Glossário
66 termos de “Fundamentos de prompt engineering: como escrever instruções eficazes”. Passe o cursor sobre a primeira ocorrência na lição para ver a definição.
| Termo | Definição | Fonte |
|---|---|---|
| prompt | A instrução em texto que você dá a um modelo de IA para dizer o que você quer — uma pergunta, uma descrição, uma tarefa ou alguma mistura dos três. É o único canal pelo qual o modelo consegue entender qual é a sua tarefa. | Prompt - Wikipedia |
| modelo de linguagem grande (LLM) | Um sistema de IA treinado com quantidades enormes de texto, capaz de entender linguagem natural e gerar texto novo em resposta; ChatGPT e Claude são exemplos. | Large Language Model - Wikipedia |
| engenharia de prompt | A prática sistemática de projetar e refinar prompts para que um modelo consiga agir sobre o que você realmente precisa. É uma habilidade reutilizável, não uma coleção de truques pontuais. | Prompt - Wikipedia |
| prompt vago | Uma instrução que deixa de fora a informação que o modelo precisa — sem público, sem formato, sem escopo — então o modelo tem que adivinhar sua intenção. | OpenAI Prompt Engineering Best Practices |
| prompt claro | Uma instrução que fixa a tarefa, o formato de saída e o contexto que o modelo precisa, deixando pouco espaço para ele improvisar. | OpenAI Prompt Engineering Best Practices |
| qualidade da saída | O quão bem a resposta do modelo corresponde ao que você precisava — acurácia, relevância, completude e formato correto juntos, não apenas se o conteúdo está certo. | Prompt Engineering Best Practices 2026 |
| refinamentos de ida e volta | As rodadas extras de conversa necessárias para consertar um prompt que foi subespecificado. Pesquisas sobre geração de código constataram que especificações explícitas cortam essas rodadas em 68%. | Prompt Engineering for Code Generation |
| instruções | A capacidade de um modelo de absorver e agir sobre o que um prompt de fato pede. Em 2026 os modelos fazem isso bem através de orientações complexas, documentos longos e tarefas de múltiplas etapas. | IBM Prompt Engineering Guide 2026 |
| token | A unidade que um LLM usa para processar texto, aproximadamente um fragmento de palavra. Tanto o seu prompt quanto a resposta do modelo consomem tokens, que é o que você paga e pelo que espera. | OpenAI Prompt Engineering Best Practices |
| papel | A identidade ou perspectiva a partir da qual você diz à IA para responder, como 'você é uma engenheira Python sênior' ou 'você é uma professora explicando através de analogias'. Ele estabelece nível de especialidade e tom. | Anthropic Prompt Engineering Overview |
| descrição da tarefa | A parte do prompt que diz exatamente o que você quer feito. Ela tem três camadas: um verbo (resumir, analisar, gerar), um objeto (sobre o que ela age) e um objetivo (que resultado alcançar). | OpenAI Prompt Engineering Best Practices |
| formato de saída | A estrutura e o estilo em que você quer a resposta — JSON, uma tabela, três tópicos, um conjunto fixo de seções — enunciados explicitamente em vez de deixados para o modelo. | OpenAI Prompt Engineering Best Practices |
| restrições | As regras de 'apenas...' e 'não...' que delimitam a resposta — comprimento, escopo, tom, exclusões, prioridades — impedindo o modelo de sair do trilho. | OpenAI Prompt Engineering Best Practices |
| contexto | A informação de contexto que você fornece no prompt para que o modelo entenda a situação, o público e os limites específicos da tarefa. | Anthropic Prompt Engineering Overview |
| perspectiva do público | Um padrão de papel que molda a resposta em torno de quem vai lê-la, como 'você está explicando isto para liderança não técnica'. Ele controla profundidade e vocabulário. | Anthropic Prompt Engineering Overview |
| jargão | Vocabulário específico do domínio cujo uso deve ser decidido por quem está lendo. Direcionado ao público errado, ele ou perde o leitor ou desperdiça o tempo dele em explicação que não precisa. | Anthropic Prompt Engineering Overview |
| modelo | Um prompt cuja parte variável é substituída por um marcador de posição, para que a mesma estrutura possa ser reutilizada através de execuções com apenas a entrada trocada. | Anthropic Prompt Engineering Overview |
| dimensões de revisão | Os ângulos nomeados a partir dos quais você diz à IA para examinar algo — correção, desempenho, segurança, clareza — geralmente com uma ordem de prioridade. | Prompt Engineering for Code Generation |
| few-shot learning | Uma técnica que guia o modelo colocando um pequeno número de exemplos (geralmente 2-5) no prompt, para que ele infira o mapeamento de entrada-saída, o formato e o estilo a partir deles. | Prompt Engineering Guide - Few-Shot Prompting |
| zero-shot | Fazer prompts com uma instrução e nenhum exemplo, deixando o modelo aplicar seu próprio julgamento à tarefa. | Zero-shot Learning - Wikipedia |
| one-shot | Fazer prompts com exatamente um exemplo — mais orientação que zero-shot, menos que few-shot. | Few-Shot Prompting Guide |
| aprendizado em contexto | A capacidade de um LLM de inferir uma regra a partir de exemplos dentro da conversa atual e aplicá-la a uma nova entrada, sem nenhum retreinamento envolvido. | Prompt Engineering Guide - Few-Shot Prompting |
| diversidade | Escolher exemplos few-shot que cobrem os diferentes tipos de entrada que a tarefa vai realmente ver, em vez de várias variações do mesmo caso. | Prompt Engineering Guide - Few-Shot Prompting |
| consistência de formato | Usar a mesma estrutura e marcadores exatos através de cada exemplo few-shot, para que o modelo aprenda uma forma de saída sem ambiguidade. | Prompt Engineering Guide - Few-Shot Prompting |
| casos-limite | As entradas ambíguas, incompletas ou incomuns que uma tarefa vai encontrar na realidade — campos ausentes, sinais mistos, valores extremos — em oposição ao caso ideal limpo. | Few-Shot Prompting Guide |
| JSON | Um formato de dados estruturado comumente solicitado como saída para tarefas de extração, porque um programa consegue analisá-lo diretamente. | Prompt Engineering Guide - Few-Shot Prompting |
| chain-of-thought | Uma técnica de prompt que faz o modelo expor etapas de raciocínio intermediárias antes de dar uma resposta final, o que eleva acurácia em tarefas que precisam de raciocínio de múltiplas etapas. | Prompt Engineering Guide - Chain-of-Thought |
| CoT | A abreviação padrão para prompting chain-of-thought, usada intercambiavelmente com o termo completo. | Prompt Engineering Guide - Chain-of-Thought |
| etapas de raciocínio | O caminho visível passo a passo que o modelo mostra do problema à resposta, para que cada elo na lógica possa ser conferido em vez de tomado com fé. | Chain of Thought Prompting Guide |
| vamos pensar passo a passo | A frase de deixa padrão anexada a um prompt para acionar raciocínio passo a passo sem fornecer nenhum exemplo. | Prompt Engineering Guide - Chain-of-Thought |
| CoT zero-shot | Chain-of-thought acionado apenas por uma frase de deixa, sem exemplos — a forma mais simples de fazer o modelo quebrar um problema. | Prompt Engineering Guide - Chain-of-Thought |
| CoT few-shot | Chain-of-thought guiado por um ou dois exemplos que mostram o processo de raciocínio completo, para que o modelo imite tanto as etapas quanto seu nível de detalhe. | Prompt Engineering Guide - Chain-of-Thought |
| etapas intermediárias | Os cálculos ou inferências individuais entre a pergunta e a resposta final. Torná-los explícitos é para o que chain-of-thought serve. | Prompt Engineering Guide - Chain-of-Thought |
| múltiplas etapas | Tarefas onde a resposta depende de uma cadeia de inferências ou cálculos dependentes — problemas de enunciado, análise de complexidade, análise de causa-raiz, decisões de planejamento. | Chain of Thought Prompting Guide |
| depuração de prompt | Consertar um prompt que está falhando do jeito que você depura código: identificar o sintoma específico, diagnosticar qual parte causou isso, mudar uma coisa e verificar. | AI Prompt Debugging: Fixing Issues Through Iteration |
| ciclo de depuração | O ciclo repetido de executar, conferir a saída, identificar o problema, diagnosticar, mudar uma coisa, verificar contra casos de teste e registrar a versão que funciona. | AI Prompt Debugging: Fixing Issues Through Iteration |
| identificar o problema | O primeiro passo de depuração: nomear exatamente o que está errado com a saída — formato errado, conteúdo fora do alvo, informação ausente, excesso, intenção mal-entendida ou instabilidade. | AI Prompt Debugging: Fixing Issues Through Iteration |
| diagnosticar a causa | O segundo passo de depuração: descobrir qual parte do prompt — ou qual parte ausente — produziu o problema que você identificou. | AI Prompt Debugging: Fixing Issues Through Iteration |
| uma variável de cada vez | A disciplina de depuração central: mudar exatamente uma coisa por iteração para que o efeito dessa mudança seja sem ambiguidade. | AI Prompt Debugging: Fixing Issues Through Iteration |
| iteração | Uma passada através do ciclo mudar-testar-avaliar. Prompts ficam bons através de uma série de passadas pequenas e verificadas, não através de um rascunho perfeito. | AI Prompt Debugging: Fixing Issues Through Iteration |
| casos de teste | Um conjunto de 3-5 entradas representativas — casos claros, casos mistos e casos-limite — que você reexecuta após cada mudança de prompt para conferir se realmente melhorou. | AI Prompt Debugging: Fixing Issues Through Iteration |
| versões de prompt | Prompts gerenciados do jeito que código é: cada versão registrada com o que mudou e o que produziu, para que você possa comparar e reverter. | AI Prompt Debugging: Fixing Issues Through Iteration |
| teste A/B | Manter duas versões de prompt, executar cada uma cerca de 10 vezes e comparar taxas de sucesso para que dados decidam qual é melhor. | AI Prompt Debugging: Fixing Issues Through Iteration |
| taxa de acerto | A parcela dos seus casos de teste que produzem saída correspondendo a expectativas. Transforma 'este prompt parece melhor' num número que você consegue comparar através de versões. | AI Prompt Debugging: Fixing Issues Through Iteration |
| formato instável | Um modo de falha onde o mesmo prompt produz uma forma de saída diferente em cada execução — JSON numa vez, prosa na próxima, capitalização derivando entre elas. | AI Prompt Debugging: Fixing Issues Through Iteration |
| introdução | O enchimento introdutório que um modelo adiciona antes do conteúdo que você pediu — 'Aqui estão os pontos-chave:', 'Aqui está o e-mail:' — que tem que ser removido quando você quer saída limpa. | OpenAI Prompt Engineering Best Practices |
| bom o bastante | A regra de parada prática para ajuste de prompt: cerca de 90% de sucesso nos seus casos de teste, formato estável e cada parte do prompt fazendo algo que você consegue explicar. | AI Prompt Debugging: Fixing Issues Through Iteration |
| prompt de geração de código | Um prompt pedindo à IA que escreva código executável. Um bom cobre seis coisas: linguagem e versão, assinatura de função, lógica central, casos-limite, estilo de código e limites de dependências. | Prompt Engineering for Code Generation |
| assinatura de função | O nome da função, seus tipos de parâmetro de entrada e seu tipo de retorno — o contrato de interface que um prompt de geração de código deve enunciar logo de cara. | Prompt Engineering for Code Generation |
| casos especiais | As condições de entrada específicas que você diz ao modelo como lidar: lista vazia, valor None, entrada duplicada, campo ausente. | Prompt Engineering for Code Generation |
| estilo de código | As convenções de formatação, nomenclatura, comentário e tipagem que o código gerado deve seguir, enunciadas no prompt em vez de deixadas para o modelo. | Prompt Engineering for Code Generation |
| limites de dependências | A regra enunciando quais bibliotecas o código gerado pode usar — apenas biblioteca padrão, ou uma lista de permissão nomeada de pacotes de terceiros. | Prompt Engineering for Code Generation |
| biblioteca padrão | Os módulos que uma linguagem embarca, não requerendo instalação. Restringir código gerado a ela mantém o resultado portável e livre de dependências. | Prompt Engineering for Code Generation |
| type hints | Anotações de tipo explícitas em parâmetros e valores de retorno que tornam o contrato de interface visível no próprio código. | Prompt Engineering for Code Generation |
| tratamento de erros | A lógica do código para entrada inválida, exceções e condições de limite — algo a especificar no prompt, não empacotar depois. | Prompt Engineering for Code Generation |
| programação defensiva | Escrever código presumindo que entrada pode ser inválida, decidindo logo de cara como responder a dados ruins em vez de confiar no chamador. | Prompt Engineering for Code Generation |
| docstring | O bloco de documentação dentro de uma função descrevendo o que ela faz, como usá-la e quaisquer características relevantes — um requisito de estilo de código que vale enunciar explicitamente. | Prompt Engineering for Code Generation |
| escrita de documentos | Trabalho de prompt direcionado a produzir ou remodelar prosa — documentação técnica, notas de reunião, resumos, relatórios — onde público, objetivo, tom e estrutura carregam a tarefa. | Anthropic Prompt Engineering Overview |
| público-alvo | O leitor pretendido de um documento, descrito por papel, conhecimento de contexto e objetivo de leitura — não apenas por cargo. | Anthropic Prompt Engineering Overview |
| modelo de estrutura | Uma organização predefinida para a saída — contexto, opções comparadas, recomendação, riscos — dada para que o modelo preencha uma forma fixa em vez de escolher uma. | Anthropic Prompt Engineering Overview |
| tom | O registro da escrita — formal ou casual, detalhado ou conciso, prático ou promocional — especificado para que o documento soe do jeito que a situação pede. | Anthropic Prompt Engineering Overview |
| extração de dados | Um prompt que puxa informação estruturada de texto não estruturado. Um confiável soletra quatro coisas: definições de campos, tratamento de valores ausentes, formato de saída e validação de dados. | Prompt Engineering Guide - Few-Shot Prompting |
| definições de campo | O significado, tipo e valores permitidos enunciados de cada campo que você quer extraído — por exemplo sentimento deve ser exatamente um de positivo, negativo ou neutro. | Prompt Engineering Guide - Few-Shot Prompting |
| tratamento de valores ausentes | A regra explícita para o que dar de saída quando um campo não está presente na fonte — null, 'não fornecido' ou 'TBD' — mais uma instrução para não adivinhar. | Prompt Engineering Guide - Few-Shot Prompting |
| validação de dados | Regras conferindo que dados extraídos têm a forma e faixa esperadas — um campo de salário deve conter um número, uma localização pode ser um valor ou null mas nunca uma string vazia. | Prompt Engineering Guide - Few-Shot Prompting |
| alucinação | O hábito do modelo de confiantemente fabricar fatos — inventar informação que lê como plausível mas não está na fonte e não é verdade. | IBM Prompt Engineering Guide 2026 |