Como escrever um bom prompt: a estrutura que quase sempre funciona

Você digita "escreva um e-mail para o meu chefe" e recebe algo genérico, morno, com pontos de exclamação demais. Você apaga. Digita de novo, agora com detalhes: quem você é, o que aconteceu, que tom quer, quantas linhas. E desta vez dá certo. A resposta serve. Você não trocou de modelo entre uma tentativa e outra. Você mudou o prompt.

Quase todo mundo culpa a IA quando a resposta falha. E às vezes tem razão. Mas muito mais vezes o problema é que pedimos como quem grita uma ordem de outro cômodo: rápido, incompleto, esperando que o outro adivinhe o resto. O modelo não adivinha. Preenche lacunas com o mais provável, que costuma ser o mais sem graça.

01 · o problemaPor que um prompt vago dá uma resposta vaga

Um modelo de linguagem não conhece você, não viu o que você viu e não sabe para que você precisa da resposta. Só tem as palavras que você escreveu. Se essas palavras são poucas e ambíguas, o modelo tem que supor quase tudo: quem fala, para quem, com que intenção, em que formato. E quando supõe, escolhe o caminho mais batido.

Pense em "como escrever um bom prompt" como dar instruções a alguém muito capaz mas recém chegado, que não compartilha o seu contexto. A um colega de anos você diz "o relatório de sempre" e sai certo. A alguém no primeiro dia você tem que dizer qual relatório, para quem, com que dados e em que formato. O modelo é sempre o do primeiro dia.

O modelo não lê a sua mente. Lê as suas palavras. Tudo o que você não disser, ele inventa.

Por isso a solução não é "escrever mais bonito", e sim escrever mais completo. E para não depender da inspiração, convém ter uma estrutura fixa que você possa preencher sempre igual.

02 · a receitaPapel, contexto, tarefa, formato e exemplo

Há um modelo que aparece, com nomes diferentes, em quase todos os guias sérios de prompting. A comunidade às vezes o resume como "RTF" ou "CRAFT"; o importante não é a sigla, e sim as cinco peças. Eu as ordeno como convém escrevê las.

Papel. Diga ao modelo de que papel ele deve responder. "Aja como um editor de estilo exigente" produz um texto muito diferente de "aja como um amigo que me anima". O papel define o tom, o vocabulário e até o que ele considera relevante.

Contexto. É a peça que mais gente esquece e a que mais muda o resultado. Aqui vai o que o modelo não pode saber: quem você é, com quem você fala, o que aconteceu antes, que restrições você tem. "Escrevo para um chefe com pouco tempo que já conhece o projeto" evita que ele devolva três parágrafos de introdução que ninguém vai ler.

Tarefa. O verbo concreto. Não "me ajude com o e-mail", e sim "redija um e-mail que peça uma prorrogação de dois dias e proponha uma nova data". Um verbo claro e um objetivo mensurável reduzem a ambiguidade quase a zero.

Formato. Como você quer a saída: extensão, estrutura, tom. "Em no máximo 5 linhas, sem saudações longas, tom cordial mas direto." Se você não pedir, o modelo escolhe por você, e costuma escolher demais.

Exemplo. Opcional mas poderoso. Mostrar uma amostra do que você espera (um e-mail de que você gostou, uma tabela no formato certo) orienta o modelo melhor do que muitas frases de instrução. Ensinar com exemplos é conhecido como few-shot prompting, e os próprios pesquisadores desses modelos mostraram que bastam poucas amostras para mudar muito a resposta [2].

Em 2020, a equipe liderada por Tom Brown mostrou com o GPT-3 que um modelo grande podia resolver tarefas novas apenas vendo alguns exemplos dentro do próprio prompt, sem retreiná lo [2]. Essa descoberta é a razão pela qual hoje funciona algo tão simples como colar "aqui estão três e-mails de que gostei, escreva um parecido".

03 · antes e depoisO mesmo pedido, dois resultados

A teoria se entende melhor com um caso. Suponha que você precisa explicar um atraso a um cliente. Compare como você pede.

O prompt pobre vai te dar um e-mail correto mas genérico, que serve igual para qualquer atraso de qualquer empresa. O estruturado vai te dar um que soa como a sua situação, com o comprimento que você pode enviar sem editar. Mesmo modelo, mesmo dia. A única diferença foi quanto você disse a ele.

04 · o hábitoTransforme a receita em algo repetível

O valioso de uma estrutura fixa é que ela deixa de depender da sua memória. Você pode guardar um modelo em uma nota e preenchê lo: "Você é [papel]. Contexto: [situação]. Tarefa: [verbo + objetivo]. Formato: [extensão e tom]. Exemplo: [amostra opcional]." Com isso, escrever um bom prompt para o ChatGPT deixa de ser questão de sorte e passa a ser um passo a passo que você repete igual toda vez.

E há um segundo hábito, ainda mais simples: se a primeira resposta não acerta o alvo, não comece do zero. Diga o que corrigir. "Mais curto." "Menos formal." "Tire a saudação." O modelo mantém o fio e ajusta. Uma conversa de três mensagens costuma ganhar de um único prompt perfeito que você tentou adivinhar de uma vez.

Um bom prompt raramente sai de primeira. Sai de um bom molde e duas correções.

Não prometo que a estrutura resolva tudo: há tarefas em que o modelo simplesmente não sabe, e nenhuma receita conserta isso. Mas para 90 % do cotidiano (e-mails, resumos, ideias, rascunhos) a diferença entre frustração e utilidade quase nunca está no modelo. Está em se você deu a ele papel, contexto, tarefa, formato e, quando ajuda, um exemplo. Essa é a parte que você de fato controla.