Prompt (modelo de linguagem)

Prompt (do inglês prompt — "sugestão" ou "solicitação de texto"), no contexto de modelos de linguagem grandes (LLMs), é o texto de entrada ou a instrução que um usuário fornece ao modelo para gerar a resposta desejada. O prompt formula a tarefa para o modelo, incluindo as condições, o contexto e os exemplos necessários. A eficácia do desempenho do modelo depende em grande parte da qualidade do prompt elaborado.

A disciplina que estuda os métodos de desenvolvimento e otimização de solicitações de texto é chamada de engenharia de prompts (prompt engineering). Seu objetivo é obter das modelos de IA respostas o mais relevantes, precisas e seguras possível. Um prompt bem elaborado define a "rota" para o modelo executar a tarefa, ajudando a especificar o contexto necessário e o resultado desejado.

História da abordagem

A ideia de controlar o comportamento de LLMs por meio de prompts de texto evoluiu à medida que as capacidades dos próprios modelos cresciam.

Estágios iniciais (GPT-2)

Já em 2019, pesquisadores da OpenAI demonstraram que grandes modelos de linguagem pré-treinados, como o GPT-2, eram capazes de resolver novas tarefas sem treinamento adicional, se fossem formuladas como texto. O trabalho "Language Models are Unsupervised Multitask Learners" marcou uma mudança fundamental: em vez de ajustar o modelo para cada tarefa, tornou-se suficiente formular uma instrução clara na entrada.

Avanço com o GPT-3 e o In-Context Learning

O verdadeiro avanço ocorreu com o lançamento do modelo GPT-3 em 2020. Com 175 bilhões de parâmetros, o GPT-3 demonstrou a capacidade de aprendizagem em contexto (in-context learning) — assimilar uma nova tarefa "em tempo real" a partir de alguns exemplos fornecidos diretamente no texto do prompt. Este modo de operação foi denominado few-shot learning ("aprendizagem com poucos exemplos") e mostrou que o escalonamento do tamanho do modelo leva a um desempenho de alta qualidade em tarefas de PNL sem qualquer ajuste fino dos pesos.

Surgimento do Chain-of-Thought (CoT)

O desenvolvimento posterior em 2022 esteve relacionado à melhoria da capacidade dos modelos para o raciocínio lógico complexo. Foram propostos prompts especiais no formato de cadeia de pensamentos (chain-of-thought prompting). Nesses prompts, o modelo recebe não apenas a pergunta, mas também um exemplo de raciocínio sequencial e passo a passo antes da resposta. Isso aumentou notavelmente a precisão das soluções em tarefas aritméticas e lógicas. A pesquisa de Kojima e colegas mostrou que o modelo pode ser estimulado a raciocinar mesmo sem exemplos (zero-shot), simplesmente adicionando a frase "Vamos pensar passo a passo" ao final do prompt.

Prompts multimodais

O conceito de prompts expandiu-se para além do texto. Em 2022, com o surgimento de modelos como DALL-E 2 e Stable Diffusion, as solicitações dos usuários em linguagem natural tornaram-se uma interface universal para a geração de imagens e, posteriormente, de música e vídeo.

Tipos e técnicas de aplicação de prompts

Existem vários tipos e técnicas principais de prompts, que são frequentemente combinados.

Zero-shot prompting (Solicitação direta)

O modelo recebe apenas uma instrução ou pergunta sem nenhum exemplo. Neste modo, o LLM se baseia em seu conhecimento geral adquirido durante o pré-treinamento. É adequado para tarefas simples, como tradução ou resumo de texto.

Few-shot prompting (Aprendizagem com exemplos)

Além da instrução, o prompt inclui um ou mais exemplos com entradas e saídas esperadas. O modelo "aprende em tempo real" com esses exemplos e aplica a lógica assimilada à nova solicitação. Este método, que implementa o in-context learning, aumenta significativamente a precisão em tarefas onde um formato ou estilo de resposta específico é importante.

Cadeia de pensamentos (Chain-of-Thought, CoT)

Um tipo especial de prompt para tarefas que exigem raciocínio complexo (matemática, lógica). No prompt, é incluída uma análise passo a passo ou um plano de solução antes da resposta final. Isso força o modelo a estruturar explicitamente o processo de raciocínio, o que melhora significativamente a qualidade do resultado.

Ajuste de prompts (Prompt Tuning)

Uma técnica em que, em vez de escrever manualmente o prompt, é utilizada uma sugestão otimizada automaticamente. O prompt é representado como um conjunto de tokens treináveis especiais (um vetor contínuo) que é adicionado à solicitação do usuário. Treinando apenas este pequeno vetor-prompt, é possível adaptar um grande modelo "congelado" a uma nova tarefa com custos computacionais mínimos.

Engenharia de prompts como disciplina

Surgimento da profissão

O crescimento das capacidades dos LLMs levou ao surgimento de uma nova especialização: o engenheiro de prompts. Esses especialistas desenvolvem e depuram os prompts de texto para obter o comportamento desejado da IA. Os engenheiros de prompts utilizam conhecimentos em linguística, lógica e psicologia para estruturar os dados de entrada da maneira mais eficaz. Em 2022-2023, surgiram as primeiras vagas para esta posição, refletindo a alta demanda por habilidades de interação eficaz com sistemas de IA.

Futuro da profissão e automação

A área está se desenvolvendo rapidamente, e seu futuro é objeto de debate. Pesquisas de 2024, por exemplo, da VMware, mostraram que a própria IA é capaz de encontrar formulações de prompts eficazes por meio de tentativa, erro e otimização, muitas vezes superando as humanas. Isso gerou a opinião de que a engenharia de prompts manual pode ser um fenômeno temporário, e com o tempo, ferramentas para seleção automática de prompts se tornarão padrão. No entanto, em 2025, a expertise em engenharia de prompts continua sendo muito requisitada.

Áreas de aplicação

• Processamento de Linguagem Natural: Tarefas clássicas de PLN, como resumo automático de documentos, tradução automática, resposta a perguntas e extração de informações.
• Chatbots e assistentes virtuais: Os prompts ajudam a definir o papel, o estilo de comunicação e o formato das respostas, tornando os sistemas de diálogo mais consistentes e úteis.
• Geração de código: Modelos como o OpenAI Codex são capazes de escrever código de programação a partir de descrições em linguagem natural, o que acelera o desenvolvimento.
• Análise de dados: Com o auxílio de prompts, é possível configurar o modelo para extrair insights de relatórios de texto não estruturados ou gerar hipóteses.
• Educação: Criação de tutores inteligentes que geram tarefas, explicam conceitos complexos e verificam respostas, levando em consideração o nível de preparação do aluno.
• Indústrias criativas: Geração de textos, imagens artísticas, música e roteiros a partir de descrições detalhadas.

Uso malicioso e vulnerabilidades (Prompt Injection)

A natureza aberta da interface dos LLMs levou ao surgimento de uma nova classe de ataques — a injeção de prompt (prompt injection). Um invasor formula um prompt malicioso especial que força o modelo a violar suas instruções originais ou a divulgar informações ocultas. Especialistas consideram isso uma variação de um ataque do tipo "injeção de código", onde, em vez de código, são "injetadas" no sistema instruções de texto maliciosas.

Tipos de ataques

• Jailbreak: Um ataque que permite ao modelo "escapar" das restrições impostas (por exemplo, políticas de moderação) e gerar conteúdo proibido. Um exemplo conhecido é o prompt DAN (Do Anything Now), que forçava o ChatGPT a responder sem censura.
• Prompt Leaking: Um prompt especial que força o modelo a revelar fragmentos de seu prompt de sistema oculto.
• Token Smuggling: Uma instrução maliciosa é disfarçada como uma parte inofensiva do prompt (por exemplo, um trecho de código) para contornar filtros e provocar um comportamento indesejado.

Esses ataques representam um problema sério, pois os métodos tradicionais de cibersegurança não estão bem adaptados para ameaças relacionadas à interpretação de linguagem natural.

Literatura

• Radford, A. et al. (2019). Language Models are Unsupervised Multitask Learners. PDF.
• Brown, T. B. et al. (2020). Language Models are Few-Shot Learners. arXiv:2005.14165.
• Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903.
• Wang, X. et al. (2022). Self-Consistency Improves Chain of Thought Reasoning in Language Models. arXiv:2203.11171.
• Kojima, T. et al. (2022). Large Language Models are Zero-Shot Reasoners. arXiv:2205.11916.
• Li, X. L.; Liang, P. (2021). Prefix-Tuning: Optimizing Continuous Prompts for Generation. arXiv:2101.00190.
• Liu, Y. et al. (2021). Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity. arXiv:2104.08786.
• Chang, K. et al. (2024). Efficient Prompting Methods for Large Language Models: A Survey. arXiv:2404.01077.
• Li, Z. et al. (2024). Prompt Compression for Large Language Models: A Survey. arXiv:2410.12388.
• Genkina, D. (2024). AI Prompt Engineering Is Dead. IEEE Spectrum. [5].
• Li, W. et al. (2025). A Survey of Automatic Prompt Engineering: An Optimization Perspective. arXiv:2502.11560.
• Wu, Z. et al. (2025). The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models. EMNLP 2025. PDF.