mais lidos
Life at Nu
Conheça a sede do Nubank em Pinheiros, São Paulo/Brasil jan 11
Design
A nova aparência do Nubank: conheça nossa nova logo maio 17
Culture & Values
Como os valores e a cultura da Nu moldam os produtos que criamos ago 7
Carreiras
Reunimos grandes mentes de diversas origens que permitem a discussão e o debate e melhoram a resolução de problemas.
Saiba mais sobre nossas carreiras
Autora: Jacqueline Carvalho
Introdução: Uma nova linguagem para a era da IA
A tecnologia sempre remodelou a maneira como pensamos, construímos e nos comunicamos. De linhas de comando a interfaces gráficas, cada salto evolutivo exigiu um novo tipo de letramento. A ascensão da IA generativa não é diferente, convidando-nos a aprender uma nova linguagem: a linguagem dos prompts.
No Nubank, vemos isso não apenas como uma habilidade técnica, mas como uma mudança fundamental na forma como colaboramos com a tecnologia. É aqui que entra a engenharia de prompts: a arte e a ciência de elaborar instruções que tornam os sistemas de IA verdadeiramente úteis.
Quanto mais claros expressarmos a intenção, o contexto e as nuances, mais eficaz a IA poderá amplificar nosso trabalho. Esse processo espelha a interação humana cotidiana: reformulamos perguntas, adicionamos contexto e iteramos até obtermos uma resposta útil. Otimizar prompts para obter melhores outputs simplesmente aplica a mesma habilidade de conversação às máquinas.
Conheça nossas oportunidades
O que é engenharia de prompts?
A engenharia de prompts é a disciplina de projetar, estruturar e refinar inputs para que um sistema de IA possa produzir outputs precisos, relevantes e controláveis. Em essência, não se trata de “tornar a IA mais inteligente”, mas sim de transmitir o que realmente queremos de um LLM, que funciona como um assistente extremamente capaz, mas de mente literal. Se você disser “escreva um resumo”, ele escreverá, mas de que tamanho? Para quem? Em que tom? Sem essas pistas, o modelo tem que adivinhar, e é aí que a inconsistência se instala.
Essa é a espinha dorsal de todo bom prompt. É a diferença entre dizer “resuma este relatório” e dizer “resuma este relatório em 5 bullet points focado nos riscos financeiros, usando linguagem de negócios concisa.” O segundo estabelece expectativas, limites e intenção, e oferece resultados muito melhores.
A engenharia de prompts, portanto, não é apenas um truque para “hackear” o modelo; é o fundamento da colaboração com a IA. Você não está comandando o modelo; você está projetando um diálogo.
Princípios chave por trás de prompts eficazes
1. Estrutura de um bom prompt
Assim como um bom código precisa de estrutura, bons prompts precisam de ordem. Um modelo mental simples é a estrutura de quatro partes mencionada anteriormente:
Por exemplo: “Você é um analista de políticas. Revise o seguinte relatório sobre pagamentos digitais na América Latina e escreva um sumário executivo de uma página com foco na confiança do consumidor e nas estruturas regulatórias. Use uma linguagem clara e neutra.”
Essa estrutura garante precisão e reprodutibilidade, duas coisas que todo desenvolvedor valoriza.
2. Role prompting: “Aja como…”
Uma das ferramentas mais simples, mas poderosas, é o role prompting, que diz ao modelo quem ele deve ser. Isso muda instantaneamente a voz, a expertise e as suposições por trás da resposta.
Por exemplo: “Você é um consultor de cibersegurança prestando consultoria a uma fintech startup. Explique os três principais riscos de segurança em termos simples para um fundador não técnico.”
A instrução “Aja como…” fornece uma lente ao modelo, semelhante a configurar uma variável de ambiente para a conversa. Ela define expertise, escopo e público de uma só vez.
Você pode até acumular papéis para um raciocínio mais detalhado: “Aja como um analista financeiro e um pesquisador de UX. Analise este fluxo de carteira digital em busca de potenciais riscos e atrito do usuário.”
3. Ancoragem como contexto
LLMs são dependentes de contexto; eles não sabem o que você sabe, a menos que você lhes diga. Ancoragem é fornecer o fundo de informações correto para que o modelo possa fundamentar seu raciocínio.
Por exemplo: “Com base na seguinte declaração de cultura e missão da empresa, elabore uma mensagem de boas-vindas para novos contratados que pareça autêntica ao nosso tom.”
Ou, em cenários com muitos dados: “Usando os dados abaixo, gere insights sobre as tendências de churn de clientes por região.”
A ancoragem garante a relevância. Sem ela, o output do modelo pode soar genérico ou desvinculado da realidade. Em ambientes corporativos, essa técnica se torna ainda mais importante ao conectar prompts com documentos internos ou APIs, como visto em sistemas RAG (Retrieval-Augmented Generation).
Indo além do básico: Modular, RAG e design iterativo
Depois de dominar a estrutura, o papel e o contexto, o próximo passo é a escalabilidade. Como você cria prompts que sejam consistentes, de fácil manutenção e eficientes em equipes e fluxos de trabalho? É aí que entram o prompting modular, o RAG e o ciclo de experimentação.
1. Modular prompting: Blocos de construção reutilizáveis
O design modular significa dividir prompts em componentes reutilizáveis, como funções em código. Você define blocos de construção para papéis, tom, formato e estrutura que podem ser recombinados conforme a necessidade.
Por exemplo, sua biblioteca de prompts pode conter módulos como:
Então, você pode misturar e combinar: [PAPEL] Cientista de Dados + [TAREFA] Analisar churn de clientes + [FORMATO] Tabela Markdown + [TOM] Claro.
Essa modularidade aumenta a produtividade e mantém os outputs consistentes, especialmente em equipes colaborativas ou fluxos de trabalho automatizados.
Pense nisso como o princípio DRY (Don’t Repeat Yourself) aplicado ao prompting.
2. Retrieval-Augmented Generation (RAG): Fundamentando a IA com dados reais
Mesmo os melhores prompts não conseguem criar respostas precisas se o modelo não tiver os dados corretos. É aí que entra o RAG, um método que combina recuperação (busca de contexto relevante em um banco de dados ou base de conhecimento) com geração (a saída de texto do modelo).
Por exemplo: “Um chatbot de suporte recupera documentação interna sobre uma API antes de responder a uma pergunta, garantindo que sua resposta seja factualmente correta e atualizada.”
O RAG transforma o prompting de uma mera instrução de texto para um processo de raciocínio orientado por dados. É especialmente valioso em setores como finanças, saúde e educação, onde a precisão e o contexto são inegociáveis.
3. O ciclo de experimentação: Testar, iterar, refinar
A engenharia de prompts é inerentemente experimental. Não importa quão elegante seja sua primeira versão, você irá refiná-la, assim como depurar ou otimizar código.
Um ciclo simples para melhoria se parece com isto:
1️⃣ Escreva um prompt → 2️⃣ Teste com exemplos → 3️⃣ Analise o output → 4️⃣ Ajuste e reteste
Você pode registrar métricas de desempenho, comparar versões (testes A/B) e usar métodos de avaliação como BLEU, ROUGE ou pontuação baseada em LLM.
O prompting iterativo é como as organizações constroem sistemas de IA confiáveis — não por mágica, mas por método.
Por que a engenharia de prompts veio para ficar
Alguns dizem que a engenharia de prompts desaparecerá à medida que os modelos melhorarem. Na realidade, o oposto está acontecendo.
À medida que os modelos se tornam mais capazes, a complexidade do que pedimos a eles também aumenta. Agora queremos que a IA raciocine, resuma, codifique, traduza o tom, detecte vieses e se integre a dados estruturados. E isso exige um design humano sofisticado nos bastidores.
A engenharia de prompts não é uma moda passageira. É a camada de interface entre a linguagem natural e a computação. Ela molda não apenas a precisão, mas também a ética, a usabilidade e a criatividade.
Na prática, isso significa que:
Em suma, o prompting está se tornando uma habilidade central em diversas disciplinas, como saber pesquisar no Google de forma eficaz, mas em uma escala muito mais poderosa.
No Nubank, usamos a engenharia de prompts e o ajuste fino (fine-tuning) contínuo para melhorar nossos agentes de IA. Em gestão de riscos, refinamos prompts de forma iterativa que orientam os LLMs para apoiar o processo de avaliação de risco de Novos Produtos e Recursos (PdF), avaliar a qualidade dos dados de issues (ou seja, risco identificado pela equipe de gestão de riscos em relação a lançamentos de produtos) e automatizar tarefas rotineiras. Com revisão e testes human-in-the-loop (com humanos no ciclo), esses prompts aumentam a eficiência da equipe de Gestão de Riscos, ajudam a dimensionar os processos e aceleram o lançamento de novos produtos e recursos.
Além dos comandos: Prompting como comunicação
Em sua essência, a engenharia de prompts trata de comunicação entre humanos e máquinas, mas também entre equipes, disciplinas e ideias.
Quando aprendemos a escrever prompts melhores, não estamos apenas treinando a IA. Estamos refinando a forma como expressamos o pensamento, estruturamos o raciocínio e compartilhamos o contexto de maneira clara.
Isso espelha como trabalhamos no Nubank: clareza em primeiro lugar, colaboração sempre. Bons prompts não são apenas tecnicamente corretos — eles são humanamente claros.
Conclusão: O futuro fala em prompts
A engenharia de prompts não é o objetivo final; é um passo na evolução de como pensamos e construímos com a tecnologia.
No Nubank, vemos cada nova ferramenta como uma oportunidade para simplificar a complexidade. A IA generativa não é diferente: é mais uma forma de empoderar as pessoas através da clareza, da criatividade e de uma melhor comunicação.
E enquanto essa nova linguagem continua a evoluir, uma coisa permanece constante: quanto mais claros formos com nossa intenção, mais poderosa se tornará nossa tecnologia.
Materiais e Leituras técnicas recomendados
Conheça nossas oportunidades