Padrões de Engenharia de Prompts

Domine técnicas avançadas de engenharia de prompts para maximizar o desempenho, confiabilidade e controlabilidade de modelos de linguagem.

Não use esta competência quando

• A tarefa não está relacionada a padrões de engenharia de prompts
• Você precisa de um domínio ou ferramenta diferente fora deste escopo

Instruções

• Esclareça objetivos, restrições e inputs necessários.
• Aplique as melhores práticas relevantes e valide resultados.
• Forneça passos acionáveis e verificação.
• Se exemplos detalhados forem necessários, abra resources/implementation-playbook.md.

Use esta competência quando

• Projetando prompts complexos para aplicações LLM em produção
• Otimizando desempenho e consistência de prompts
• Implementando padrões de raciocínio estruturado (chain-of-thought, tree-of-thought)
• Construindo sistemas few-shot learning com seleção dinâmica de exemplos
• Criando templates de prompts reutilizáveis com interpolação de variáveis
• Depurando e refinando prompts que produzem outputs inconsistentes
• Implementando system prompts para assistentes de IA especializados

Capacidades Principais

1. Few-Shot Learning

• Estratégias de seleção de exemplos (similaridade semântica, amostragem de diversidade)
• Equilibrando quantidade de exemplos com restrições de janela de contexto
• Construindo demonstrações eficazes com pares input-output
• Recuperação dinâmica de exemplos de bases de conhecimento
• Tratamento de casos extremos por meio de seleção estratégica de exemplos

2. Chain-of-Thought Prompting

• Elicitação de raciocínio passo a passo
• Zero-shot CoT com "Let's think step by step"
• Few-shot CoT com rastros de raciocínio
• Técnicas de auto-consistência (amostragem de múltiplos caminhos de raciocínio)
• Etapas de verificação e validação

3. Otimização de Prompts

• Fluxos de refinamento iterativo
• Testes A/B de variações de prompts
• Medição de métricas de desempenho de prompts (acurácia, consistência, latência)
• Redução de uso de tokens mantendo qualidade
• Tratamento de casos extremos e modos de falha

4. Sistemas de Template

• Interpolação de variáveis e formatação
• Seções de prompt condicionais
• Templates de conversas multi-turno
• Composição de prompts baseada em papéis
• Componentes modulares de prompts

5. Design de System Prompt

• Definição de comportamento e restrições do modelo
• Definição de formatos e estrutura de output
• Estabelecimento de papel e expertise
• Diretrizes de segurança e políticas de conteúdo
• Definição de contexto e informações de background

Início Rápido

from prompt_optimizer import PromptTemplate, FewShotSelector

# Define a structured prompt template
template = PromptTemplate(
    system="You are an expert SQL developer. Generate efficient, secure SQL queries.",
    instruction="Convert the following natural language query to SQL:\n{query}",
    few_shot_examples=True,
    output_format="SQL code block with explanatory comments"
)

# Configure few-shot learning
selector = FewShotSelector(
    examples_db="sql_examples.jsonl",
    selection_strategy="semantic_similarity",
    max_examples=3
)

# Generate optimized prompt
prompt = template.render(
    query="Find all users who registered in the last 30 days",
    examples=selector.select(query="user registration date filter")
)

Padrões-Chave

Progressive Disclosure (Divulgação Progressiva)

Comece com prompts simples, adicione complexidade apenas quando necessário:

1. Nível 1: Instrução direta

   • "Resuma este artigo"

2. Nível 2: Adicione restrições

   • "Resuma este artigo em 3 tópicos, focando em descobertas principais"

3. Nível 3: Adicione raciocínio

   • "Leia este artigo, identifique as descobertas principais, depois resuma em 3 tópicos"

4. Nível 4: Adicione exemplos

   • Inclua 2-3 resumos exemplo com pares input-output

Hierarquia de Instruções

[System Context] → [Task Instruction] → [Examples] → [Input Data] → [Output Format]

Recuperação de Erros

Construa prompts que tratam falhas graciosamente:

• Inclua instruções de fallback
• Solicite scores de confiança
• Peça interpretações alternativas quando incerto
• Especifique como indicar informações faltantes

Melhores Práticas

1. Seja Específico: Prompts vagos produzem resultados inconsistentes
2. Mostre, Não Conte: Exemplos são mais eficazes que descrições
3. Teste Extensivamente: Avalie em inputs diversos e representativos
4. Itere Rapidamente: Pequenas mudanças podem ter impactos grandes
5. Monitore Desempenho: Rastreie métricas em produção
6. Controle de Versão: Trate prompts como código com versionamento adequado
7. Documente Intenção: Explique por que prompts são estruturados de determinada forma

Armadilhas Comuns

• Over-engineering: Começar com prompts complexos antes de tentar os simples
• Poluição de exemplos: Usar exemplos que não correspondem à tarefa alvo
• Overflow de contexto: Exceder limites de tokens com exemplos excessivos
• Instruções ambíguas: Deixar espaço para múltiplas interpretações
• Ignorar casos extremos: Não testar em inputs incomuns ou limítrofes

Padrões de Integração

Com Sistemas RAG

# Combine retrieved context with prompt engineering
prompt = f"""Given the following context:
{retrieved_context}

{few_shot_examples}

Question: {user_question}

Provide a detailed answer based solely on the context above. If the context doesn't contain enough information, explicitly state what's missing."""

Com Validação

# Add self-verification step
prompt = f"""{main_task_prompt}

After generating your response, verify it meets these criteria:
1. Answers the question directly
2. Uses only information from provided context
3. Cites specific sources
4. Acknowledges any uncertainty

If verification fails, revise your response."""

Otimização de Desempenho

Eficiência de Tokens

• Remova palavras e frases redundantes
• Use abreviações consistentemente após primeira definição
• Consolide instruções similares
• Mova conteúdo estável para system prompts

Redução de Latência

• Minimize comprimento do prompt sem sacrificar qualidade
• Use streaming para outputs de formato longo
• Cache prefixos de prompts comuns
• Batch requisições similares quando possível

Recursos

• references/few-shot-learning.md: Análise profunda em seleção e construção de exemplos
• references/chain-of-thought.md: Técnicas avançadas de elicitação de raciocínio
• references/prompt-optimization.md: Fluxos de refinamento sistemático
• references/prompt-templates.md: Padrões de templates reutilizáveis
• references/system-prompts.md: Design de prompts em nível de sistema
• assets/prompt-template-library.md: Templates de prompts já testados em produção
• assets/few-shot-examples.json: Datasets de exemplos curados
• scripts/optimize-prompt.py: Ferramenta de otimização de prompts automatizada

Métricas de Sucesso

Rastreie estes KPIs para seus prompts:

• Acurácia: Correção dos outputs
• Consistência: Reprodutibilidade entre inputs similares
• Latência: Tempo de resposta (P50, P95, P99)
• Uso de Tokens: Tokens médios por requisição
• Taxa de Sucesso: Percentual de outputs válidos
• Satisfação do Usuário: Avaliações e feedback

Próximos Passos

1. Revise a biblioteca de templates de prompts para padrões comuns
2. Experimente few-shot learning para seu caso de uso específico
3. Implemente versionamento de prompts e testes A/B
4. Configure pipelines de avaliação automatizados
5. Documente suas decisões e aprendizados em engenharia de prompts