Engenharia de prompt é a prática de projetar e refinar as entradas em linguagem natural fornecidas a um modelo de IA generativa, a fim de produzir de forma confiável uma saída desejada. Ela emergiu como uma habilidade distinta e, brevemente, como um título de cargo, após a ampla adoção de grandes modelos de linguagem, uma vez que o mesmo modelo subjacente pode produzir resultados marcadamente diferentes dependendo de como uma tarefa é formulada, estruturada e enquadrada.
Técnicas
Técnicas comuns de engenharia de prompt incluem fornecer exemplos resolvidos diretamente no prompt, conhecido como aprendizado com poucos exemplos, em oposição a dar apenas uma instrução, conhecido como aprendizado com zero exemplos. O prompting de encadeamento de raciocínio, introduzido em um artigo de 2022, pede que o modelo produza etapas intermediárias de raciocínio antes de sua resposta final, o que demonstrou melhorar substancialmente o desempenho em tarefas aritméticas e lógicas para modelos suficientemente grandes. Outras técnicas incluem atribuir ao modelo uma persona ou papel, especificar um formato de saída explícito e dividir uma tarefa complexa em uma sequência de prompts menores. Muitas dessas técnicas dependem do aprendizado no contexto, a capacidade de um modelo de linguagem de ajustar seu comportamento com base nas informações presentes no prompt, sem qualquer alteração em seus pesos subjacentes.
Emergência como disciplina
O interesse em engenharia de prompt cresceu rapidamente após o lançamento do GPT-3 em 2020, cujo forte desempenho com poucos exemplos tornou o design de prompts uma alavanca prática para construir aplicações sem retreinar um modelo, e acelerou ainda mais após o lançamento do ChatGPT em 2022, que trouxe o prompting conversacional a um público em massa. Técnicas distintas foram desenvolvidas para diferentes casos de uso, desde prompts de sistema estruturados que configuram a persona e as restrições de um assistente, até prompts elaborados em múltiplas etapas usados para direcionar modelos de raciocínio e sistemas de agentes de IA em tarefas complexas.
Debate sobre durabilidade
Comentaristas têm debatido se a engenharia de prompt constitui uma disciplina duradoura ou uma habilidade transitória que diminuirá à medida que os modelos se tornarem melhores em inferir a intenção do usuário a partir da linguagem comum. Os defensores argumentam que, à medida que os modelos recebem mais ferramentas, contexto mais longo e mais autonomia, especificar com precisão instruções, restrições e critérios de sucesso só aumenta em importância. Os céticos rebatem que grande parte do que passava por engenharia de prompt em modelos anteriores e menos capazes, como enquadramentos elaborados de role-play ou ênfase repetida, tornou-se desnecessária à medida que modelos mais novos seguem instruções simples de forma mais confiável. Em 2025, alguns profissionais começaram a usar o termo mais amplo engenharia de contexto para descrever a disciplina de selecionar não apenas um único prompt, mas o conjunto completo de informações, exemplos e acesso a ferramentas que um modelo utiliza, refletindo a mudança em direção a sistemas agentivos que operam ao longo de múltiplas interações, em vez de uma única troca.
Dimensão de segurança
Como os prompts são o canal principal pelo qual o comportamento de um modelo é direcionado, a engenharia de prompt tem uma contraparte defensiva na técnica adversária do jailbreak, em que um prompt é deliberadamente elaborado para contornar o treinamento de segurança de um modelo, em vez de realizar uma tarefa legítima.