Guia de Engenharia de Prompt da OpenAI: Dominando o ChatGPT para Aplicações Avançadas

Entendendo a Engenharia de Prompt

Engenharia de prompt é a arte e ciência de criar entradas (prompts) para obter saídas desejadas de modelos de IA como o ChatGPT. É uma habilidade crucial para maximizar a eficácia desses modelos.

O ChatGPT, construído sobre as arquiteturas GPT-3 e GPT-4 da OpenAI, evoluiu significativamente, tornando-se mais responsivo e consciente do contexto. Entender sua evolução é fundamental para dominar a engenharia de prompt.

Como um regente habilidoso liderando uma orquestra, a engenharia de prompt nos permite direcionar esses modelos para realizar tarefas complexas, desde criar documentos técnicos detalhados até gerar conteúdo criativo e envolvente. Este guia o levará por estratégias e táticas que transformam sua interação com a IA, elevando-a de trocas básicas para conversas nuances e significativas.

Considere a diferença entre perguntar “Como faço para somar números no Excel?” e “Como faço para somar automaticamente uma coluna de valores em dólares no Excel, com totais exibidos à direita em uma coluna ‘Total’?” A segunda pergunta, mais detalhada, deixa menos espaço para interpretação da IA, levando a uma resposta mais precisa e útil. Da mesma forma, entender o uso de personas, delimitadores e instruções passo a passo pode impactar profundamente a qualidade da saída da IA, especialmente para tarefas complexas.

Este guia sobre engenharia de prompt não cobrirá apenas os aspectos teóricos, mas também fornecerá exemplos práticos e hands-on. Você aprenderá como usar táticas eficazes, como fornecer textos de referência para guiar a IA longe de fabricações, ou como quebrar tarefas complexas em subtarefas mais simples para obter resultados mais precisos.

1. Clareza e Detalhe

Criar prompts eficazes para modelos de IA como o GPT-4 requer uma combinação de precisão, contexto e clareza. A diferença entre um prompt mal elaborado e um bem pensado pode ser a diferença entre uma resposta vaga e genérica e uma resposta altamente relevante e específica.

Exemplo 1: Utilizando a Compreensão de Linguagem do ChatGPT para Consultas Técnicas

• Prompt Ineficaz: “Como conserto um bug no meu código?”
  • Saída da IA: “Para consertar um bug no seu código, você precisa primeiro identificar o bug, entender por que está acontecendo e então modificar o código para corrigi-lo.”
• Prompt Técnico Eficaz: “Estou codificando em Python e recebendo um ‘KeyError’ ao tentar acessar um dicionário. O trecho de código é: [trecho de código]. O que está causando este erro e como posso corrigi-lo?”
  • Saída da IA: “O ‘KeyError’ no seu código Python provavelmente ocorre porque você está tentando acessar uma chave no dicionário que não existe. Aqui está como você pode modificar seu código para lidar com este erro: [Trecho de código modificado com explicação].”

Exemplo 2: Escrita Criativa com Imitação de Estilo

• Prompt Ineficaz: “Escreva uma história curta.”
  • Saída da IA: “Era uma vez, em uma terra distante, havia um reino que enfrentava um grande perigo…”
• Prompt de Imitação de Estilo Eficaz: “Escreva uma história curta no estilo de Ernest Hemingway, focando em uma conversa entre dois amigos que se encontram inesperadamente.”
  • Saída da IA: “O sol batia forte na estrada poeirenta onde Jack e Tom, dois amigos, se encontraram por acaso. ‘Já se passaram anos,’ disse Jack, sua voz tão seca quanto o ar. ‘Anos desde a guerra,’ respondeu Tom. [A história continua no estilo conciso e baseado em diálogo de Hemingway].”

Exemplo 3: Conselhos de Viagem

• Prompt Ineficaz: “O que devo fazer em Paris?”
  • Saída da IA: “Em Paris, você pode visitar pontos turísticos como a Torre Eiffel, Museu do Louvre e Catedral de Notre-Dame.”
• Prompt Eficaz: “Estou visitando Paris por três dias este verão com foco em arte e história. Posso sugerir um itinerário detalhado?”
  • Saída da IA: “Dia 1: Visite o Museu do Louvre de manhã, seguido de uma caminhada até a Catedral de Notre-Dame. [Mais detalhes do itinerário seguem].”

Insights para Criar Melhores Prompts

1. Específico: Seja o mais específico possível. Quanto mais detalhado for o seu prompt, mais personalizada será a resposta.
2. Informação Contextual: Inclua todo contexto relevante. Isso ajuda a IA a entender a natureza exata da sua solicitação.
3. Objetivo Claros: Especifique claramente o que você espera como saída. Seja um receita, um plano de viagem ou uma solução técnica, faça seu objetivo claro.
4. Evite Ambiguidade: Prompts ambíguos levam a respostas genéricas. Clarifique sua solicitação para obter respostas precisas.
5. Utilize Formatos Conhecidos: Se aplicável, peça informações em um formato específico, como uma lista, um guia passo a passo ou um diagrama.

2. Aumentando as Respostas da IA com Referência

O uso estratégico de textos de referência na engenharia de prompt pode elevar significativamente a qualidade e a precisão das respostas dos modelos de IA como o GPT-4. Ao fornecer informações relevantes e confiáveis ao lado da sua consulta, você pode guiar a IA para compor respostas baseadas no material fornecido, tornando as respostas mais confiáveis e contextualmente precisas.

Exemplo 1: Explicação Científica

• Prompt Convencional: “Como se forma um buraco negro?”
  • Saída da IA: “Um buraco negro se forma a partir dos remanescentes de uma estrela grande que morre em uma explosão supernova. Se a massa do núcleo for suficiente, ele colapsa sob sua própria gravidade em um buraco negro.”
• Prompt Aumentado com Texto de Referência:
  • Texto de Referência Fornecido: “[Artigo científico sobre evolução estelar e buracos negros]”
  • Prompt: “Usando as informações do artigo científico fornecido, explique o processo de formação de um buraco negro.”
  • Saída da IA: “Com base no artigo científico fornecido, um buraco negro se forma quando uma estrela massiva esgota seu combustível nuclear e seu núcleo colapsa. O artigo detalha: [‘Trechos relevantes do artigo’]”

Exemplo 2: Interpretação Legal

• Prompt Convencional: “Quais são as implicações legais do roubo de propriedade intelectual?”
  • Saída da IA: “O roubo de propriedade intelectual pode levar a consequências legais como processos, multas e, em casos graves, prisão.”
• Prompt Aumentado com Texto de Referência:
  • Texto de Referência Fornecido: “[Artigo de revista jurídica sobre lei de propriedade intelectual]”
  • Prompt: “Referenciando o artigo de revista jurídica fornecido, explique as implicações legais específicas do roubo de propriedade intelectual.”
  • Saída da IA: “O artigo de revista jurídica afirma que o roubo de propriedade intelectual pode resultar em litígios civis, danos estatutários e possíveis acusações criminais. Especificamente, o artigo menciona: [‘Citações diretas do artigo’]”

Insights para Usar Textos de Referência em Prompts

1. Selecione Textos Relevantes: Escolha textos de referência que sejam diretamente relevantes para sua consulta.
2. Especifique o Prompt: Instrua claramente a IA a usar o texto de referência fornecido para compor sua resposta.
3. Citações: Peça que a IA cite partes específicas do texto de referência em sua resposta para precisão e verificação.
4. Lidar com Informações Insuficientes: Instrua a IA a declarar claramente se o texto fornecido não contém as informações necessárias para responder à pergunta.

3. Simplificando Tarefas Complexas com Divisão de Subtarefas

A chave para lidar eficazmente com tarefas complexas com modelos de IA como o GPT-4 está em quebrá-las em subtarefas mais simples. Esta abordagem não apenas simplifica o processo, mas também melhora a precisão e a relevância das respostas da IA. Abaixo, demonstramos esta estratégia por meio de exemplos específicos, destacando as vantagens de usar classificação de intenção, técnicas de resumo e conversas estruturadas para consultas complexas.

Exemplo 1: Consulta de Serviço ao Cliente

• Aproachagem Ineficaz: Um único prompt pedindo assistência geral.
  • Prompt do Usuário: “Estou tendo problemas com minha conta.”
  • Saída da IA: “Pode especificar a natureza dos problemas com sua conta?”
• Aproachagem Eficaz: Classificando a consulta em categorias e fornecendo assistência direcionada.
  • Prompt do Usuário: “Estou tendo problemas para acessar minha conta.”
  • Diretiva da IA: “Classifique a consulta em ‘Gerenciamento de Conta’, então ofereça etapas específicas para solucionar problemas de acesso.”
  • Saída da IA: “Parece que você está tendo problemas para acessar sua conta. Vamos começar redefinindo sua senha. [Seguem etapas detalhadas].”

Exemplo 2: Sumarização de Documento Longo

• Aproachagem Ineficaz: Tentativa de resumir um documento longo de uma vez.
  • Prompt do Usuário: “Resuma este livro de 300 páginas para mim.”
  • Saída da IA: “Desculpe, mas não posso processar documentos maiores que minha janela de contexto.”
• Aproachagem Eficaz: Resumindo o documento peça por peça e construindo um resumo completo de forma recursiva.
  • Diretiva da IA: “Resuma cada capítulo separadamente, então crie um resumo dos resumos, procedendo de forma recursiva.”
  • Prompt do Usuário: “Resuma o capítulo 1 deste livro.”
  • Saída da IA: “Resumo do Capítulo 1: [Resumo breve do capítulo 1].”
  • Processo Contínuo: O mesmo processo é aplicado para cada capítulo, seguido de um resumo final que combina todos os resumos individuais.

Vantagens da Divisão de Subtarefas e Engenharia de Prompt Contextual

1. Aumento da Precisão: Ao se concentrar em aspectos específicos de uma tarefa complexa, a IA pode fornecer respostas mais precisas e relevantes.
2. Melhoria da Eficiência: Quebrar tarefas as torna mais gerenciáveis e reduz a probabilidade de erros ou saídas irrelevantes.
3. Melhor Experiência do Usuário: Os usuários recebem orientação direcionada e passo a passo, o que é mais útil do que respostas genéricas.
4. Eficiência de Custo: Prompts menores e direcionados podem ser mais eficientes em termos de custo em comparação com prompts maiores e mais complexos.

4. Dando Tempo para a IA Pensar

A estratégia de dar tempo para os modelos “pensarem” e quebrar tarefas complexas em etapas gerenciáveis melhora significativamente a qualidade das respostas dos modelos de IA como o GPT-4.

Exemplo 1: Avaliação de Problema Matemático

• Aproachagem Ineficaz: Pedir diretamente à IA para avaliar a solução de um aluno.
  • Prompt do Usuário: “A solução do aluno para este problema matemático está correta?”
  • Saída da IA: “A solução do aluno parece estar correta/incorrecta.”
• Aproachagem Eficaz: Instruir a IA a primeiro trabalhar sua própria solução antes de avaliar o trabalho do aluno.
  • Prompt do Usuário: “Primeiro, resolva este problema matemático. Em seguida, compare sua solução com a solução do aluno e avalie sua correção.”
  • Saída da IA: “Minha solução: [Solução detalhada]. Comparando com a solução do aluno, encontrei um erro em seu cálculo de [parte específica]. A abordagem correta deve ser [método correto].”

Exemplo 2: Análise de Documento

• Aproachagem Ineficaz: Tentativa de analisar um documento longo em uma única consulta.
  • Prompt do Usuário: “Resuma os principais pontos deste documento inteiro.”
  • Saída da IA: “Desculpe, mas não posso processar o documento inteiro devido ao seu tamanho.”
• Aproachagem Eficaz: Extração sequencial de trechos e consultas de follow-up para análise abrangente.
  • Prompt do Usuário: “Extraia trechos-chave deste documento relacionados a [tópico específico].”
  • Saída da IA: “Trecho 1: [Passagem relevante]. Trecho 2: [Outra passagem relevante].”
  • Prompt de Follow-up do Usuário: “Há mais trechos relevantes? Certifique-se de que contenham todo o contexto.”
  • Saída da IA: “Trecho Adicional: [Passagem relevante adicional].”

Vantagens e Insights

1. Profundidade da Análise: Ao trabalhar soluções ou análises primeiro, a IA pode fornecer avaliações mais precisas e aprofundadas.
2. Aprendizado Orientado: Em cenários de tutoria, o uso de monólogo interno e dicas encoraja os alunos a chegarem a soluções de forma independente, melhorando sua experiência de aprendizado.
3. Cobertura Abrangente: Para análise de documentos, abordagens sequenciais e recursivas garantem uma cobertura completa sem perder detalhes importantes.
4. Evitando Viés: Ao gerar sua própria solução primeiro, a IA evita viés que pode surgir ao avaliar diretamente uma resposta dada.

5. Utilizando Ferramentas Externas

Incorporar ferramentas e recursos externos nas interações com a IA pode melhorar significativamente a precisão e a relevância das respostas geradas por modelos como o GPT-4. Esta seção demonstra o uso de busca baseada em embeddings para recuperação de conhecimento, execução de código para cálculos precisos e chamadas de função para aumentar as capacidades dos modelos de IA.

Exemplo 1: Cálculos Precisos com Execução de Código

• Sem Execução de Código: Dependendo apenas das capacidades de cálculo da IA.
  • Prompt do Usuário: “Calcule a raiz quadrada de 529.”
  • Saída da IA: “A raiz quadrada de 529 é aproximadamente 23.”
• Com Execução de Código: Garantindo precisão nos cálculos.
  • Prompt do Usuário: “Calcule a raiz quadrada de 529.”
  • Diretiva da IA: “Escreva e execute código Python para calcular isso.”
  • Saída da IA: “python import math math.sqrt(529) A raiz quadrada de 529 é exatamente 23.”

Exemplo 2: Usando Chamadas de API para Interações Dinâmicas

• Sem Chamadas de API: Limitado a respostas estáticas e pré-programadas.
  • Prompt do Usuário: “Envie um lembrete ao meu amigo sobre nossa reunião amanhã.”
  • Saída da IA: “Lembrete: Não se esqueça de enviar uma mensagem ao seu amigo sobre a reunião amanhã.”
• Com Chamadas de API: Interagindo com sistemas externos para ações em tempo real.
  • Prompt do Usuário: “Envie um lembrete ao meu amigo João sobre nossa reunião amanhã.”
  • Diretiva da IA: “Use a API de mensagens para enviar um lembrete.”
  • Saída da IA: “python import message message.write(to='João', message='Ei, lembre-se da nossa reunião amanhã!') Lembrete enviado a João sobre a reunião amanhã.”

Vantagens e Insights

1. Base de Conhecimento Expandida: Ao usar busca baseada em embeddings, a IA pode acessar e incorporar uma vasta gama de informações atualizadas, melhorando a relevância e a precisão de suas respostas.
2. Precisão nos Cálculos: A execução de código permite que a IA realize cálculos matemáticos precisos, o que é especialmente útil em contextos técnicos ou científicos.
3. Capacidades Interativas: Chamadas de API habilitam a IA a interagir com sistemas externos, facilitando ações no mundo real, como enviar mensagens ou definir lembretes.

6. Teste Sistemático

O teste sistemático, ou procedimentos de avaliação, é crucial para determinar a eficácia das mudanças nos sistemas de IA. Esta abordagem envolve comparar as saídas do modelo com um conjunto de padrões pré-determinados ou respostas “padrão-ouro” para avaliar a precisão.

Exemplo 1: Identificando Contradições em Respostas

• Cenário de Teste: Detectar contradições na resposta do modelo em comparação com respostas de especialistas.
  • Diretiva do Sistema: Determine se a resposta do modelo contradiz alguma parte da resposta fornecida por um especialista.
  • Entrada do Usuário: “Neil Armstrong se tornou a segunda pessoa a caminhar na lua, após Buzz Aldrin.”
  • Processo de Avaliação: O sistema verifica a consistência com a resposta do especialista que afirma Neil Armstrong foi a primeira pessoa na lua.
  • Saída do Modelo: A resposta do modelo contradiz diretamente a resposta do especialista, indicando um erro.

Exemplo 2: Comparando Níveis de Detalhe em Respostas

• Cenário de Teste: Avaliar se a resposta do modelo alinha com, excede ou fica aquém da resposta do especialista em termos de detalhe.
  • Diretiva do Sistema: Compare a profundidade de informações entre a resposta do modelo e a resposta do especialista.
  • Entrada do Usuário: “Neil Armstrong foi a primeira pessoa a caminhar na lua em 21 de julho de 1969, às 02:56 UTC.”
  • Processo de Avaliação: O sistema avalia se a resposta do modelo fornece mais, igual ou menos detalhes em comparação com a resposta do especialista.
  • Saída do Modelo: A resposta do modelo fornece detalhes adicionais (o horário exato), o que alinha com e estende a resposta do especialista.

Vantagens e Insights

1. Precisão e Confiabilidade: O teste sistemático garante que as respostas do modelo de IA sejam precisas e confiáveis, especialmente ao lidar com informações factuais.
2. Deteção de Erros: Ajuda a identificar erros, contradições ou inconsistências nas respostas do modelo.
3. Garantia de Qualidade: Esta abordagem é essencial para manter altos padrões de qualidade em conteúdo gerado por IA, particularmente em contextos educacionais, históricos ou outros sensíveis a fatos.

Conclusão e Mensagem de Retorno

Através dos exemplos e estratégias discutidos, vimos como a especificidade nos prompts pode dramaticamente alterar a saída, e como quebrar tarefas complexas em subtarefas mais simples pode tornar desafios intimidantes em desafios gerenciáveis. Exploramos o poder de ferramentas externas em aumentar as capacidades da IA e a importância do teste sistemático para garantir a precisão e a confiabilidade das respostas da IA. Visite Guia de Engenharia de Prompt da OpenAI para conhecimento fundamental que complementa nossa exploração abrangente de técnicas e estratégias avançadas para otimizar interações com a IA.