas avançadas de engenharia de prompt para maximizar o desempenho, a confiabilidade e a controlabilidade de LLMs.

Quando Usar Esta Habilidade

• Projetar prompts complexos para aplicações de LLM em produção
• Otimizar o desempenho e a consistência dos prompts
• Implementar padrões de raciocínio estruturado (cadeia de pensamento, árvore de pensamento)
• Construir sistemas de aprendizado com poucos exemplos (few-shot learning) com seleção dinâmica de exemplos
• Criar modelos de prompt reutilizáveis com interpolação de variáveis
• Depurar e refinar prompts que produzem resultados inconsistentes
• Implementar prompts de sistema para assistentes de IA especializados
• Usar saídas estruturadas (modo JSON) para análise confiável

Capacidades Principais

1. Aprendizado com Poucos Exemplos (Few-Shot Learning)

• Estratégias de seleção de exemplos (similaridade semântica, amostragem de diversidade)
• Equilibrar a contagem de exemplos com as restrições da janela de contexto
• Construir demonstrações eficazes com pares de entrada-saída
• Recuperação dinâmica de exemplos de bases de conhecimento
• Lidar com casos extremos através da seleção estratégica de exemplos

2. Prompting de Cadeia de Pensamento (Chain-of-Thought)

• Solicitação de raciocínio passo a passo
• CoT zero-shot com "Vamos pensar passo a passo"
• CoT few-shot com rastros de raciocínio
• Técnicas de autoconsistência (amostragem de múltiplos caminhos de raciocínio)
• Etapas de verificação e validação

3. Saídas Estruturadas

• Modo JSON para análise confiável
• Aplicação de esquema Pydantic
• Tratamento de resposta com segurança de tipo
• Tratamento de erros para saídas malformadas

4. Otimização de Prompt

• Fluxos de trabalho de refinamento iterativo
• Testes A/B de variações de prompt
• Medição de métricas de desempenho de prompt (precisão, consistência, latência)
• Redução do uso de tokens mantendo a qualidade
• Lidar com casos extremos e modos de falha

5. Sistemas de Modelos (Templates)

• Interpolação e formatação de variáveis
• Seções de prompt condicionais
• Modelos de conversação multi-turno
• Composição de prompt baseada em papéis
• Componentes de prompt modulares

6. Design de Prompt de Sistema

• Definir comportamento e restrições do modelo
• Definir formatos e estrutura de saída
• Estabelecer papel e especialidade
• Diretrizes de segurança e políticas de conteúdo
• Definição de contexto e informações de fundo

Início Rápido

from langchain_anthropic import ChatAnthropic
from langchain_core.prompts import ChatPromptTemplate
from pydantic import BaseModel, Field

# Define structured output schema
class SQLQuery(BaseModel):
    query: str = Field(description="The SQL query")
    explanation: str = Field(description="Brief explanation of what the query does")
    tables_used: list[str] = Field(description="List of tables referenced")

# Initialize model with structured output
llm = ChatAnthropic(model="claude-sonnet-5")
structured_llm = llm.with_structured_output(SQLQuery)

# Create prompt template
prompt = ChatPromptTemplate.from_messages([
    ("system", """You are an expert SQL developer. Generate efficient, secure SQL queries.
    Always use parameterized queries to prevent SQL injection.
    Explain your reasoning briefly."""),
    ("user", "Convert this to SQL: {query}")
])

# Create chain
chain = prompt | structured_llm

# Use
result = await chain.ainvoke({
    "query": "Find all users who registered in the last 30 days"
})
print(result.query)
print(result.explanation)

Padrões detalhados e exemplos práticos

A documentação detalhada dos padrões está em references/details.md. Leia este arquivo quando o nível de navegação acima for insuficiente.

Melhores Práticas

1. Seja Específico: Prompts vagos produzem resultados inconsistentes
2. Mostre, Não Apenas Descreva: Exemplos são mais eficazes que descrições
3. Use Saídas Estruturadas: Aplique esquemas com Pydantic para confiabilidade
4. Teste Exaustivamente: Avalie em entradas diversas e representativas
5. Itere Rapidamente: Pequenas mudanças podem ter grandes impactos
6. Monitore o Desempenho: Acompanhe métricas em produção
7. Controle de Versão: Trate prompts como código com versionamento adequado
8. Documente a Intenção: Explique por que os prompts são estruturados da maneira que são

Armadilhas Comuns

• Excesso de Engenharia: Começar com prompts complexos antes de tentar os simples
• Poluição de Exemplos: Usar exemplos que não correspondem à tarefa alvo
• Estouro de Contexto: Exceder os limites de tokens com exemplos excessivos
• Instruções Ambíguas: Deixar espaço para múltiplas interpretações
• Ignorar Casos Extremos: Não testar em entradas incomuns ou de limite
• Sem Tratamento de Erros: Assumir que as saídas serão sempre bem formatadas
• Valores Fixos (Hardcoded): Não parametrizar prompts para reutilização

Métricas de Sucesso

…