Prompt Guide

# GUIA COMPLETO DE ENGENHARIA DE PROMPTS
## Para LLM, LLMOps, ML, MLOps — Técnicas Clássicas, Avançadas e Projeções até 2030
### Referência técnica para Anthropic (Claude Opus 4.6), OpenAI (ChatGPT 5.2 / ChatGPT 5.2 Code), xAI (Grok 4.1), Google (Gemini 3)

> **Como usar este guia:** As técnicas estão agrupadas em categorias lógicas.
> Cada entrada segue o formato: `Nome (Sigla se houver)` → Descrição → Exemplo prático.

# CATEGORIA 1: TÉCNICAS FUNDAMENTAIS (BASE)

**"Zero-Shot Prompting":**
Instrui o modelo a realizar uma tarefa sem fornecer exemplos, dependendo inteiramente do conhecimento adquirido no pré-treinamento. Funciona bem em modelos grandes e bem treinados para tarefas genéricas. Amplamente usado pelo ChatGPT, Claude e Gemini como ponto de partida padrão.
Exemplo: `"Classifique o sentimento do texto a seguir como Positivo, Neutro ou Negativo. Texto: 'O produto chegou danificado.' Sentimento:"`

**"One-Shot Prompting":**
Fornece exatamente um exemplo de entrada e saída antes da tarefa real, ajudando o modelo a calibrar o formato e o padrão esperado sem a verbosidade do few-shot completo.
Exemplo: `"Pergunta: Qual é a capital da França? Resposta: Paris. Pergunta: Qual é a capital do Japão? Resposta:"`

**"Few-Shot Prompting":**
Fornece entre 2 a 8 pares de exemplos (entrada → saída) no prompt para guiar o modelo. Melhora fortemente precisão em tarefas de classificação, tradução e geração formatada. Usado extensivamente nas APIs da OpenAI e Anthropic em produção.
Exemplo: Incluir 3 pares de reviews com labels (Positivo/Negativo) antes de classificar uma nova review. Formato: `"Review: 'Ótimo produto.' → Positivo\nReview: 'Péssima qualidade.' → Negativo\nReview: 'Entrega rápida.' →"`

**"System Prompt / Instrução de Sistema":**
Define o comportamento, persona, restrições e contexto do modelo antes de qualquer interação com o usuário, via campo `system` da API. É o pilar da maioria dos produtos LLM em produção. Anthropic enfatiza este campo para controle de comportamento do Claude.
Exemplo: `System: "Você é um assistente jurídico brasileiro. Responda apenas sobre legislação brasileira, em linguagem formal, e sempre inclua um aviso de que não substitui consultoria jurídica."`

**"Role Prompting" (Persona Prompting):**
Atribui ao modelo uma identidade ou papel específico para calibrar o estilo, o tom e a profundidade das respostas. Usado em quase todos os produtos comerciais sobre LLM.
Exemplo: `"Você é um engenheiro sênior de segurança da informação com 20 anos de experiência em pentesting. Analise o seguinte código Python e liste possíveis vulnerabilidades:"`

**"Instruction Prompting" (Prompt Instrucional):**
Forma direta e imperativa de dar instruções ao modelo, comum em modelos instruction-tuned como ChatGPT 5.2, Claude Opus 4.6 e Gemini 3. O prompt é uma instrução clara em vez de uma pergunta ou completação.
Exemplo: `"Reescreva o parágrafo a seguir em tom formal, reduzindo para no máximo 3 frases, sem perder as informações principais: [PARÁGRAFO]"`

**"Contextual Prompting" (Prompting com Contexto Rico):**
Fornece ao modelo toda a informação de contexto relevante (documentos, dados, histórico) antes da instrução. Reduz alucinações ao ancorar a resposta em dados reais fornecidos. Base do RAG e de aplicações de Q&A sobre documentos.
Exemplo: `"Com base apenas nas informações abaixo, responda a pergunta. Não use conhecimento externo.\n\nContexto: [TEXTO DO DOCUMENTO]\n\nPergunta: Qual é a política de reembolso da empresa?"`

**"Output Format Specification" (Especificação de Formato de Saída):**
Instrui o modelo a retornar a resposta em formato específico (JSON, XML, Markdown, tabela, lista numerada, YAML). Fundamental em LLMOps para integração com sistemas downstream.
Exemplo: `"Retorne os dados extraídos APENAS como JSON válido com os campos: nome, email, cargo. Não inclua explicações. Texto: [TEXTO]"`

**"Delimiter-Based Prompting" (Uso de Delimitadores):**
Usa separadores visuais como `"""`, `###`, `<tag>`, `===`, ou `---` para demarcar blocos distintos no prompt (instrução, contexto, entrada, saída esperada). Reduz confusão do modelo sobre onde começa a tarefa.
Exemplo: