Coleção prática para iniciantes: do pedido à aplicação confiável
Edição 1.0 | 7 de setembro de 2026 | Português brasileiro
Material para estudo, treinamento corporativo, workshop, biblioteca interna e aplicação no trabalho. Não exige programação. Preparado a partir do escopo solicitado para esta coleção.
Regra central: não escolha o prompt que parece mais inteligente. Escolha a solução que entrega o resultado necessário, com evidência, dentro dos limites de risco, custo e tempo.
Prompt Engineering é projetar e melhorar pedidos feitos à IA. LLM significa modelo de linguagem de grande porte. LLM Evaluation é avaliar suas respostas e comportamentos contra critérios definidos.
Como ler este material
Comece pelos playbooks 01 a 03. Em seguida, escolha uma tarefa real de baixo risco e desenvolva um pequeno projeto durante o estudo. Os módulos 04 a 07 ampliam seu repertório; os módulos 08 a 12 ensinam a testar e avaliar; os módulos 13 a 15 transformam o aprendizado em processo de trabalho.
Cada playbook contém as mesmas 17 seções: aprendizagem, conceito, importância, quando usar, quando não usar, estrutura, exemplo ruim, melhorado e profissional, template, três atividades, checklist, erros, antes/depois e resumo de bolso. As atividades têm entregáveis e critérios de conferência, não apenas perguntas abertas.
Os frameworks curtos desta coleção: como CLARO, DADO e ROTA: são mnemônicos didáticos criados para este material, não padrões oficiais ou técnicas científicas com desempenho garantido. Self-Ask e Tree of Thoughts são técnicas de pesquisa identificadas nas fontes; aqui recebem adaptações explícitas para tarefas empresariais.
O que foi aprimorado no pedido original
A estrutura solicitada foi preservada. Foram acrescentados gabaritos orientativos, separação entre casos de desenvolvimento e teste final, critérios eliminatórios, registro de incerteza, avaliação de custos por resultado aprovado, controles de privacidade e uma distinção entre demonstrar uma técnica e provar seu desempenho.
A escala de alucinação vai de 0 a 5, em que 0 é melhor. Para somar com outras notas, ela é invertida: fundamentação = 5 − alucinação. Uma nota de apresentação não compensa uma falha crítica de segurança ou uma informação material inventada.
O que é real e o que é simulado
As referências técnicas são documentação oficial e pesquisas identificadas ao final. As empresas, políticas comerciais, tickets, leads, relatórios, respostas A/B, notas, custos e latências dos estudos de caso são fictícios e construídos para ensino. Não descrevem clientes, resultados ou capacidades da HyperBoosters.
Os cálculos demonstrativos foram executados e conferidos. As respostas simuladas não foram obtidas em uma bateria de chamadas às APIs de ChatGPT, Claude ou Gemini. Portanto, os números ensinam a calcular e interpretar resultados; não são um benchmark de modelos nem uma promessa de melhoria. A planilha acompanha os casos simulados e uma área separada para registros reais.
Seu kit mínimo de trabalho
Você precisa apenas de uma interface de IA autorizada pela empresa, um editor de texto e uma planilha. Use dados fictícios ou autorizados. Para cada teste, salve a entrada, o prompt completo, a resposta e a avaliação. Um documento com cinco casos bem definidos é melhor ponto de partida do que um catálogo enorme de frases sem comprovação.
Ferramentas adicionais entram quando houver necessidade: cálculo em planilha, busca em documentos autorizados, validação de formato e, só depois, integração com sistemas. Escrever “consulte o CRM” no prompt não concede acesso ao CRM.
ChatGPT, Claude, Gemini e outros: o que muda
Modelo é o componente que gera respostas. Aplicativo é o ambiente que acrescenta arquivos, memória, ferramentas e configurações. API é uma forma de um sistema enviar pedidos ao modelo. Não compare um aplicativo com busca ligada a outro sem busca como se estivesse isolando apenas a qualidade do modelo.
| Aspecto | Orientação prática |
|---|---|
| Instruções e contexto | Use objetivo, dados e formato explícitos; registre o que realmente chegou ao modelo. [S01, S03, S04] |
| Exemplos | A documentação do Gemini recomenda fortemente few-shot; trate o ganho na sua tarefa como hipótese a testar. [S04] |
| Modelos de raciocínio | A OpenAI orienta pedidos claros e diretos, sem exigir exposição de cadeia interna. Não transporte automaticamente truques de modelos antigos. [S02] |
| Formato estruturado | Recursos de API podem restringir o formato. Ainda é necessário validar conteúdo e tratar falhas. [S11] |
| Memória, arquivos e busca | Para comparação controlada, registre o estado dessas capacidades; sessões novas ajudam, mas não comprovam ausência de configurações persistentes. |
| Escolha do fornecedor | Faça duas comparações distintas: mesmo contexto para medir o modelo; configuração otimizada de cada produto para escolher uma solução completa. |
Os princípios são portáveis; configurações e capacidades não são idênticas. Não há um vencedor universal declarado nesta apostila. Consulte a documentação do modelo e da interface usados na data do teste.
Currículo e entregáveis
| Etapa | Playbooks | O que você entrega |
|---|---|---|
| Começar | 01 Fundamentos; 02 Zero-shot vs few-shot; 03 Few-shot na prática | Um prompt claro e um pequeno conjunto de exemplos |
| Resolver melhor | 04 Decomposição e Self-Ask; 05 Raciocínio estruturado; 06 Tree of Thoughts; 07 Robustez | Uma análise verificável e um template com limites |
| Medir | 08 Testes A/B; 09 Avaliação; 10 Rubricas e scorecards | Dataset, critérios, respostas registradas e comparação |
| Aperfeiçoar | 11 Iteração; 12 Prevenção de falhas | Registro de falhas e uma versão melhor sustentada por testes |
| Operar | 13 Tarefas empresariais; 14 Biblioteca; 15 Ciclo profissional | Prompt versionado, responsável e plano de acompanhamento |
Depois dos playbooks: laboratório de avaliação com dez tickets; Prompt Engineering Lifecycle; matriz de maturidade; cinco casos empresariais completos; duas fichas de consulta de uma página; checklists gerais; 30 templates; 20 exercícios com gabarito; dez desafios; glossário; planos de sete e 30 dias; guia de facilitação; prompt mestre de atualização; fontes.
Primeiro teste: antes de estudar tudo
Copie: “Resuma o texto fornecido em três frases para uma pessoa nova na equipe. Preserve números e prazos. Não acrescente fatos. Se faltar informação, indique a lacuna. Texto: [DADOS].”
Use um texto de seis linhas com um prazo, um responsável e uma pendência. Confira se os três elementos aparecem corretamente. Repita com um texto sem responsável: a IA deve registrar a ausência, não inventar uma pessoa. Esse é o primeiro contato com avaliação: mudar a entrada e verificar um comportamento esperado.