Skip to Content
ConceitosPrompts

Prompts

Definição

No contexto de Modelos de Linguagem de Grande Escala (LLMs), um prompt é a entrada textual fornecida ao modelo para orientá-lo na geração de uma saída específica.
Em outras palavras, é a forma como comunicamos ao modelo o que queremos que ele faça, definindo contexto, instruções e restrições.

Um prompt pode variar de uma frase simples a um conjunto estruturado de instruções com exemplos, regras e contexto detalhado.

Por que os Prompts são Importantes?

A qualidade do resultado de um LLM depende fortemente da qualidade do prompt.
Como os modelos não têm conhecimento explícito do objetivo final do usuário, o prompt é responsável por:

  • Definir contexto: Explica a situação ou tarefa que o modelo deve resolver.
  • Reduzir ambiguidades: Quanto mais claro o prompt, menor a chance de respostas irrelevantes.
  • Controlar formato da resposta: Podemos instruir para gerar texto, listas, tabelas, código, etc.
  • Aumentar a precisão: Prompts bem projetados ajudam a alinhar a saída com os requisitos do usuário.

Componentes Comuns de um Prompt

  • Contexto: Informações que ajudam o modelo a entender a tarefa.
  • Instrução: O que deve ser feito (ex.: “Explique…”, “Crie um resumo…”, “Gere código em Python…”).
  • Formato de saída: Estrutura esperada (ex.: Markdown, JSON, texto corrido).
  • Exemplos (opcional): Demonstrações para orientar o comportamento do modelo (prompting few-shot).

Exemplos de Técnicas de Prompt

Existem diversas técnicas já consolidadas para a criação de prompts melhores. Essas técnicas são mais exploradas no que chamamos de Engenharia de Prompt, mas abaixo estão alguns exemplos de técnicas simples de prompts:

  • Zero-shot Prompting: Apenas instruções, sem exemplos.
    Exemplo:

    Explique o conceito de Machine Learning em poucas palavras.

  • Few-shot Prompting: Inclui alguns exemplos para guiar a resposta.
    Exemplo:

    Traduza para inglês:

    1. Olá → Hello
    2. Como vai você? → How are you?
    3. Bom dia →

  • Chain-of-Thought (CoT): Solicita que o modelo explique o raciocínio passo a passo antes da resposta final.
    Exemplo:

    Resolva o problema e mostre o raciocínio: Qual é 12 * 8?

  • Dynamic Few-shot Prompting : Insere exemplos contextualmente relevantes para o ‘few-shot’. Basicamente, usa RAG para encontrar os melhores exemplos para cada pedido de usuário e os insere no prompt.
    Exemplo:

    Dados os seguintes exemplos:

    1. (RAG 1st example) Quem é você? → Who are you?
    2. (RAG 2nd example) Meu nome é Joe → My name is Joe

    Traduza para inglês: Qual o seu nome?

Engenharia de Prompt

A engenharia de prompts é uma disciplina relativamente nova que visa desenvolver e otimizar prompts e utilizar eficientemente as LLMs para uma ampla variedade de aplicativos e tópicos de pesquisa. As habilidades de engenharia de prompt ajudam a entender melhor os recursos e as limitações das LLMs.

Existem diversos cursos e sites que ensinam sobre engenharia de prompt e técnicas avançadas para prompt, mas algumas recomendações são:

Boas Práticas para Criar Prompts

  • Seja claro e específico: Reduza ambiguidades.
  • Indique formato de saída: Ex.: “Responda em Markdown com título e subtítulos”.
  • Forneça contexto suficiente: Quanto mais complexo o problema, mais contexto é necessário.
  • Teste e refine iterativamente: Ajuste o prompt até atingir resultados consistentes.
LLMTools