<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:dc="http://purl.org/dc/elements/1.1/">
  <channel>
    <title>DEV Community: Paula Figueiredo</title>
    <description>The latest articles on DEV Community by Paula Figueiredo (@paula-figueiredo).</description>
    <link>https://dev.to/paula-figueiredo</link>
    <image>
      <url>https://media2.dev.to/dynamic/image/width=90,height=90,fit=cover,gravity=auto,format=auto/https:%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Fuser%2Fprofile_image%2F4196748%2Fb3de6e40-8634-472e-91b0-78015a40c871.png</url>
      <title>DEV Community: Paula Figueiredo</title>
      <link>https://dev.to/paula-figueiredo</link>
    </image>
    <atom:link rel="self" type="application/rss+xml" href="https://dev.to/feed/paula-figueiredo"/>
    <language>en</language>
    <item>
      <title>IA para Devs 02: O que é um modelo de linguagem ou LLM?</title>
      <dc:creator>Paula Figueiredo</dc:creator>
      <pubDate>Fri, 30 Oct 2026 20:59:22 +0000</pubDate>
      <link>https://dev.to/paula-figueiredo/ia-para-devs-02-o-que-e-um-modelo-de-linguagem-ou-llm-5677</link>
      <guid>https://dev.to/paula-figueiredo/ia-para-devs-02-o-que-e-um-modelo-de-linguagem-ou-llm-5677</guid>
      <description>&lt;h1&gt;
  
  
  Introdução
&lt;/h1&gt;

&lt;p&gt;Olá dando sequencia a minha série sobre IA para Devs. Hoje vamos entender como um LLM recebe um pedido, gera uma resposta e qual é seu papel em um agente de IA. Ah e se você perdeu o primeiro artigo ele foi sobre &lt;a href="https://dev.to/paula-figueiredo/ia-para-devs-01-o-que-significa-engenharia-de-prompt-na-pratica-4a62"&gt;O que significa engenharia de prompt na prática?&lt;/a&gt;. Mas dando sequencia, vamos ao assunto de hoje.&lt;/p&gt;




&lt;h2&gt;
  
  
  O que é?
&lt;/h2&gt;

&lt;p&gt;&lt;strong&gt;LLM&lt;/strong&gt; é a sigla de &lt;strong&gt;Large Language Model&lt;/strong&gt; (modelo de Linguagem de grande porte). É um modelo treinado para processar sequências de tokens e gerar respostas conforme a mensagem recebida. &lt;/p&gt;

&lt;p&gt;Muitos LLMs são &lt;strong&gt;modelos fundacionais&lt;/strong&gt; (foundation models), treinados com grandes volumes de dados para realizar ou serem adaptados a diferentes tarefas. Também existem modelos fundacionais que trabalham com imagens, áudio e outros tipos de dados, são modelos multimodais.&lt;/p&gt;




&lt;h2&gt;
  
  
  O treinamento de um modelo
&lt;/h2&gt;

&lt;p&gt;É o processo em que ele aprende padrões a partir de dados. Durante esse processo, são ajustados seus &lt;strong&gt;parâmetros&lt;/strong&gt;, que são valores numéricos internos que influenciam como o modelo processa informações e gera respostas. Esse treinamento pode envolver diferentes etapas e métodos: Pré-treinamento, ajuste fino, treinamento por preferências ou reforço.&lt;/p&gt;

&lt;blockquote&gt;
&lt;p&gt;Nem todos os modelos utilizam as mesmas etapas ou métodos. Por exemplos, modelos criados para gerar código podem ser treinados com todos os repositórios públicos do github e todas as perguntas e respostas do stack overflow.&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;Ao receber um prompt, o LLM utiliza os padrões aprendidos e o contexto fornecido para gerar textos, códigos ou formatos estruturados.&lt;/p&gt;




&lt;h2&gt;
  
  
  O que pode fazer sozinho?
&lt;/h2&gt;

&lt;p&gt;Com base no contexto recebido (prompt do usuário) e nos padrões aprendidos no treinamento, um LLM pode:&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;Responder a perguntas com base no contexto e no que aprendeu no treinamento.&lt;/li&gt;
&lt;li&gt;Explicar conceitos e reformular textos.&lt;/li&gt;
&lt;li&gt;Resumir, traduzir e classificar textos.&lt;/li&gt;
&lt;li&gt;Criar rascunhos, exemplos e ideias.&lt;/li&gt;
&lt;li&gt;Gerar código ou dados estruturados conforme as instruções.&lt;/li&gt;
&lt;li&gt;Analisar informações apresentadas e sugerir possíveis soluções.&lt;/li&gt;
&lt;/ul&gt;

&lt;h2&gt;
  
  
  O que não pode fazer sozinho?
&lt;/h2&gt;

&lt;ul&gt;
&lt;li&gt;Pesquisar na internet.&lt;/li&gt;
&lt;li&gt;Editar um arquivo.&lt;/li&gt;
&lt;li&gt;Responder com dados atualizados após seu treinamento.&lt;/li&gt;
&lt;li&gt;Manter histórico de uma conversa.&lt;/li&gt;
&lt;/ul&gt;




&lt;h2&gt;
  
  
  Como funciona?
&lt;/h2&gt;

&lt;p&gt;&lt;strong&gt;Passo 1:&lt;/strong&gt;  &lt;/p&gt;

&lt;p&gt;O usuário escreve uma mensagem e envia ao modelo:&lt;br&gt;
&lt;/p&gt;

&lt;div class="highlight js-code-highlight"&gt;
&lt;pre class="highlight plaintext"&gt;&lt;code&gt;Me explique em uma frase o que é uma LLM
&lt;/code&gt;&lt;/pre&gt;

&lt;/div&gt;



&lt;p&gt;&lt;strong&gt;Passo 2:&lt;/strong&gt; &lt;/p&gt;

&lt;p&gt;O modelo divide a mensagem em vários tokens:&lt;/p&gt;

&lt;blockquote&gt;
&lt;p&gt;&lt;strong&gt;Tokens:&lt;/strong&gt; são unidades usadas pelo modelo para processar texto; uma palavra pode ser dividida em vários tokens. Cada modelo tem suas regras de divisão e quebra de token.&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;Exemplo:&lt;/p&gt;

&lt;p&gt;&lt;a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fosthmex2e460m7myh4dk.png" class="article-body-image-wrapper"&gt;&lt;img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fosthmex2e460m7myh4dk.png" alt="imagem mostrando um site que exibe uma mensagem de um usuario e como o modelo quebra em tokens" width="800" height="501"&gt;&lt;/a&gt;&lt;/p&gt;

&lt;p&gt;&lt;a href="https://tokenvisualizer.netlify.app/" rel="noopener noreferrer"&gt;Link para a ferramenta&lt;/a&gt;&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;Passo 3:&lt;/strong&gt; &lt;/p&gt;

&lt;p&gt;O modelo usa os parâmetros de treinamento para de forma matemática determinar quais tokens ele pode devolver para gerar uma resposta satisfatória.&lt;/p&gt;

&lt;p&gt;&lt;a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fph0h0g3hp8ozuw7slek1.png" class="article-body-image-wrapper"&gt;&lt;img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fph0h0g3hp8ozuw7slek1.png" alt=" " width="800" height="400"&gt;&lt;/a&gt;&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;Passo 4:&lt;/strong&gt; &lt;/p&gt;

&lt;p&gt;O modelo devolve a resposta para o usuário em linguagem natural:&lt;br&gt;
&lt;/p&gt;

&lt;div class="highlight js-code-highlight"&gt;
&lt;pre class="highlight plaintext"&gt;&lt;code&gt;Uma LLM é um modelo de inteligência artificial que processa e gera textos.
&lt;/code&gt;&lt;/pre&gt;

&lt;/div&gt;






&lt;h2&gt;
  
  
  Qual a diferença entre um LLM e um agente de IA?
&lt;/h2&gt;

&lt;p&gt;Um &lt;strong&gt;LLM&lt;/strong&gt; recebe um contexto e produz uma saída. Já um &lt;strong&gt;agente de IA&lt;/strong&gt; combina esse modelo com um fluxo de trabalho que pode usar ferramentas da aplicação para realizar uma ou mais tarefas em uma ou mais etapas, inclusive salvando o contexto da conversa.&lt;/p&gt;

&lt;p&gt;&lt;a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fz1wlb1yr5rzqyewl6x9m.png" class="article-body-image-wrapper"&gt;&lt;img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fz1wlb1yr5rzqyewl6x9m.png" alt=" " width="800" height="400"&gt;&lt;/a&gt;&lt;/p&gt;

&lt;h3&gt;
  
  
  Exemplos de LLM
&lt;/h3&gt;

&lt;ul&gt;
&lt;li&gt;GPT-4 (OpenAI).&lt;/li&gt;
&lt;li&gt;Claude Sonnet 4.5 (Anthropic).&lt;/li&gt;
&lt;li&gt;Gemini 2.5 Pro (Google).&lt;/li&gt;
&lt;/ul&gt;

&lt;h3&gt;
  
  
  Exemplos de agentes de IA
&lt;/h3&gt;

&lt;ul&gt;
&lt;li&gt;Claude code (Anthropic).&lt;/li&gt;
&lt;li&gt;Codex (OpenAI).&lt;/li&gt;
&lt;li&gt;Copilot (Microsoft).&lt;/li&gt;
&lt;/ul&gt;

&lt;h3&gt;
  
  
  Um exemplo prático
&lt;/h3&gt;

&lt;p&gt;você pergunta:&lt;br&gt;
&lt;/p&gt;

&lt;div class="highlight js-code-highlight"&gt;
&lt;pre class="highlight plaintext"&gt;&lt;code&gt;Qual é a temperatura em São Paulo agora?
&lt;/code&gt;&lt;/pre&gt;

&lt;/div&gt;



&lt;p&gt;&lt;strong&gt;Resposta com o modelo LLM&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;O modelo pode gerar uma resposta com base no que aprendeu durante o treinamento, mas, sem acesso a dados atualizados, não consegue confirmar a temperatura atual.&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;Resposta com o agente&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;O agente identifica que precisa de informações atualizadas, faz consulta a uma ferramenta de previsão do tempo e retorna a temperatura informada naquele momento.&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;A diferença:&lt;/strong&gt; o LLM gera respostas com base nos padrões aprendidos e no contexto recebido, enquanto o agente pode utilizar ferramentas para consultar informações externas e assim executar ações.&lt;/p&gt;




&lt;h2&gt;
  
  
  Conclusão
&lt;/h2&gt;

&lt;p&gt;Podemos comparar o &lt;strong&gt;LLM a um cérebro&lt;/strong&gt;, que processa informações, interpreta e gera respostas a partir dos seus padrões matemáticos aprendidos. Dá mesma forma que um ser humano só consegue responder sobre assuntos que aprendeu durante a vida.&lt;/p&gt;

&lt;p&gt;E quando um humano inventa algo que não sabe só para responder uma pergunta? Parabéns você entendeu o que é a alucinação da LLM.&lt;/p&gt;

&lt;p&gt;Até o próximo artigo :)&lt;/p&gt;

&lt;h2&gt;
  
  
  Referências
&lt;/h2&gt;

&lt;ul&gt;
&lt;li&gt;Huyen, C. (2026). &lt;a href="https://novatec.com.br/livros/engenharia-de-ia/" rel="noopener noreferrer"&gt;Engenharia de IA: Construindo aplicações com modelos de fundação&lt;/a&gt;. Novatec Editora.&lt;/li&gt;
&lt;li&gt;Albada, M. (2026). &lt;a href="https://novatec.com.br/livros/construindo-aplicacoes-com-agentes-IA/" rel="noopener noreferrer"&gt;Construindo Aplicações com Agentes de IA&lt;/a&gt;. Novatec Editora.&lt;/li&gt;
&lt;/ul&gt;

&lt;h3&gt;
  
  
  Me encontre nas redes socias :)
&lt;/h3&gt;

&lt;p&gt;&lt;a href="https://www.linkedin.com/in/paula-m-figueiredo/" rel="noopener noreferrer"&gt;Linkedin&lt;/a&gt;&lt;/p&gt;

</description>
      <category>ai</category>
      <category>programming</category>
      <category>llm</category>
      <category>braziliandevs</category>
    </item>
    <item>
      <title>IA para Devs 01: O que significa engenharia de prompt na prática?</title>
      <dc:creator>Paula Figueiredo</dc:creator>
      <pubDate>Wed, 28 Oct 2026 16:50:56 +0000</pubDate>
      <link>https://dev.to/paula-figueiredo/ia-para-devs-01-o-que-significa-engenharia-de-prompt-na-pratica-4a62</link>
      <guid>https://dev.to/paula-figueiredo/ia-para-devs-01-o-que-significa-engenharia-de-prompt-na-pratica-4a62</guid>
      <description>&lt;h2&gt;
  
  
  Introdução
&lt;/h2&gt;

&lt;p&gt;Há algum tempo, eu estava no trabalho quando recebemos a notícia de que teríamos acesso a tokens. Lembro da animação do meu time: poderíamos incorporar a IA ao dia a dia, experimentar novas possibilidades e facilitar algumas tarefas no &lt;strong&gt;desenvolvimento de software&lt;/strong&gt;.&lt;/p&gt;

&lt;p&gt;Durante o uso, comecei a perceber que precisava fazer pedidos parecidos várias vezes ao longo do dia. Foi quando tive uma ideia simples: guardar aquelas mensagens e reutilizá-las sempre que precisasse realizar a mesma tarefa.&lt;/p&gt;

&lt;p&gt;Mas isso trouxe uma pergunta: &lt;strong&gt;como escrever o que eu queria de forma clara para obter respostas mais consistentes&lt;/strong&gt; e alinhadas à minha necessidade?&lt;/p&gt;

&lt;p&gt;Essa &lt;strong&gt;curiosidade&lt;/strong&gt; me levou a estudar engenharia de IA, realizar experimentos pessoais, aplicar esses conhecimentos em projetos no trabalho, &lt;a href="https://lnkd.in/p/dVN46vdb" rel="noopener noreferrer"&gt;fazer leituras técnicas&lt;/a&gt; (muitas, muitas leituras técnicas) e aprofundar meus estudos, inclusive iniciar uma graduação focada em Agentes Inteligentes - AI Agents Engineering &amp;amp; Autonomous Architectures pela &lt;a href="https://www.fiap.com.br/graduacao/tecnologo/agentes-inteligentes/" rel="noopener noreferrer"&gt;FIAP&lt;/a&gt;.&lt;/p&gt;

&lt;p&gt;E bom, assim chegamos no meu primeiro artigo sobre o assunto :) Aqui vamos entender &lt;strong&gt;o que é um prompt&lt;/strong&gt;, o que significa trabalhar sua construção de forma estruturada e como avaliar se as respostas atendem ao que precisamos. Ao longo da série, aprofundarei cada parte desse processo, incluindo instruções, contexto e testes entre outros.&lt;/p&gt;




&lt;h2&gt;
  
  
  Então, para começar, vamos à pergunta-chave: O que é prompt?
&lt;/h2&gt;

&lt;p&gt;Na computação, o termo prompt já era utilizado antes da inteligência artificial. No terminal, o prompt de comando indica que o sistema está pronto para receber um comando.&lt;/p&gt;

&lt;p&gt;Já &lt;strong&gt;no contexto do mundo da IA, prompt&lt;/strong&gt; é a entrada que fornecemos ao modelo para orientar sua resposta. &lt;strong&gt;O modelo&lt;/strong&gt; é o sistema &lt;strong&gt;treinado para processar&lt;/strong&gt; esse pedido e &lt;strong&gt;gerar uma resposta&lt;/strong&gt;, como a explicação que aparece no chat. Isso pode incluir uma pergunta, um pedido, algumas instruções, informações de contexto e exemplos.&lt;/p&gt;

&lt;p&gt;Por exemplo, vou fazer uma pergunta com um prompt simples:&lt;br&gt;
&lt;/p&gt;

&lt;div class="highlight js-code-highlight"&gt;
&lt;pre class="highlight plaintext"&gt;&lt;code&gt;Explique a Segunda Guerra Mundial usando uma linguagem simples e clara para uma pessoa que não conhece o assunto.
&lt;/code&gt;&lt;/pre&gt;

&lt;/div&gt;



&lt;p&gt;Nesse pedido, indicamos o assunto, a linguagem desejada e o público para quem a explicação deve ser direcionada.&lt;/p&gt;




&lt;h2&gt;
  
  
  E o que é engenharia de prompt?
&lt;/h2&gt;

&lt;p&gt;A engenharia de prompt &lt;strong&gt;é o trabalho de arquitetar, construir e avaliar prompts&lt;/strong&gt; para obter respostas mais úteis e consistentes para o objetivo que queremos.&lt;/p&gt;

&lt;p&gt;Como define Chip Huyen, no livro &lt;em&gt;Engenharia de IA&lt;/em&gt; (2026):&lt;/p&gt;

&lt;blockquote&gt;
&lt;p&gt;“A engenharia de prompt é o processo de criar uma instrução que faça com que um modelo gere o resultado desejado” (p. 211).&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;O termo engenharia, nesse contexto, &lt;strong&gt;destaca o trabalho de construir, testar e aperfeiçoar prompts&lt;/strong&gt; de forma estruturada. Esse processo envolve:&lt;/p&gt;

&lt;ol&gt;
&lt;li&gt;Definir o objetivo e o resultado esperado.&lt;/li&gt;
&lt;li&gt;Identificar o contexto necessário.&lt;/li&gt;
&lt;li&gt;Construir uma primeira versão do prompt.&lt;/li&gt;
&lt;li&gt;Executar o prompt e testar seu comportamento.&lt;/li&gt;
&lt;li&gt;Avaliar as respostas e refinar as instruções.&lt;/li&gt;
&lt;li&gt;Reutilizar o prompt e acompanhar seus resultados.&lt;/li&gt;
&lt;/ol&gt;

&lt;p&gt;Essas etapas formam um ciclo: os problemas encontrados nos testes ou durante o uso podem nos levar a revisar o contexto, ajustar as instruções e testar novamente.&lt;/p&gt;

&lt;p&gt;Nesse processo, orientamos o comportamento do modelo &lt;strong&gt;sem alterar seus parâmetros&lt;/strong&gt;, que são os valores numéricos internos ajustados durante o seu treinamento.&lt;/p&gt;

&lt;p&gt;Ao pedir uma explicação com linguagem simples e exemplos do cotidiano, por exemplo, você direciona como o modelo deve responder naquele contexto. Essa instrução não modifica seus parâmetros nem corresponde a um novo treinamento.&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;A avaliação das respostas faz parte desse trabalho&lt;/strong&gt;. Precisamos verificar se elas estão corretas, respeitam as instruções e atendem ao objetivo definido.&lt;/p&gt;




&lt;h2&gt;
  
  
  De onde vem?
&lt;/h2&gt;

&lt;p&gt;A engenharia de prompt se desenvolveu &lt;strong&gt;a partir das pesquisas sobre modelos de linguagem&lt;/strong&gt;, sistemas de IA capazes de processar e gerar textos. Nessas pesquisas, a maneira de apresentar uma tarefa ao modelo — incluindo as palavras, o contexto e os exemplos utilizados — passou a ser estudada como uma forma de orientar suas respostas.&lt;/p&gt;

&lt;p&gt;Um marco importante foi o &lt;a href="https://arxiv.org/abs/2005.14165" rel="noopener noreferrer"&gt;estudo sobre o GPT-3&lt;/a&gt;, publicado em 2020. Ele demonstrou que o modelo conseguia realizar diferentes tarefas a partir de instruções e exemplos fornecidos no próprio prompt, sem um novo treinamento específico para cada tarefa.&lt;/p&gt;

&lt;p&gt;&lt;a href="https://arxiv.org/abs/2107.13586" rel="noopener noreferrer"&gt;Em 2021, uma revisão científica&lt;/a&gt; já reunia e organizava diferentes métodos de construção de prompts.&lt;/p&gt;

&lt;p&gt;Esses trabalhos ajudam a entender por que a construção do prompt passou a receber atenção: a forma de apresentar uma tarefa pode influenciar o resultado produzido pelo modelo.&lt;/p&gt;




&lt;h2&gt;
  
  
  Vamos à engenharia de prompt na prática
&lt;/h2&gt;

&lt;p&gt;Imagine que você queira &lt;strong&gt;aprender sobre a Segunda Guerra Mundial&lt;/strong&gt;. &lt;/p&gt;

&lt;p&gt;Que tal colocar a mão na massa e testar comigo os prompts usando um chat de IA? Você só precisa copiar e colar o prompt e observar as respostas. Para esses exemplos utilizarei o Modo IA do Google. &lt;/p&gt;

&lt;p&gt;Agora vamos arquitetar o passo a passo desse prompt.&lt;/p&gt;

&lt;p&gt;&lt;a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fwltb6s728zt0xvlttc3g.jpg" class="article-body-image-wrapper"&gt;&lt;img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fwltb6s728zt0xvlttc3g.jpg" alt="Diagrama manuscrito em um caderno com seis etapas da engenharia de prompt: definir o objetivo, identificar o contexto, construir o prompt, executar e testar, avaliar e refinar, reutilizar e acompanhar. Uma seta indica o retorno aos testes após o refinamento." width="800" height="450"&gt;&lt;/a&gt;&lt;/p&gt;

&lt;h3&gt;
  
  
  1. Definir o objetivo
&lt;/h3&gt;

&lt;p&gt;Primeiro o que queremos entender:&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;A Segunda Guerra Mundial.&lt;/li&gt;
&lt;li&gt;Os acontecimentos importantes.&lt;/li&gt;
&lt;li&gt;As principais consequências.&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;Para avaliar se a resposta atende ao objetivo, vamos verificar se ela apresenta as causas, os acontecimentos e as consequências, com uma linguagem acessível.&lt;/p&gt;

&lt;h3&gt;
  
  
  2. Identificar o contexto
&lt;/h3&gt;

&lt;p&gt;Estamos começando a estudar o assunto e ainda não temos conhecimento sobre o tema. Por isso, precisamos de uma explicação simples e adequada para quem está começando.&lt;/p&gt;

&lt;h3&gt;
  
  
  3. Construir a primeira versão
&lt;/h3&gt;

&lt;p&gt;Já sabemos o que queremos aprender e qual é nosso nível de conhecimento. Vamos começar com uma versão que informa apenas o assunto, para observar o resultado e depois comparar o que muda quando acrescentamos essas informações.&lt;/p&gt;

&lt;p&gt;Vamos começar com um pedido simples:&lt;br&gt;
&lt;/p&gt;

&lt;div class="highlight js-code-highlight"&gt;
&lt;pre class="highlight plaintext"&gt;&lt;code&gt;Explique a Segunda Guerra Mundial.
&lt;/code&gt;&lt;/pre&gt;

&lt;/div&gt;



&lt;p&gt;Esse pedido comunica o &lt;strong&gt;assunto&lt;/strong&gt;, certo? Mas percebe que ele deixa algumas questões em aberto?&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;Queremos um resumo ou uma explicação aprofundada?&lt;/li&gt;
&lt;li&gt;Já conhecemos o tema?&lt;/li&gt;
&lt;li&gt;Quais aspectos dela queremos entender?&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;A IA pode produzir uma resposta adequada, mas informar essas &lt;strong&gt;necessidades&lt;/strong&gt; ajuda a direcionar a explicação para o que queremos aprender.&lt;/p&gt;

&lt;h3&gt;
  
  
  4. Executar e testar
&lt;/h3&gt;

&lt;p&gt;Agora copie o primeiro prompt, execute no Modo IA do Google e observe a resposta.&lt;/p&gt;

&lt;p&gt;&lt;a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2F2l8q836c93blghemkfiw.png" class="article-body-image-wrapper"&gt;&lt;img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2F2l8q836c93blghemkfiw.png" alt="Captura do Modo IA do Google com o prompt “Explique a Segunda Guerra Mundial.” e o início da resposta, com um resumo e uma seção sobre as principais causas do conflito." width="774" height="1538"&gt;&lt;/a&gt;&lt;/p&gt;

&lt;p&gt;&lt;em&gt;Teste real com o prompt inicial: “Explique a Segunda Guerra Mundial.” A captura mostra um trecho da resposta recebida.&lt;/em&gt;&lt;/p&gt;

&lt;h3&gt;
  
  
  5. Avaliar e refinar
&lt;/h3&gt;

&lt;p&gt;Depois de receber a explicação, podemos verificar:&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;A &lt;strong&gt;linguagem&lt;/strong&gt; é fácil de entender?&lt;/li&gt;
&lt;li&gt;A resposta apresenta as &lt;strong&gt;causas, os principais acontecimentos e as consequências&lt;/strong&gt;?&lt;/li&gt;
&lt;li&gt;O &lt;strong&gt;nível de detalhe&lt;/strong&gt; é adequado para quem está começando?&lt;/li&gt;
&lt;li&gt;As &lt;strong&gt;informações históricas&lt;/strong&gt; estão corretas?&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;Imagine que a resposta seja muito longa e acabe cansando durante a leitura. Essa observação nos ajuda a identificar o que precisamos melhorar no próximo pedido.&lt;/p&gt;

&lt;h4&gt;
  
  
  Assim ajustamos as instruções para recebermos a resposta que queremos obter
&lt;/h4&gt;

&lt;p&gt;Podemos fazer uma reformulação simples, &lt;strong&gt;aplicar uma persona, definir a tarefa, o contexto, dar as instruções de como queremos as respostas&lt;/strong&gt; e também em qual formato.&lt;br&gt;
&lt;/p&gt;

&lt;div class="highlight js-code-highlight"&gt;
&lt;pre class="highlight plaintext"&gt;&lt;code&gt;PERSONA
Você é um professor de história de nível fundamental.

TAREFA
Me explique a Segunda Guerra Mundial.

CONTEXTO
Estou começando a estudar o assunto e ainda não tenho
conhecimento sobre o tema.

INSTRUÇÕES
Use linguagem simples, clara e objetiva.

FORMATO DA RESPOSTA
Organize a resposta em uma lista com três itens, usando uma única frase por item:

1. Principais causas.
2. Acontecimentos mais importantes.
3. Principais consequências.
&lt;/code&gt;&lt;/pre&gt;

&lt;/div&gt;



&lt;p&gt;Essas informações ajudam a orientar a explicação conforme a nossa necessidade. Os títulos servem para organizar o pedido, mas &lt;strong&gt;não são obrigatórios&lt;/strong&gt;: também podemos escrever essas orientações em um texto corrido.&lt;/p&gt;

&lt;h4&gt;
  
  
  Agora verificamos se as mudanças no prompt ajudaram
&lt;/h4&gt;

&lt;p&gt;Agora execute a nova versão e avalie a resposta usando os mesmos critérios. Observe quais problemas foram resolvidos e quais continuam presentes. Se ainda houver algo a melhorar, ajuste as instruções e repita o teste.&lt;/p&gt;

&lt;p&gt;&lt;a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fylwbrc5ibo6j58etod5p.png" class="article-body-image-wrapper"&gt;&lt;img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fylwbrc5ibo6j58etod5p.png" alt="Captura de um teste real com o prompt refinado, solicitando uma lista de três itens com uma frase por item. A resposta apresenta causas, acontecimentos e consequências da Segunda Guerra Mundial nesse formato." width="800" height="1094"&gt;&lt;/a&gt;&lt;/p&gt;

&lt;p&gt;Precisamos conferir se a nova resposta atende ao que pedimos.&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;A explicação ficou compreensível? &lt;/li&gt;
&lt;li&gt;As três partes foram contempladas?
&lt;/li&gt;
&lt;li&gt;Cada item contém uma única frase?&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;Também precisamos conferir as informações históricas em fontes confiáveis. Podemos pedir referências à IA, mas devemos verificar se elas existem e se sustentam as informações apresentadas na resposta.&lt;/p&gt;

&lt;p&gt;Se algum ponto continuar confuso, podemos &lt;strong&gt;ajustar o pedido novamente&lt;/strong&gt;. Por exemplo, solicitar uma explicação mais simples sobre uma das causas.&lt;/p&gt;

&lt;p&gt;Esse processo de &lt;strong&gt;definir o objetivo, identificar o contexto, construir, testar, avaliar e refinar o prompt&lt;/strong&gt; faz parte do trabalho de engenharia de prompt.&lt;/p&gt;

&lt;h3&gt;
  
  
  6. Reutilizar e acompanhar
&lt;/h3&gt;

&lt;p&gt;Quando encontrarmos uma versão que atende ao objetivo, podemos guardá-la para reutilizar, como contei no início do artigo. Durante os próximos usos, precisamos observar se ela continua produzindo respostas adequadas. Novas necessidades ou problemas podem exigir outros ajustes e testes.&lt;/p&gt;




&lt;h2&gt;
  
  
  Boas práticas para começar
&lt;/h2&gt;

&lt;p&gt;Agora que vimos esse processo na prática, podemos levar alguns cuidados para os próximos prompts. Eles ajudam a organizar o pedido, deixar nossas expectativas mais claras e avaliar o que recebemos. Vamos olhar para quatro pontos que você pode aplicar tanto nos estudos quanto nas tarefas do dia a dia.&lt;/p&gt;

&lt;h3&gt;
  
  
  Escreva instruções claras
&lt;/h3&gt;

&lt;p&gt;Explique o que você quer que a IA faça e quais critérios a resposta precisa atender. &lt;/p&gt;

&lt;p&gt;No nosso exemplo, pedir um resumo com as causas, os acontecimentos e as consequências deixa mais claro o conteúdo esperado.&lt;/p&gt;

&lt;h3&gt;
  
  
  Forneça contexto relevante
&lt;/h3&gt;

&lt;p&gt;Inclua informações que ajudem a IA a adequar a resposta à sua necessidade. &lt;strong&gt;Dizer que você está começando a estudar o assunto&lt;/strong&gt;, por exemplo, ajuda a orientar o nível de profundidade e a linguagem da explicação. &lt;/p&gt;

&lt;p&gt;O contexto deve contribuir para a tarefa. Não precisamos acrescentar informações que não tenham relação com o que queremos aprender.&lt;/p&gt;

&lt;h3&gt;
  
  
  Indique o formato da resposta esperada
&lt;/h3&gt;

&lt;p&gt;Explique como você deseja receber as informações. &lt;strong&gt;No exemplo, pedimos uma lista de três itens, com uma frase por item.&lt;/strong&gt; &lt;/p&gt;

&lt;p&gt;Também poderíamos solicitar uma linha do tempo ou uma lista de tópicos. O formato deve facilitar a leitura e a avaliação do resultado.&lt;/p&gt;

&lt;h3&gt;
  
  
  Teste e ajuste
&lt;/h3&gt;

&lt;p&gt;Verifique se as respostas atendem ao objetivo, respeitam o escopo e apresentam informações corretas. Experimente o prompt em diferentes situações. Sim, experimente em diferentes modelos de IA e use os problemas encontrados para orientar os ajustes. &lt;/p&gt;

&lt;p&gt;Quando estiver comparando versões, mantenha as mesmas tarefas e condições para entender melhor o efeito das mudanças. No desenvolvimento de software, execute e &lt;strong&gt;teste as alterações&lt;/strong&gt; sugeridas antes de incorporá-las ao projeto.&lt;/p&gt;




&lt;h2&gt;
  
  
  Conclusão
&lt;/h2&gt;

&lt;p&gt;Na prática, trabalhar com engenharia de prompt envolve definir o que queremos, fornecer as informações necessárias, avaliar as respostas e ajustar as instruções a partir dos problemas encontrados.&lt;/p&gt;

&lt;p&gt;Eu sei, dá vontade de escrever o prompt, receber uma resposta bonita e seguir a vida hahaha. Mas precisamos verificar se ela funciona: a resposta está correta, respeita o escopo e atende ao objetivo?&lt;/p&gt;

&lt;p&gt;Um prompt mais detalhado pode ajudar quando esclarece necessidades da tarefa. É pelos resultados que avaliamos sua qualidade. Por isso, vale experimentar diferentes situações e verificar o efeito de cada ajuste.&lt;/p&gt;

&lt;p&gt;Até o próximo artigo :)&lt;/p&gt;

&lt;h2&gt;
  
  
  Referências
&lt;/h2&gt;

&lt;ul&gt;
&lt;li&gt;Huyen, C. (2026). &lt;a href="https://novatec.com.br/livros/engenharia-de-ia/" rel="noopener noreferrer"&gt;Engenharia de IA: Construindo aplicações com modelos de fundação&lt;/a&gt;. Novatec Editora.&lt;/li&gt;
&lt;li&gt;Brown, T. B. et al. (2020). &lt;a href="https://arxiv.org/abs/2005.14165" rel="noopener noreferrer"&gt;Language Models are Few-Shot Learners&lt;/a&gt;.&lt;/li&gt;
&lt;li&gt;Liu, P. et al. (2021). &lt;a href="https://arxiv.org/abs/2107.13586" rel="noopener noreferrer"&gt;Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing&lt;/a&gt;.&lt;/li&gt;
&lt;/ul&gt;

&lt;h3&gt;
  
  
  Me encontre nas redes socias :)
&lt;/h3&gt;

&lt;p&gt;&lt;a href="https://www.linkedin.com/in/paula-m-figueiredo/?isSelfProfile=true" rel="noopener noreferrer"&gt;Linkedin&lt;/a&gt;&lt;/p&gt;

</description>
      <category>ai</category>
      <category>programming</category>
    </item>
  </channel>
</rss>
