Pare de redigitar prompts: modelos, personas e exemplos de poucas fotos

Todo mundo que usa um modelo de linguagem regularmente tem o mesmo problema arqueológico: em algum lugar no histórico de bate-papo está o prompt que produziu exatamente o resultado que você queria, três semanas atrás, e você não consegue encontrá-lo. Então você redigita uma aproximação, chega a algo próximo e ajusta – sempre, para a mesma tarefa recorrente. A solução não é uma memória melhor. É tratar um prompt que funciona como um artefato que você guarda.

Separe o que muda do que não muda

Observe um prompt que você executa semanalmente e encontrará duas partes. Há uma parte estável — a função, as restrições, o formato de saída, as coisas que você deseja evitar — e uma parte variável, que geralmente é um documento e dois ou três detalhes. Redigitar sempre a parte estável é de onde vem o desvio: cada redigitação é um pouco diferente e você nunca sabe se a saída mudou porque sua entrada mudou ou porque você reformulou uma instrução sem querer.

Escreva uma vez com espaços reservados. O modelo de prompt pega um modelo com {{placeholder}} marcadores e uma lista de key = value pares e preenche-os. Armazene o modelo, forneça os valores e cole o resultado. A parte estável agora é idêntica em bytes a cada execução, o que torna suas diferenças de saída significativas — e, como benefício colateral, mantém o cache de prompt do provedor funcionando, já que o cache depende de um prefixo inalterado.

Vale a pena ter alguns espaços reservados mesmo quando você acha que não precisa deles: o público, a duração da saída, o formato e o tom. Esses são exatamente os parâmetros que você acaba corrigindo em uma mensagem de acompanhamento, e um acompanhamento custa uma viagem de ida e volta extra completa de toda a conversa.

O bloco de personalidade

A parte estável geralmente abre com uma descrição de quem o modelo deveria ser. Escrito casualmente, isso termina como três frases vagas que fazem menos do que as pessoas imaginam. Escrito deliberadamente, é a parte de maior aproveitamento do prompt, porque define padrões para tudo que você não especifica posteriormente.

O que realmente ajuda: um papel específico, em vez de um papel lisonjeiro (“um editor técnico que corta 30% de cada rascunho” supera “um especialista em redação de classe mundial”), o público e seu nível, um formato de produção explícito e – o que é mais subestimado – uma pequena lista de coisas a não fazer. As restrições negativas não são glamorosas e funcionam: "sem preâmbulo, sem resumo no final, sem listas com marcadores com mais de cinco itens" elimina os três aborrecimentos mais comuns em uma linha.

O Gerador de prompt de personalidade de IA monta esse bloco a partir de alguns campos, para que o resultado tenha sempre a mesma estrutura, em vez de depender do que você pensou. Mantenha o bloco montado em suas anotações e reutilize-o como cabeçalho de cada modelo que compartilha um público.

Exemplos vencem adjetivos

Quando a tarefa é uma transformação com um estilo específico – reescrever respostas de suporte, extrair campos, classificar tickets, converter notas em um formato interno – as instruções estabilizam rapidamente. Você pode escrever três parágrafos sobre o tom desejado e obter um resultado quase correto de uma forma que você não consegue articular. Dois exemplos resolvidos corrigem isso imediatamente, porque o modelo pode ver o mapeamento em vez de inferi-lo a partir da descrição.

A formatação é mais importante aqui do que as pessoas esperam. Os exemplos precisam de delimitadores consistentes, rótulos consistentes e sempre a mesma ordem de campo, ou o modelo gasta atenção trabalhando na convenção em vez do conteúdo. O construtor de prompt de poucos disparos gera um modelo em branco com blocos de entrada/saída numerados para que a estrutura seja fixada antes de você começar a preenchê-la - que é justamente a disciplina que falta aos exemplos escritos à mão no terceiro.

Três regras práticas. Use dois a cinco exemplos; além disso, você está pagando tokens por retornos decrescentes. Inclua um caso extremo – um campo vazio, uma entrada ambígua, algo que deveria produzir a resposta “Não sei” – porque os exemplos definem os limites tanto quanto o centro. E torne os exemplos reais: os inventados tendem a ser mais organizados do que os dados reais, e o modelo aprende a organização.

Quando a entrada é maior que a janela

Um modelo sobrevive ao contato com um documento longo somente se o documento couber. Quando isso não acontece, dividir é a resposta, e dividir bem é uma questão de limites do pedaço: um pedaço que termina no meio da frase força o modelo a adivinhar, e um pedaço que termina no meio do registro produz uma extração parcial que será relatada com segurança como completa.

O divisor de alerta divide o texto em partes sequenciais sob um limite de caracteres definido, quebrando limites razoáveis e numerando as partes, para que cada uma possa sair com o mesmo bloco de instruções anexado. Duas coisas tornam os resultados dramaticamente melhores: indique o total na instrução de cada bloco ("parte 3 de 7, não resuma até a última parte") e mantenha a instrução idêntica em todos os blocos, em vez de editá-la conforme avança.

Explore sua própria história

A melhor fonte de modelos são os prompts que você já escreveu e que funcionaram. As transcrições de bate-papo copiadas de uma interface da web são uma bagunça – funções intercaladas, artefatos de interface do usuário, carimbos de data e hora, botões de cópia renderizados como texto perdido – e essa bagunça é a razão pela qual ninguém volta a lê-los.

O Analisador de log de bate-papo AI limpa uma transcrição de ChatGPT ou Claude colada em um diálogo organizado de usuário/assistente que você pode realmente ler e pesquisar. Uma vez por semana, execute as sessões que produziram algo que você usou, retire os prompts que funcionaram e transforme-os em modelos. Esse é um hábito de quinze minutos que se acumula mais rápido do que qualquer conselho imediato de engenharia.

Trate os prompts como código

Três práticas que as pessoas eventualmente adotam e devem adotar desde o início:

• Versão deles. Mantenha os prompts em arquivos, no repositório, ao lado do código que os envia. Um prompt em uma página wiki é um prompt que ninguém pode diferenciar.
• Mantenha entradas de teste fixas. Três ou quatro documentos representativos que você executa novamente sempre que altera o prompt ou o modelo. Sem eles, “a nova versão parece melhor” é infalsificável – e cada atualização de modelo é uma mudança silenciosa de comportamento.
• Registre em qual modelo foi escrito. Um prompt ajustado às peculiaridades de um modelo pode se comportar de maneira diferente no próximo, e saber para que ele foi criado informa onde procurar quando a saída muda.

Nada disso requer uma plataforma. Uma pasta de arquivos de texto, um modelo com espaços reservados e o hábito de salvar aqueles que funcionaram superarão indefinidamente um histórico de bate-papo não estruturado. Cada ferramenta mencionada aqui é executada localmente em seu navegador, portanto, os prompts e transcrições que você está organizando – que normalmente contêm material do cliente e detalhes internos – permanecem em sua máquina.