Engenharia de prompts e contexto

Ver no idioma original →

Engenharia de prompts e contexto reúne práticas para orientar modelos e agents com objetivos claros e informações relevantes, em vez de depender de instruções vagas ou despejar dados indiscriminadamente na context window. Os vídeos destacam que bons resultados também dependem de como o contexto é organizado, recuperado, atualizado e avaliado ao longo de tarefas e sessões. ↗ ↗

Prompts e especificação de resultados

Prompts eficazes descrevem a tarefa completa, o resultado esperado e os critérios para considerar o trabalho concluído. Em vez de prescrever cada etapa — ou usar instruções genéricas como “pense cuidadosamente” —, a recomendação é dar autonomia ao modelo, mantendo claros o objetivo, o público, o formato e as restrições. ↗ ↗

Entrevistas conduzidas pela IA podem ajudar a esclarecer requisitos antes da implementação: a skill Grill Me, por exemplo, faz perguntas detalhadas antes de produzir uma especificação. Uma abordagem semelhante, chamada Forge no vídeo, propõe fornecer contexto, definir o resultado, responder a uma entrevista, avaliar opções e salvar o workflow que funcionou. ↗ ↗

Para tarefas recorrentes, arquivos persistentes — como instruções de projeto, skills e especificações — ajudam a manter regras, identidade e decisões disponíveis entre interações. Os vídeos também recomendam iterar sobre uma primeira versão e transformar workflows úteis em habilidades reutilizáveis. ↗ ↗ ↗

Recomendações para projetos reais também incluem encadear instruções, orientar o design, organizar tarefas com subagents e arquivos de projeto, revisar alterações no Git e verificar informações e documentos. Alinhar requisitos antes de projetos grandes e definir critérios de conclusão pode ajudar a orientar o trabalho. ↗ ↗

A qualidade do prompt pode depender da tarefa e dos recursos disponíveis. Em geração e edição de imagens, por exemplo, um vídeo demonstra que prompts vagos podem levar a resultados inferiores e que workflows e uma skill personalizada podem ajudar a aprimorá-los; o uso de muitas imagens de referência, por sua vez, pode tornar o processo mais lento. ↗

Seleção e organização do contexto

Context engineering é fornecer as informações certas, no formato certo e no momento certo. Janelas maiores, por si só, não resolvem o problema: inserir dados demais pode causar context rot, dificultar a identificação do que importa e prejudicar o raciocínio. ↗ ↗ ↗

Uma alternativa a carregar tudo é oferecer um mapa — como um índice em Markdown ou em banco de dados — que ajude o agent a localizar os arquivos relevantes. Outras estratégias incluem selecionar informações, remover duplicatas e conteúdo irrelevante, descarregar resultados extensos para fora do contexto e apresentar apenas uma prévia. ↗ ↗ ↗

Em tarefas longas, harnesses podem sumarizar o histórico quando o uso de tokens ultrapassa um limite; outras abordagens permitem que o modelo edite o próprio contexto. A compactação pode reduzir o conteúdo ativo, mas resumos podem perder informações, e a edição do contexto pode aumentar custo e latência. ↗ ↗

Uma abordagem apresentada para documentos é transformá-los em imagens e comprimi-los em tokens visuais. Segundo o vídeo, em uma configuração com compressão de 10× é possível recuperar mais de 96% do texto, enquanto perto de 20× a precisão do OCR cai para 60%. O sistema descrito combina atenção local, compressão convolucional e processamento visual global. O vídeo também relata testes em que o modelo pode completar textos com base em padrões de linguagem, em vez de recuperar todo o conteúdo visual, uma limitação a considerar ao avaliar essa forma de armazenamento. ↗

Memória e conhecimento específico

Memória persistente pode preservar informações entre sessões e ferramentas, mas armazenar dados não garante que vários agents aprendam ou compartilhem conhecimento de forma eficaz. Curadoria, origem rastreável e controle sobre o que é privado ou compartilhado são aspectos destacados nos vídeos. ↗ ↗

Para projetos e empresas, o contexto pode incluir dados, metadados, processos, produtos, clientes e conhecimento acumulado na prática. Grafos de contexto, camadas documentais e sistemas de busca são apresentados como formas de conectar esses elementos e permitir que agents encontrem informações pertinentes sem recebê-las todas de uma vez. ↗ ↗ ↗

Os vídeos também descrevem memória local ou gerenciada, busca semântica e recuperação híbrida. Para que esse contexto continue útil, importam a atualização dos dados, as permissões, a possibilidade de esquecer informações e a capacidade de identificar sua procedência. ↗ ↗ ↗ ↗

Uma abordagem complementar à busca semântica combina consultas a dados estruturados de engenharia. O fluxo demonstrado descobre o schema, resolve identidades, gera consultas a partir de linguagem natural e valida resultados, com controles de segurança, tentativas de autocorreção e busca textual. O mecanismo pode alimentar uma interface de consulta ou um agent de chat; a apresentação também aborda ingestão, escala, busca híbrida e atualização de schemas. ↗

A conexão entre notes e respostas também pode exigir seleção explícita. No NotebookLM, uma nova nota pode ficar selecionada e influenciar a tarefa atual; se uma ideia incorreta ou temporária permanecer selecionada, pode afetar respostas seguintes. Desmarcar a nota interrompe essa conexão e permite escolher quais informações orientarão cada pergunta. ↗

Harnesses, ferramentas e instruções reutilizáveis

O harness organiza o uso do modelo, das ferramentas, das sessões e do contexto. Em tarefas longas ou com muitos dados, pode coordenar buscas, descarregamento, sumarização, subagents e compactação; a Agents API, por exemplo, oferece orquestração e gerenciamento de contexto, enquanto ferramentas conectadas por MCP podem fornecer acesso a dados e ações. ↗ ↗

Skills podem reunir instruções, arquivos, scripts e hooks para tornar tarefas reutilizáveis. Abordagens declarativas como OpenProse expressam objetivos e contratos sem determinar cada passo; em outros casos, ferramentas mais estruturadas e perguntas de esclarecimento ajudam a reduzir ações incorretas ou difíceis de verificar. ↗ ↗ ↗

Skills são descritas também como prompts especializados ou pastas com o contexto necessário para uma tarefa, que podem conter metadados, instruções e recursos opcionais, como scripts, referências e assets. Com divulgação progressiva, o agent recebe inicialmente o nome e uma descrição concisa das skills disponíveis, e carrega os detalhes quando necessário. Isso pode facilitar a descoberta e evitar que instruções específicas ocupem espaço na context window quando não são pertinentes. ↗ ↗ ↗

A escolha e a configuração das ferramentas também afetam o contexto. Descoberta progressiva, seleção de ferramentas conforme a tarefa e acesso apenas ao necessário podem reduzir conteúdo desnecessário; diferentes tarefas podem exigir interfaces distintas, como CLI ou MCP. ↗ ↗ ↗

Mods e plugins podem alterar a interface ou o comportamento de ferramentas de programação, por exemplo, aprimorando prompts, expondo suposições, guardando ideias ou facilitando o acompanhamento de sessões. Um vídeo demonstra ainda mods que coordenam sessões no mesmo projeto. Esses recursos podem ser criados com prompts e conectados a decisões externas, como avaliar pedidos de instalação de pacotes; os exemplos apresentados também recomendam testar as configurações e definir critérios de pronto. ↗ ↗

A orquestração pode distribuir tarefas entre agents, direcioná-las a modelos adequados ou combinar agentes para planejar e executar etapas distintas. Uma demonstração integra vários serviços e agentes para compartilhar memória, recuperar informações e delegar tarefas; o vídeo também alerta que agentes gerenciados podem elevar custos. Limites de gastos e seleção das capacidades disponíveis são aspectos de configuração a considerar. ↗ ↗

No desenvolvimento de software, agentes e orquestração podem apoiar diferentes fases do SDLC, não apenas a geração de código. Os exemplos apresentados incluem codificação, revisão, planejamento, automação e análise de incidentes, com contexto organizacional, padrões de código e revisão humana. Entre os limites discutidos estão custo, dados desatualizados e coordenação de tarefas distribuídas por repositórios e equipes. ↗

Avaliação e melhoria

Evals permitem verificar se mudanças em prompts, instruções ou workflows melhoram resultados. Os vídeos recomendam critérios concretos, conjuntos de exemplos e testes no próprio cenário de uso; resultados de amostras pequenas devem ser tratados com cautela, e mudanças precisam ser verificadas em tarefas reais ou novas. ↗ ↗ ↗

Traces e revisão humana ajudam a localizar falhas e definir o que conta como qualidade. Avaliações podem combinar code evals, LLM as a judge e análise humana, além de transformar falhas observadas em conjuntos de dados para comparações futuras. ↗ ↗

A melhoria também pode envolver otimização de prompts a partir de traces e feedback textual, ou mudanças em ferramentas, instruções e control loops. Essas abordagens não dispensam validação: um agent pode verificar o próprio trabalho com critérios inadequados, e ganhos em tarefas de treino não demonstram necessariamente uma melhora geral. ↗ ↗ ↗

Para manter o uso de agentes sustentável em projetos, os vídeos recomendam adequar o modelo e o esforço à tarefa, separar tarefas em sessões e usar recursos como rewind, compact e subagents. Também destacam o gerenciamento de arquivos de instrução, conexões MCP, histórico e backups, além de revisar configurações e custos. ↗ ↗

Em extensões de ferramentas, testes, critérios de pronto e análise do comportamento do agent podem ajudar a identificar melhorias. Os exemplos incluem revisar decisões sobre instalação de bibliotecas e produzir recomendações a partir de sessões do Claude Code. ↗