Prompt Engineering: O Que É, 8 Técnicas e 12 Exemplos de Prompts em Português [2026]

Prompt engineering é a prática de escrever instruções para modelos de IA, como ChatGPT, Claude e Gemini, de um jeito que eles entendam exatamente o que você quer. Na prática, significa dizer à IA quem você é, qual a tarefa, para quem é o resultado, em que formato ele deve sair e em que tom. Quando esses cinco pontos estão no prompt, a resposta sai pronta para usar. Quando faltam, você passa meia hora corrigindo texto genérico.

A maioria das pessoas ainda escreve para a IA como escreve no WhatsApp. "Me faz um texto bonito sobre marketing" gera um texto que serve para qualquer empresa, ou seja, para nenhuma. Neste guia, nós mostramos o modelo de prompt que usamos todos os dias na Marfin, as 8 técnicas que mais melhoram resultado, 12 exemplos prontos em português para copiar e adaptar, e como ajustar o prompt para cada modelo. Se você já tem prática, pule direto para os exemplos. Se está começando, siga na ordem.

Prompt engineering é a porta de entrada prática para trabalhar com IA. Para entender o que vem depois, como contexto, agentes e escolha de modelo, nosso guia completo de inteligência artificial cobre o mapa inteiro.

Link para esta seçãoO que é prompt engineering, em uma definição direta

Prompt é qualquer texto que você envia para um modelo de linguagem. Prompt engineering, ou engenharia de prompt em português, é o conjunto de técnicas para projetar esse texto de modo que o modelo produza respostas precisas, relevantes e no formato certo. Dá para pensar como um briefing: quanto melhor o briefing, melhor o trabalho que volta, seja de um freelancer humano, seja de uma IA.

O motivo técnico é simples. Um modelo de linguagem prevê a continuação mais provável do texto que recebeu. Se o seu texto é vago, a continuação mais provável é a média de tudo que o modelo já leu sobre aquele assunto, e a média é sempre genérica. Cada informação que você adiciona (público, objetivo, restrição, exemplo) estreita o espaço de respostas possíveis e empurra o modelo para a resposta que você precisa.

O mercado já percebeu o valor disso. O setor de prompt engineering deve atingir US$ 1,52 bilhão em 2026, com projeção de chegar a US$ 6,7 bilhões até 2034. A demanda por profissionais com essa habilidade cresceu 135,8% em 2025, e 68% das empresas já oferecem treinamento interno no tema. Processos de prompt estruturados reduzem erros de IA em até 76%, segundo levantamentos de mercado. O número exato varia por estudo, mas a direção é a mesma em todos: quem estrutura o prompt tira muito mais da ferramenta.

Link para esta seçãoA estrutura de um bom prompt: o modelo CRAFT para copiar

Depois de testar dezenas de frameworks, chegamos ao CRAFT, que é o que usamos internamente na Marfin em prompts de produção. Ele tem cinco partes e cabe em cinco linhas.

C de Contexto. Quem você é, qual a empresa, qual o cenário. A IA começa cada conversa sem saber nada sobre você, então essa linha poupa muitas idas e vindas.

R de Resultado. O que exatamente você quer receber. Seja específico sobre quantidade, tamanho e objetivo: "5 assuntos de email com até 45 caracteres" funciona muito melhor do que "ideias de assunto".

A de Audiência. Para quem é o conteúdo final. Essa linha ajusta sozinha o vocabulário, a profundidade e os exemplos que a IA escolhe.

F de Formato. Como a resposta deve ser estruturada: parágrafos, tabela, JSON, código, markdown, lista numerada. Definir o formato evita reformatar depois, e isso pesa muito quando o resultado vai para outro sistema.

T de Tom. Formal, direto, didático, provocativo, técnico. Se você tem um texto de referência da sua marca, cole junto.

Veja o CRAFT aplicado: "Contexto: sou head de marketing de uma fintech brasileira que oferece conta digital para MEIs. Resultado: crie uma sequência de 5 emails de onboarding, cada um com assunto, corpo e CTA. Audiência: microempreendedores de 25 a 45 anos com pouca familiaridade com finanças digitais. Formato: cada email em um bloco separado, corpo com no máximo 200 palavras. Tom: amigável, didático, sem jargão financeiro."

Esse prompt tem menos de 90 palavras e entrega um material que precisa de poucos ajustes. O mesmo pedido sem estrutura ("faz uns emails de boas-vindas para a minha fintech") volta com textos que poderiam ser de qualquer banco do mundo.

Link para esta seção5 princípios básicos de prompt engineering

Antes das técnicas avançadas, vale consolidar a base. A maioria dos prompts ruins falha por ignorar princípios simples, e raramente por falta de técnica sofisticada.

Link para esta seção1. Seja específico

O princípio mais importante e o mais ignorado. A IA não lê mentes, e cada detalhe que você omite ela preenche com o padrão mais comum.

Prompt fraco: "Escreva um texto sobre marketing."

Prompt forte: "Escreva uma introdução de 150 palavras para um artigo de blog sobre como pequenas empresas brasileiras podem usar automação de email marketing para aumentar vendas. Tom direto e prático, para empreendedores com pouca experiência em marketing digital. Inclua um dado estatístico recente e cite a fonte."

O primeiro gera algo que poderia estar em qualquer blog de 2019. O segundo parece escrito por alguém que conhece o assunto e o público.

Link para esta seção2. Defina o papel da IA

Atribuir um papel muda a qualidade da resposta. Quando você escreve "atue como um especialista em SEO com 10 anos de experiência em e-commerce", o modelo puxa o vocabulário, as prioridades e os critérios associados a esse perfil. Isso funciona porque os modelos foram treinados em textos de especialistas de todas as áreas, e o papel direciona o modelo para esse recorte.

O papel rende mais quando vem acompanhado de contexto concreto. "Atue como CFO" é um começo. "Atue como CFO de uma startup SaaS com 18 meses de caixa que precisa decidir entre contratar dois vendedores ou investir em mídia paga" é um prompt de trabalho.

Link para esta seção3. Defina o formato da resposta

Diga como quer receber: tabela, parágrafos, código, JSON. Se o resultado vai para uma planilha, peça "tabela markdown com as colunas produto, preço e margem". Se vai para uma automação, peça JSON com os campos nomeados. A IA segue formato com muita precisão quando ele está explícito.

Link para esta seção4. Mostre exemplos

Mostrar é mais eficiente do que descrever. Se você quer um email no tom da sua marca, cole um email anterior e peça "escreva no mesmo tom e estrutura". A regra que seguimos: comece sem exemplo (zero-shot). Se o resultado não vier bom, adicione de 1 a 3 exemplos (few-shot). Na maioria dos casos, poucos exemplos resolvem.

Link para esta seção5. Itere em cima da resposta

O primeiro output raramente é o melhor. Gere, avalie, aponte o que ficou fraco e peça a correção. Frases como "o segundo parágrafo ficou genérico, reescreva com um exemplo de uma loja de roupas" melhoram o texto muito mais rápido do que começar outra conversa do zero.

Link para esta seçãoTécnicas avançadas de prompt engineering

Com a base firme, estas são as técnicas que separam uso casual de uso profissional. Testamos todas em projetos reais na Marfin.

Link para esta seçãoFew-shot prompting

Você dá à IA de 2 a 5 exemplos de entrada e saída e depois envia a entrada nova. O modelo deduz o padrão sozinho. É a técnica com melhor custo e benefício para classificação, padronização de texto e tom de marca. Exemplo: três descrições de produto no estilo da sua loja, seguidas de "agora escreva a descrição deste produto: [dados]".

Link para esta seçãoChain-of-thought (pensamento em cadeia)

Você pede que a IA raciocine em etapas antes de responder. A técnica melhora bastante a precisão em tarefas com lógica, cálculo ou análise.

Pedido direto: "Qual a melhor estratégia de preço para o meu SaaS?"

Com chain-of-thought: "Preciso definir o preço do meu SaaS de gestão de projetos para pequenas empresas. Raciocine em etapas: primeiro, liste os modelos de precificação comuns em SaaS (freemium, preço fixo, por usuário, por uso). Depois, compare prós e contras de cada um para PMEs com 5 a 50 funcionários. Por fim, recomende um modelo com justificativa."

Os modelos mais novos, como o Claude Opus 4.8 com extended thinking e os modelos de raciocínio da OpenAI, já pensam em etapas por conta própria. Mesmo assim, dizer quais etapas você quer continua ajudando, porque você controla o caminho e consegue auditar onde o raciocínio desviou.

Link para esta seçãoTree of thought (árvore de pensamento)

Uma evolução do chain-of-thought. Você pede que a IA explore vários caminhos, avalie cada um e só então escolha. Exemplo: "Preciso aumentar o tráfego orgânico do meu blog em 50% em 6 meses. Proponha três estratégias diferentes, analise prós, contras e custo de cada uma, e recomende a melhor combinação para uma equipe de 2 pessoas com R$ 5.000 por mês."

Link para esta seçãoSelf-consistency (autoconsistência)

Você pede a mesma análise por ângulos diferentes e depois uma síntese. Exemplo: "Analise o mercado de [X] três vezes, uma com foco em dados quantitativos, outra em tendências qualitativas e outra em concorrência. Depois, consolide as três em uma conclusão e aponte onde elas discordam." Os pontos de discordância costumam ser os mais valiosos.

Link para esta seçãoPrompt chaining (encadeamento de prompts)

Tarefas grandes funcionam melhor quebradas em etapas, cada uma em um prompt. Para um plano de marketing, por exemplo: primeiro a persona, depois os canais, depois o calendário de conteúdo, depois as métricas. A saída de cada etapa vira contexto da próxima. Esse encadeamento é a base de quase toda automação com IA que montamos, e é também o que um agente como o Claude Code faz por conta própria quando recebe uma tarefa complexa.

Link para esta seçãoPapel com restrições

Vá além do "atue como X" e adicione limites reais. Exemplo: "Atue como CMO de uma startup B2B SaaS com orçamento de R$ 10.000 por mês. O produto automatiza propostas comerciais. A meta é gerar 50 leads qualificados por mês. Crie um plano de 90 dias dentro dessas restrições." As restrições eliminam respostas genéricas e forçam soluções que cabem na sua realidade.

Link para esta seçãoDelimitadores e tags

Quando o prompt mistura instruções, documentos e exemplos, separe cada bloco com delimitadores. O Claude, em especial, responde muito bem a tags XML como <contexto>, <documento> e <exemplo>. Com os blocos separados, o modelo para de confundir o texto que deve analisar com as instruções que deve seguir.

Link para esta seçãoPedir que a IA pergunte antes

Uma das técnicas mais subestimadas. Termine o prompt com "antes de responder, faça até 5 perguntas sobre o que estiver faltando para você entregar o melhor resultado". A IA aponta as lacunas do seu briefing, você responde, e a entrega final sai muito mais próxima do que você precisava.

Link para esta seção12 exemplos de prompts prontos em português

Estes são prompts que usamos ou adaptamos no dia a dia. Troque o que está entre colchetes pelos seus dados.

1. Post de LinkedIn. "Atue como estrategista de conteúdo B2B. Escreva um post de LinkedIn de até 1.300 caracteres sobre [tema] para [público]. Abra com uma frase que gere curiosidade, traga um dado concreto no meio e termine com uma pergunta para os comentários. Tom direto, sem clichê."

2. Assuntos de email. "Gere 10 linhas de assunto para um email sobre [oferta] enviado para [público]. Máximo de 45 caracteres cada. Varie entre curiosidade, benefício direto e urgência. Indique qual você testaria primeiro e explique o motivo."

3. Resumo de reunião. "Abaixo está a transcrição de uma reunião. Resuma em três blocos: decisões tomadas, tarefas com responsável e prazo, e pontos em aberto. Use apenas o que está na transcrição e marque como 'não mencionado' o que faltar. <transcricao>[colar]</transcricao>"

4. Análise de concorrente. "Analise o site de [concorrente] a partir do texto abaixo. Identifique a proposta de valor, o público principal, as objeções que eles tentam quebrar e três pontos fracos que nós poderíamos explorar na nossa comunicação."

5. Pauta de SEO. "Para a palavra-chave [keyword], liste a intenção de busca principal, 8 subtemas que um artigo completo precisa cobrir e 5 perguntas que as pessoas fazem sobre o assunto. Formato de tabela com as colunas subtema e motivo."

6. Revisão de texto. "Revise o texto abaixo. Corte redundâncias, troque frases passivas por ativas e marque qualquer afirmação que precise de fonte. Devolva o texto revisado e, depois, uma lista curta das mudanças principais."

7. Descrição de produto. "Aqui estão três descrições de produto da nossa loja: [exemplos]. Escreva a descrição de [produto] no mesmo tom, tamanho e estrutura, usando estes dados: [dados]."

8. Respostas para atendimento. "Atue como analista de suporte de [empresa]. Escreva uma resposta para o cliente abaixo, que está irritado com [problema]. Reconheça o problema, explique a solução em até 3 passos e ofereça [compensação]. Tom calmo e humano, sem frases de robô."

9. Planilha e fórmulas. "Tenho uma planilha com as colunas [colunas]. Escreva a fórmula do Google Sheets para [objetivo] e explique cada parte da fórmula em uma frase."

10. Estudo de um tema novo. "Explique [tema] para alguém que entende de marketing mas não de tecnologia. Use uma analogia do dia a dia, depois a explicação técnica em linguagem simples e, por fim, três perguntas para eu testar se entendi."

11. Roteiro de vídeo curto. "Crie o roteiro de um vídeo de 45 segundos para Reels sobre [tema]. Estrutura: gancho nos 3 primeiros segundos, desenvolvimento em 3 cenas e CTA final. Inclua o texto falado e a descrição do que aparece na tela."

12. Tarefa de código. "Neste projeto em Next.js com Supabase, crie uma página de cadastro com email e senha. Valide o email no front, trate o erro de usuário já existente e escreva um teste para o fluxo feliz. Antes de codar, me mostre o plano em etapas."

Se o seu foco é marketing, o nosso guia de IA no marketing mostra como transformar prompts soltos como esses em um processo de conteúdo que escala.

Link para esta seçãoPrompt engineering no ChatGPT, no Claude e no Gemini

Cada modelo tem pontos fortes diferentes, e o mesmo prompt pode render resultados bem distintos entre eles. Saber qual usar para cada tipo de tarefa faz diferença.

ChatGPT. O generalista mais popular, com centenas de milhões de usuários por semana. Vai muito bem em brainstorming, geração de conteúdo, conversa natural e tarefas criativas. Responde bem a prompts curtos e iterativos, e a memória entre conversas ajuda quem usa todo dia. Para quem está começando, é o mais intuitivo.

Claude. Forte em documentos longos, raciocínio complexo e prompts com muitas regras. Quando o prompt tem dez restrições, o Claude tende a respeitar todas. Gosta de estrutura: tags XML, seções nomeadas e exemplos separados. É o modelo que mais usamos na Marfin para tarefas que exigem precisão, e o Claude Code, que roda no terminal com o Opus 4.8, é a nossa ferramenta principal de programação. O Sonnet 4.5 equilibra velocidade e qualidade no uso diário, e o Haiku 4.5 é a escolha para automações baratas e rápidas.

Gemini. Tem vantagem em tarefas que dependem de informação recente, graças à integração com a busca do Google, e em análise de imagens e vídeos. Para prompts do tipo "o que mudou esta semana em [tema]", ele costuma sair na frente.

Nossa recomendação é usar cada modelo no que ele faz melhor e manter um arquivo com os seus melhores prompts, testados nos três. Um prompt que funciona muito bem no Claude pode precisar de mais exemplos no ChatGPT ou de mais contexto no Gemini.

Link para esta seçãoPrompts para programação e vibe coding

Se você usa ferramentas de vibe coding, a qualidade do prompt determina a qualidade do código. O Claude Code é a ferramenta que mais usamos, e o Cursor AI é a IDE onde fazemos o building do dia a dia. Nas duas, os prompts que funcionam seguem o mesmo padrão.

Descreva o resultado esperado e deixe a implementação para a IA propor. Especifique a stack (React, TypeScript, Tailwind, Supabase). Liste os casos de borda que precisam de tratamento, como campo vazio, usuário sem permissão ou falha de rede. Peça testes junto com o código. E divida tarefas grandes: "crie o sistema de login" rende menos do que três prompts separados para cadastro, recuperação de senha e proteção de rotas.

Um truque que usamos muito: pedir o plano antes do código. "Antes de implementar, liste os arquivos que você vai criar ou alterar e o que muda em cada um." Você revisa o plano em 30 segundos e evita que o agente siga por um caminho errado por dez minutos. No Claude Code, o plan mode faz exatamente isso.

Link para esta seçãoComo usar prompts para reduzir alucinação

Todo modelo inventa informação às vezes. Um prompt bem escrito reduz bastante a frequência desse problema, e três instruções ajudam mais que as outras.

A primeira é dar permissão explícita para não saber: "se você não tiver certeza, diga que não sabe". Sem essa frase, o modelo tende a preencher a lacuna com algo plausível. A segunda é ancorar a resposta em uma fonte: "responda apenas com base no documento abaixo e cite o trecho que sustenta cada afirmação". A terceira é pedir uma checagem no final: "revise a sua resposta e marque qualquer dado que precise de verificação externa".

Nós detalhamos as causas e outras técnicas no guia sobre alucinação de IA e como reduzir na prática. Para qualquer conteúdo que vai ao ar com números, datas ou nomes, a regra na Marfin é simples: dado citado pela IA passa por conferência humana.

Link para esta seçãoPrompt engineering, engenharia de contexto e fine-tuning: quando cada um resolve

Em 2024, prompt engineering era vendido como a profissão do futuro. Em 2026, a disciplina se dividiu em duas frentes claras.

A primeira é o prompt do dia a dia, que qualquer profissional pode e deve aprender. São os princípios e técnicas deste guia: contexto, especificidade, exemplos e iteração. Virou competência básica, do mesmo jeito que saber usar planilha virou há vinte anos.

A segunda é a de sistemas em produção, em que o prompt é só uma peça. Aqui entra a engenharia de contexto, que decide quais documentos, histórico, ferramentas e memórias o modelo recebe a cada chamada. Quando o problema é conhecimento que o modelo não tem, como os documentos internos da sua empresa, a solução costuma ser RAG, que busca os trechos relevantes e injeta no prompt. Quando o problema é comportamento, como um formato muito específico repetido milhares de vezes, pode valer o fine-tuning, que ajusta os pesos do próprio modelo com exemplos seus.

A ordem que seguimos na Marfin é sempre a mesma: primeiro esgotar o prompt, depois melhorar o contexto, e só então pensar em fine-tuning. A maioria dos casos se resolve nas duas primeiras etapas, com custo bem menor. Quem trabalha com modelos de IA open source, como Llama, Qwen e Mistral, tem mais liberdade para fine-tuning e roda tudo na própria infraestrutura, mas o prompt continua sendo o primeiro lugar onde mexer.

Em termos de carreira, é nessa segunda frente que estão os salários mais altos. Um prompt engineer nos Estados Unidos ganha em média US$ 126 mil por ano, podendo chegar a US$ 197 mil em TI. No Brasil, as vagas aparecem com nomes como engenheiro de IA, especialista em LLM ou AI engineer, e pedem prompt engineering junto com programação, avaliação de modelos e integração com APIs.

Link para esta seçãoErros comuns de prompt engineering

Ser vago. "Me ajuda com marketing" é um desejo, e a IA responde com a média de tudo que sabe sobre marketing. Especificidade separa resultado genérico de resultado útil.

Prompt longo sem estrutura. Um bloco de 500 palavras sem divisão confunde a IA tanto quanto confundiria uma pessoa. Use seções, tags ou o modelo CRAFT.

Aceitar a primeira resposta. O primeiro output é um rascunho. Aponte o que ficou fraco e peça ajuste.

Pedir tudo de uma vez. "Crie minha estratégia completa de marketing" gera um documento raso sobre tudo. Quebre em persona, canais, conteúdo e métricas.

Ignorar o modelo. Cada IA tem um jeito próprio de responder. Um prompt que funciona muito bem no Claude pode pedir ajustes no ChatGPT.

Descrever em vez de mostrar. Se você quer um tom, um formato ou um estilo específico, um bom exemplo resolve em uma linha o que três parágrafos de instrução não resolvem.

Colar dados sensíveis sem pensar. Contratos, dados de clientes e senhas não devem ir para contas pessoais de chatbot. Use planos empresariais com política clara de uso de dados, ou anonimize antes de colar.

Link para esta seção7 dicas para escrever prompts melhores hoje

1. Monte uma biblioteca de prompts. Guarde em um documento os prompts que deram certo, com o modelo usado e a data. Em um mês você tem um ativo que economiza horas por semana.

2. Use o CRAFT como checklist. Antes de enviar, confira se o prompt tem contexto, resultado, audiência, formato e tom. Faltou um, adicione.

3. Peça à IA para melhorar o seu prompt. "Reescreva este prompt para que um modelo de linguagem entenda melhor o que eu quero" funciona muito bem, em especial com o Claude.

4. Defina o tamanho. "Curto" significa coisas diferentes para você e para o modelo. Diga "até 150 palavras" ou "3 parágrafos".

5. Diga o que evitar. Restrições negativas claras ("sem jargão", "sem citar concorrentes") poupam revisão.

6. Use o projeto ou as instruções personalizadas. ChatGPT, Claude e Gemini permitem salvar contexto fixo sobre você e sua empresa. Configure uma vez e todos os prompts ficam melhores.

7. Compare modelos no mesmo prompt. Para tarefas recorrentes, rode o mesmo prompt nos três e fique com o que entrega melhor. O resultado muda de tarefa para tarefa.

Prompt engineering é a habilidade de IA com o retorno mais rápido: você aplica hoje e vê diferença na próxima resposta. Pegue o modelo CRAFT, escolha dois dos 12 exemplos que fazem sentido para o seu trabalho e teste no ChatGPT, no Claude e no Gemini. Na terceira ou quarta iteração, você já vai escrever prompts melhores sem precisar consultar este guia.

Leia também:

TL;DR