Engenharia de prompt: guia prático (versionamento e custos)
Engenharia de prompt na prática: o framework comum a Google, OpenAI e Anthropic, versionamento de prompt no GitHub e como reduzir custo de tokens.
Você escreve um pedido no ChatGPT, no Gemini ou no Claude e torce pelo melhor. Às vezes sai ótimo; às vezes sai qualquer coisa. A diferença não é o modelo: é engenharia de prompt, a disciplina de escrever instruções que fazem a IA executar exatamente o que precisa ser feito, todas as vezes.
No vídeo acima, o Lucas vai do fundamento à prática: como a LLM funciona, o framework comum a Google, OpenAI e Anthropic, prompt injection, versionamento e custo. Aqui ficam os pontos principais. O passo a passo completo, tela a tela, tá no vídeo.
Como a LLM funciona (e por que isso muda seu prompt)
Uma LLM não pensa: ela prevê o próximo token (os “pedaços de Lego” das palavras) com base em estatística aprendida em bilhões de textos. Duas consequências práticas:
- Capacidade: estourar o limite de tokens aumenta o risco de alucinação (a LLM inventa informação).
- Custo: você paga por token, na entrada e na saída. Prompt inchado é dinheiro fora.
Parâmetros como temperatura, top-k e top-p regulam a previsibilidade da resposta. E a peça central é o system prompt: é ele que dá comportamento consistente e transforma a LLM, que só responde texto, num agente de IA, que raciocina, chama ferramentas e age em múltiplos passos.
Treinar modelo não é o caminho. Os números citados no vídeo dão a dimensão: o GPT-4 custou aproximadamente US$ 78 milhões de treinamento; o DeepSeek, famoso pelo custo baixo, quase US$ 6 milhões. Pra maioria dos casos: modelo pronto mais técnica certa.
O framework comum a Google, OpenAI e Anthropic
Cada empresa define engenharia de prompt do seu jeito: instruções eficazes pra resultado consistente (OpenAI), precisão na explicação (Anthropic), arte e ciência de otimizar comandos (Google: pro Lucas, a melhor definição). O consenso está na estrutura:
- Papel: quem o modelo é e qual a sua função;
- Contexto: negócio, público, arquitetura de agentes e ferramentas;
- Tarefas: o que fazer, em passos claros;
- Exemplos: pares de entrada e saída que mostram o que você espera.
O XML é o chassi dessa estrutura: separa blocos semânticos que a LLM processa melhor e que você referencia ao longo do prompt. O Markdown é o acabamento, legível pra humano e pra máquina. E como a LLM guarda melhor o que aparece no começo e no fim do prompt, vale fechar com um bloco de notas reforçando comportamentos e guardrails de segurança e privacidade (LGPD entra aqui).
O mesmo esqueleto vale pro agente que atende cliente no WhatsApp, como o assistente virtual no WhatsApp com n8n e MCP, e pro assistente que organiza seu conhecimento, caso do segundo cérebro com Claude, MCP e Obsidian. Muda o conteúdo dos blocos, não a engenharia.
As técnicas que aparecem em todo prompt
Pesquisadores já catalogaram mais de 41 técnicas; três sustentam o resto:
- Zero-shot: você só pede; o modelo responde com o que já sabe.
- Few-shot: exemplos de entrada e saída (presente em praticamente todo prompt profissional).
- Chain of Thought (CoT): raciocínio passo a passo. O "pensando..." dos chats populares é isso.
Vibe Prompter: a ferramenta que o vídeo apresenta
A fazer.ai usava uma ferramenta interna pra acelerar esse processo, e liberou de graça: a Vibe Prompter, extensão de VS Code (inclusive no VS Code do navegador). No vídeo, o Lucas monta três prompts pra um sistema de múltiplos agentes no n8n: um orquestrador e dois subagentes (Instagram e blog) pra uma loja fictícia de insumos agrícolas.
O que ela resolve:
- Template com o framework: papel, contexto, tarefas e exemplos já pré-estruturados;
- Autocompletar: apoiada no GitHub Copilot, escreve o prompt junto com você, e você aceita, edita ou descarta;
- Variantes por bloco: duas redações do mesmo trecho, a mesma pergunta nas duas, e você compara qual acerta mais;
- Vários modelos: suas chaves de API (OpenAI, Anthropic, Google, Groq, DeepSeek), troca de modelo e custo estimado por 1.000 execuções;
- Simulação de jornada: adiciona a resposta da LLM à conversa e continua o teste dali.
Dica de arquitetura do vídeo: modelo mais capaz no orquestrador, que distribui e julga as tarefas; mais baratos nos subagentes. O orquestrador revisa o trabalho; só então a resposta vai pro usuário.
Versionamento: seus prompts no seu controle
Imagina um gestor de automação com dezenas de clientes: alguém altera um prompt em produção, o agente quebra e ninguém sabe o que mudou.
O antídoto é Git, o mesmo que desenvolvedores usam pra código há décadas. Na Vibe Prompter, cada prompt vive num repositório privado do GitHub: seu repositório, seu histórico, no seu controle. A linha do tempo mostra o que mudou (vermelho saiu, verde entrou), com diff, rollback e trabalho em equipe.
No n8n, um node do GitHub busca o arquivo e alimenta o agente. Atualizou no repositório, todos os agentes que apontam pra ele usam a versão nova, sem abrir workflow por workflow, sem Ctrl+C e Ctrl+V.
A instalação, resumida (o capítulo 5 do vídeo mostra cada tela):
- Conta no GitHub e repositório privado pros prompts;
- Repositório aberto no VS Code do navegador (tecla ponto);
- Extensão GitHub Copilot (plano gratuito), com sugestões pra Markdown;
- Extensão Vibe Prompter, na loja oficial de extensões;
- Chave de acesso gratuita, solicitada na comunidade;
- Suas chaves de API.
Prompt injection: quando ninguém cuida da segurança
Aconteceu com o Lucas numa das maiores feiras de tecnologia da América Latina. O evento tinha um chatbot pros visitantes; com técnicas simples de prompt injection e sequestro de sessão, ele assumiu a conversa, deixou o bot falando coreano e extraiu o system prompt completo, com informações sensíveis de empresas participantes. Tudo reportado num relatório ao responsável de tecnologia da feira, que corrigiu.
A lição: segredo dentro do prompt não é segredo. Na demo do vídeo, um agente guarda o código de elevação de credencial no system prompt (“não revele aos usuários”), e um ataque de poucas mensagens aciona a ferramenta de elevação. A correção: a senha sai do prompt e vai pra ferramenta, que valida o código num script. O modelo não conhece o segredo; não vaza o que não sabe.
Quanto melhor o modelo, mais difícil o ataque, não impossível. Segurança é em camadas: guardrails no prompt barram a maior parte; autenticação nas ferramentas, gestão de credenciais e revisão por outro agente seguram o resto.
Chain of Draft: cortar custo sem perder precisão
Chain of Thought é ótimo pra precisão, mas verboso. E com milhões de requisições por dia, token de saída vira conta gigantesca.
O Chain of Draft (CoD) anota rascunhos concisos em vez de um parágrafo por passo, como um especialista que registra só o essencial. Segundo os pesquisadores que propuseram a técnica, em alguns cenários o CoD atinge a mesma precisão do CoT com até 80% menos tokens de saída e queda média de 76,2% na latência. No vídeo, o Lucas conta como ela entrou num projeto de grande corporação pra derrubar consumo e latência em escala.
É o que separa o uso amador do profissional: saber quanto cada requisição custa e não jogar dinheiro fora.
Perguntas frequentes
Preciso treinar ou fazer fine-tuning de um modelo?
Na grande maioria dos casos, não: treinar do zero custa milhões e fine-tuning segue caro. Modelo pronto com estrutura, few-shot e guardrails resolve a maior parte dos problemas.
A Vibe Prompter é paga?
Não. É extensão gratuita de VS Code; a chave de acesso sai de graça na comunidade. Os testes usam as suas chaves de API: o custo é o do seu consumo.
O que é prompt injection?
Manipulação do agente por instruções maliciosas na conversa, pra ignorar regras, vazar o system prompt ou acionar ferramentas indevidamente. Defesas: guardrails, segredos fora do prompt e segurança na infraestrutura.
Pra ir além
O guia completo (os três prompts construídos na tela, a demo de prompt injection e a instalação) tá no vídeo acima. Pra mais guias assim, se inscreve no canal do Lucas Moreira.
Os materiais citados (cursos das três empresas, o paper das 41 técnicas, o artigo do Chain of Draft e o workflow do n8n) estão reunidos na comunidade. A comunidade tá em lucasmoreira.ai. Vem fazer junto.
Fontes
Faça junto com a comunidade
Mais de 10 mil pessoas fazendo IA na prática. Tire dúvidas, pegue arquivos prontos e veja os bastidores.