O que é um otimizador de prompts?
Um otimizador de prompts é uma ferramenta gratuita que transforma um prompt incompleto e mal formulado em um prompt claro e estruturado, que gera resultados muito melhores em qualquer AI. Cole sua ideia inicial, e este otimizador de prompts gratuito a reescreverá com as partes que realmente importam - uma função para a AI, a tarefa, o contexto, seus requisitos e o formato de saída desejado. A diferença entre um pedido vago e um prompt estruturado é a diferença entre um resultado genérico e um resultado realmente útil.
Ele também funciona como aprimorador de prompts e otimizador de prompts do ChatGPT: o prompt estruturado que ele produz é portátil, então você pode colá-lo diretamente no Claude, ChatGPT, Gemini ou qualquer chat de AI. Não é necessário conhecimento de engenharia de prompts - você descreve o que quer em linguagem simples, e o otimizador cuida da estrutura.
Precisa criar um prompt do zero? Mude para Gerar um prompt acima: descreva o objetivo em uma frase, e o gerador de prompts escreverá um prompt completo e reutilizável, com uma função, instruções passo a passo, restrições, um formato de saída e [placeholders] apenas para os detalhes que só você conhece.
Quer evitar prompts completamente para trabalhos recorrentes? Um pacote de prompts pronto ou arquivo de Skill da KissMySkills transforma Claude ou ChatGPT em um especialista para uma tarefa específica, para você obter resultados de especialista sem escrever prompts. É novo em prompts? Leia o que são as Claude Skills para ver como uma Skill salva é melhor do que refazer o prompt toda vez.
O lugar onde você coloca as coisas no prompt muda a resposta
A posição é a parte menos discutida e mais mensurável da estrutura do prompt, e dois dos três grandes fornecedores de modelos publicam a mesma recomendação.
A orientação de prompting da Anthropic, para entradas na faixa de 20.000 tokens ou mais, diz para "colocar seus documentos e entradas longos perto do início do prompt, acima da sua consulta, das instruções e dos exemplos", e afirma que consultas no final "podem melhorar a qualidade da resposta em até 30% nos testes, especialmente com entradas complexas e com vários documentos." Considere essa porcentagem um número interno sem metodologia publicada, mas a recomendação sobre a ordem é inequívoca. O Google dá a mesma instrução para o Gemini: "Ao fornecer grandes quantidades de contexto (por exemplo, documentos, código), forneça todo o contexto primeiro. Coloque suas instruções ou perguntas específicas no final do prompt" e acrescenta o truque útil de fazer a transição com uma frase como "Com base nas informações acima..."
Há pesquisas por trás dessa intuição. Lost in the Middle (Liu et al., arXiv:2307.03172) descobriu que o desempenho dos modelos "geralmente é maior quando as informações relevantes ocorrem no início ou no fim do contexto de entrada e se degrada significativamente quando os modelos precisam acessar informações relevantes no meio de contextos longos, mesmo no caso de modelos explicitamente preparados para contextos longos." Se o fato de que você precisa estiver enterrado na metade de um documento colado, movê-lo é uma solução mais confiável do que reformular a pergunta.
A orientação atual da OpenAI organiza a mensagem do desenvolvedor de forma diferente - Identidade, Instruções, Exemplos e, depois, Contexto, com a observação de que o contexto "geralmente é melhor posicionado perto do final do seu prompt." Isso não é tanto uma contradição, mas uma diferença no que está sendo posicionado: material de referência específico da solicitação versus documentos extensos. A conclusão prática é que não existe um layout universal único, e um prompt ajustado pela posição em um modelo deve ser reavaliado em outro.
A estrutura supera os adjetivos
As técnicas que os fornecedores realmente documentam são estruturais, e nenhuma delas envolve dizer ao modelo que ele é um especialista de nível mundial.
A estruturação da Anthropic para obter clareza é um teste, não uma regra: "Mostre seu prompt a um colega com o mínimo de contexto sobre a tarefa e peça que ele o siga. Se ele ficar confuso, Claude também ficará." A mesma orientação recomenda explicar por que uma restrição existe em vez de simplesmente afirmá-la, com base na ideia de que o modelo "é inteligente o suficiente para generalizar a partir da explicação" - uma instrução acompanhada de uma justificativa se transfere para casos que você não enumerou.
Os delimitadores são a outra recomendação consistente. A Anthropic afirma que as tags XML "ajudam o Claude a analisar prompts complexos sem ambiguidades", e que envolver cada tipo de conteúdo em sua própria tag, como <instructions>, <context>, <input> "reduz a interpretação equivocada." A OpenAI afirma: "Cabeçalhos e listas em Markdown podem ser úteis para marcar seções distintas de um prompt", e "as tags XML podem ajudar a delimitar onde uma parte do conteúdo... começa e termina." O Google alerta na outra direção sobre exemplos: a formatação consistente entre exemplos few-shot é importante, e "se você incluir exemplos demais, o modelo pode começar a ajustar demais a resposta aos exemplos." A Anthropic sugere de três a cinco, envoltos em <example> tags.
As funções fazem menos do que a internet dá a entender, mas não são inúteis. A posição da Anthropic é moderada e específica: "Definir uma função no prompt do sistema concentra o comportamento e o tom do Claude para seu caso de uso. Até uma única frase faz diferença." Uma frase no prompt do sistema - não um parágrafo de biografia inventada na mensagem do usuário.
Duas recomendações padrão sobre prompts que agora estão erradas
Guias de prompts envelhecem mal, e duas das dicas mais repetidas foram superadas pela própria documentação dos fornecedores.
"Sempre diga para ele pensar passo a passo." As orientações de raciocínio da OpenAI dizem o oposto para modelos de raciocínio: "Evite prompts de cadeia de raciocínio: como esses modelos realizam o raciocínio internamente, instruí-los a 'pensar passo a passo' ou 'explicar seu raciocínio' é desnecessário", e, em outra parte, afirmam que essas técnicas "podem não melhorar o desempenho (e às vezes podem prejudicá-lo)." A mesma página recomenda tentar primeiro sem exemplos e adicionar exemplos apenas se necessário. Vale manter a analogia da OpenAI: um modelo de raciocínio "é como um colega de trabalho sênior. Você pode dar a ele uma meta a alcançar e confiar que ele resolverá os detalhes. Um modelo GPT é como um colega de trabalho júnior." A cadeia de raciocínio não está morta - a Anthropic ainda documenta CoT manual com as tags <thinking> e <answer> - mas agora é descrita como uma alternativa para quando o raciocínio integrado está desativado, não como padrão.
Também vale a pena saber o que o artigo original afirmava. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (Wei et al., arXiv:2201.11903) relatou que essas habilidades "emergem naturalmente em modelos de linguagem suficientemente grandes". O famoso resultado de "vamos pensar passo a passo" (Kojima et al., arXiv:2205.11916) foi medido em um modelo de 2022. Nenhum dos dois é uma lei atemporal.
"Preencha previamente as primeiras palavras do assistente." A documentação atual da Anthropic afirma que, a partir dos modelos Claude mais recentes, mensagens pré-preenchidas do assistente na última rodada "não são mais compatíveis" e que as solicitações que as contêm "retornam um erro 400". As substituições documentadas são saídas estruturadas, uma instrução direta para responder sem preâmbulo ou o uso de ferramentas. Qualquer guia que ainda ensine o preenchimento prévio como um truque de formatação está descrevendo uma solicitação que agora falha.
Outra distinção importante: a consistência própria (Wang et al., arXiv:2203.11171) é uma estratégia de decodificação que amostra vários caminhos de raciocínio e escolhe a resposta mais comum. Ela não pode ser obtida reescrevendo um prompt, pois exige múltiplas gerações.
O que este otimizador não pode fazer
Ele não pode fornecer conhecimentos que o modelo não possui. O motivo declarado pela OpenAI para adicionar contexto é dar ao modelo "acesso a dados proprietários ou a quaisquer outros dados fora do conjunto de dados com o qual o modelo foi treinado". A solução para um fato ausente é colar o fato, não formular melhor a pergunta.
Ele não pode eliminar alucinações. A Anthropic afirma claramente que até mesmo modelos avançados "às vezes podem gerar textos factualmente incorretos" e que suas técnicas de mitigação - permitir "não sei", extrair citações palavra por palavra antes de responder sobre documentos longos e restringir o modelo às fontes fornecidas - "reduzem significativamente as alucinações", mas "não as eliminam completamente".
Ele não pode proteger você contra injeção de prompt. A Anthropic nomeia dois modelos de ameaça: a injeção direta, em que o usuário é o adversário, e a injeção indireta, em que o prompt de um usuário confiável faz o modelo processar conteúdo de terceiros - páginas da web, e-mails, documentos, resultados de ferramentas - que contém instruções adversariais. A redação não é um controle de segurança.
Ele não pode definir seus parâmetros de amostragem. A temperatura e o top-p ficam na chamada da API, não no prompt. Observe que eles também não são comparáveis entre fornecedores: a Anthropic documenta uma faixa de 0,0 a 1,0 e alerta que "mesmo com temperatura de 0,0, os resultados não serão totalmente determinísticos", enquanto a OpenAI documenta uma faixa de 0 a 2 e recomenda "alterar este parâmetro ou o top_p, mas não ambos".
Ele não pode dizer se o resultado é bom. A documentação de engenharia de prompt da Anthropic pressupõe que você já tenha uma definição de sucesso e uma forma de testá-lo. Sem isso, um prompt mais longo e melhor estruturado simplesmente produz um palpite mais longo e melhor estruturado.
