Glossário de engenharia de prompt

Definições curtas + um exemplo pronto para copiar por termo. Escolha um e abra.

Comece por aqui

Este glossário cobre os conceitos que mais costumam quebrar prompts: ambiguidade, falta de delimitadores, saída inconsistente ou alucinações. Cada termo traz uma definição curta e um exemplo pronto para copiar.

Se você precisa de saídas estritas, comece pelo JSON estrito. Se quer adaptar os prompts a cada IA, veja os prompts por modelo.

System prompt
A camada de instruções que o modelo trata como de maior prioridade: seu papel, suas regras e seus limites para a conversa inteira.
Ver termo →
Few-shot prompting
Incluir de um a cinco exemplos resolvidos no prompt para que o modelo copie o formato, o tom e o nível de detalhe deles.
Ver termo →
Delimitadores
Marcadores como aspas triplas, títulos ou tags no estilo XML que separam as suas instruções do texto com o qual o modelo deve trabalhar.
Ver termo →
Restrições
Limites explícitos e verificáveis para a resposta — tamanho, tom, escopo, fontes permitidas, afirmações proibidas, stack — que a mantêm útil.
Ver termo →
Temperatura
Um parâmetro de amostragem que controla o quanto as escolhas de palavras do modelo são aleatórias: valores mais baixos são mais estáveis; valores mais altos, mais variados.
Ver termo →
Alucinações
Saída fluente e confiante que é falsa ou não tem respaldo — fatos, números, citações ou fontes inventados — apresentada como se fosse verdade.
Ver termo →
Injeção de prompt
Um ataque em que instruções escondidas no conteúdo que o modelo lê — uma página web, um e-mail, um documento — tentam se sobrepor às suas.
Ver termo →
JSON schema
Uma descrição formal do formato de um documento JSON — chaves, tipos, campos obrigatórios, valores permitidos — usada para restringir e validar a saída do modelo.
Ver termo →
Role prompting
Atribuir ao modelo um papel — editor, tutor, auditor — junto com os critérios que esse papel deve aplicar, para definir o tom e as expectativas.
Ver termo →
Avaliação
Testar um prompt em um conjunto fixo de entradas e pontuar as saídas com base em critérios de aceitação, para que as melhorias possam ser medidas em vez de supostas.
Ver termo →
Zero-shot prompting
Pedir a um modelo que faça uma tarefa só com a instrução, sem exemplos, contando com o que ele já aprendeu no treinamento.
Ver termo →
Janela de contexto
A quantidade máxima de texto, contada em tokens, que um modelo consegue receber e produzir em uma única requisição.
Ver termo →
Chain-of-thought prompting
Pedir a um modelo que percorra etapas intermediárias de raciocínio antes de dar a resposta final, o que ajuda em problemas de várias etapas.
Ver termo →
Encadeamento de prompts (prompt chaining)
Dividir uma tarefa complexa em uma sequência de prompts menores, em que a saída de cada etapa vira a entrada da seguinte.
Ver termo →
Saída estruturada
Fazer o modelo responder em um formato fixo e legível por máquina — JSON, uma tabela, campos identificados — em vez de prosa livre.
Ver termo →
Tokens
Os pedaços de texto — palavras inteiras, partes de palavras ou pontuação — que um modelo lê e escreve; os limites de contexto e os preços são contados neles.
Ver termo →
Top-p (nucleus sampling)
Um parâmetro de amostragem que limita a escolha da próxima palavra ao menor conjunto de tokens cujas probabilidades somam p.
Ver termo →
Geração aumentada por recuperação (RAG)
Um padrão em que trechos relevantes são recuperados de uma fonte de conhecimento e colocados no prompt para que o modelo responda a partir deles.
Ver termo →
Prompt negativo (negative prompting)
Dizer ao modelo o que evitar — um tom, uma afirmação, um formato, um assunto — junto com o que fazer, para descartar de forma explícita a saída indesejada.
Ver termo →
Engenharia de contexto
Decidir que informação entra no contexto do modelo — instruções, documentos, exemplos, histórico, resultados de ferramentas — e em que ordem e forma.
Ver termo →