Fonte: imagem produzida pelo ChatGPT com prompts do redator.
Veja algumas estratégias de linguagem para escrever prompts mais precisos
Redator: Heitor Augusto Colli Trebien
Para obtermos alguma resposta dos sistemas de inteligência artificial generativa (ou qualquer outro), precisamos elaborar uma pergunta.
A pergunta pode ou não nos levar aonde queremos. Para atingirmos o objetivo almejado, devemos aprimorar o nosso prompt (comando, pergunta ou instrução) para atrair o melhor resultado possível.
Na maioria dos casos, é necessário fazer mais de uma pergunta, para filtrar melhor os múltiplos resultados possíveis. Segundo a documentação da Microsoft (2025), a tarefa de construção de uma pergunta pode ser mais difícil do que imaginamos, e se parece mais com uma arte do que com uma ciência. A sua experiência no assunto e a intuição muitas vezes pesam mais para elaborar perguntas que tragam bons resultados.
Entretanto, algumas estratégias podem ajudar a acelerar o processo e melhorar a sua experiência de interação com um sistema.
Como os modelos de IA generativa funcionam?
Os sistemas buscam prever a continuação da pergunta feita. Então, por exemplo, se digo: “Preciso de algumas sugestões para nomes de cachorros” o sistema irá buscar em sua própria base de dados ou em alguma base de dados ao qual esteja conectado, como a internet, para trazer a resposta.
No caso do chatGPT, ele me forneceu uma diversidade de nomes, sugerindo nomes clássicos e fofos, divertidos e criativos, com pegada chique, baseados em cachorros famosos ou de filmes e nomes inspirados na natureza.
Interessante notar que, neste caso, eu não havia pedido tantas segmentações, mas mesmo assim ele me forneceu. Isso se deve a ampla base de dados, informações, interações e atualizações fornecidas ao sistema.
Uma dica importante é: precisamos pensar um pouco não só como usuário, mas como desenvolvedores do sistema. Se eu fosse um programador, como responderia tal pergunta? – Isso nos ajuda a produzir melhores prompts que possivelmente trarão melhores resultados.
Quando entendemos como um sistema funciona, fica mais fácil manuseá-lo e aproveitar melhor os recursos disponíveis.
Probabilidade: a essência da resposta
Um conceito importante para compreendermos é o de probabilidade. Probabilidade é a área da matemática que busca compreender, por meio de uma quantificação, a chance de um evento ocorrer.
Assim, existe uma chance entre 0 e 1 de ocorrência de um evento, sendo 0 um evento nulo e 1 totalmente capaz ou coerente de acontecer. Mas em sistemas de IA, o mais comum é obtermos números fracionários entre o espectro de 0 e 1, como 0,5 ou 0,7.
Ou seja, a sua pergunta é medida pelo sistema, que calcula a melhor resposta até o momento, oferecendo um índice de confiança baseado no padrão combinatório de pergunta e de resposta. Quanto mais próximo de 1, em tese mais precisa será a resposta, quando mais próximo de zero, mais imprecisa.
Por mais que um sistema seja preciso e forneça respostas adequadas, o que ele faz é responder com base em probabilidade. Isto é: ele analisa a frequência das palavras utilizadas e filtra as respostas mais frequentes nesse contexto. Precisamos atualizar regularmente o modo como as perguntas são feitas e as próprias respostas, para que correspondam cada vez melhor às solicitações.
Por mais que a resposta tenha sido muito boa, ela é uma probabilidade, que com o tempo pode ser alterada. Sabemos que as instruções (ou prompts) que oferecemos precisam, também, passar por refinamentos, assim como as respostas.
Instruções: quais são os tipos de instruções que podemos dar?
-
Simples e complexa
A Microsoft (2025) descreve que existem dois tipos de instruções ou comandos (prompts) – os simples e os complexos. O simples é, por exemplo, a pergunta que fiz no início do texto:
“Preciso de algumas sugestões para nomes de cachorros”.
A versão complexa dessa pergunta poderia ser:
“Preciso de algumas sugestões para nomes de cachorros. Considere que meu cachorro é uma fêmea, tem 3 meses de idade e é uma vira-lata caramelo. Gostaria de um nome fofo para ela, que fosse fácil de transformar em um apelido carinhoso.”
Esse prompt é mais complexo, pois envolve várias características a serem consideradas, exigindo mais trabalho da máquina e dos funcionários para corresponder com precisão. Nesse caso, o chatGPT me respondeu não só com os nomes, mas com as possibilidades de apelidos carinhosos, como: Melina (Mel, Meli, Melinha); Canela (Cacá, Nelinha, Lela); Luna (Lulú, Lu, Luninha); Bibi (Bibizinha, Bibinha), entre vários outros.
Também segmentou por características, como nomes inspirados em doces, classificados como delicados, fofinhos e engraçadinhos com jeito carismático. Nota-se como o chatGPT conseguiu agregar várias informações a partir do que foi instruído.
-
Conteúdo primário
Existem ainda os prompts de conteúdo primário, que envolvem os de tradução, revisão e resumo, por exemplo:
“Traduza o seguinte texto para mim: Preciso de algumas sugestões para nomes de cachorros”.
ou
“Resuma este parágrafo do livro: …”
O conteúdo primário é a ação de traduzir e resumir, e não de responder a pergunta ou o parágrafo em si. O mesmo vale para revisão de
texto e outras atividades.
- One-shot ou few-shot
Os exemplos descritos até então são do tipo one-shot (uma tentativa), isto é, colocamos a pergunta e o sistema precisa adivinhar, de uma vez, o que queremos. Mas existem casos em que podemos dar alguns exemplos de resposta que queremos, como os fews-shots (algumas tentativas):
“Preciso enviar um lembrete de cobrança a um cliente. Use o seguinte exemplo e me traga variações dele:
‘Bom dia fulano, percebemos aqui que o boleto referido à julho não foi pago. Podemos enviar a parcela via WhatsApp ou prefere realizar uma ligação para negociarmos a dívida?’”
O chatGPT, novamente, ofereceu diversas opções, considerando as características de variação neutra e educada, leve e gentil, objetiva com foco em facilitar, com tom de parceria e mais informal e acessível.
Em um contexto de comunicação automática, essa técnica permitiu a reformulação da pergunta e trouxe variações de resposta para o chatbot, o que ajuda a deixar a interação mais natural e fluida no dia a dia.
Algumas sugestões no estilo de escrita
Tente produzir a instrução ou comando de modo claro, e se possível, adicione parágrafos para facilitar a compreensão da informação. O sistema funciona de forma similar a uma planilha do excel, na qual ele lê cada linha separadamente e responde cada uma delas. Essa divisão textual ajuda também a dividir a resposta de acordo com a complexidade do seu prompt.
Se for necessário, insira informações extras que ajudem a caracterizar a sua necessidade, assim o sistema poderá filtrar o que mais se aproxima da documentação ou informação oferecida.
Ofereça um contexto, para que ele possa buscar melhor a resposta para aquela necessidade. Ainda, outra sugestão é usar o mesmo chat, caso precise tirar várias dúvidas sobre um mesmo tópico. Aquela conversa já estará treinada naquele contexto, o que pode melhorar as respostas.
Tente ser o mais descritivo e explicativo possível, e escreva na ordem direta do texto, para simplificar a compreensão por parte da máquina. Se possível, resuma as instruções também, isso ajuda a encontrar o melhor resultado.
Se gostou deste tema, leia nosso artigo: Desafios da criação de sistemas conversacionais, centrados em humanos para conhecer um pouco mais sobre a complexidade de criar sistemas interativos.
Até a próxima!
Velip: a inteligência artificial que te conecta com o futuro
Referência
Microsoft. Técnicas de engenharia de prompts. Learn, 2 jul. 2025. Disponível em: https://learn.microsoft.com/pt-br/azure/ai-foundry/openai/concepts/prompt-engineering?tabs=chat. Acesso em: 25 jul. 2025.