Engenharia de Prompt
Engenharia de prompt é a prática de projetar e refinar entradas para modelos de linguagem de IA, a fim de obter respostas desejadas de forma consistente, moldando o comportamento do modelo sem modificar seus pesos.
Entendendo Engenharia de Prompt
Prompts são a interface principal entre humanos e modelos de linguagem. Um prompt bem construído pode melhorar drasticamente a qualidade, consistência e confiabilidade das respostas da IA. A engenharia de prompt abrange desde a escolha das palavras e clareza das instruções até definição de papéis, exemplos few-shot, raciocínio passo a passo (chain-of-thought) e especificação de formatos de saída.
Técnicas fundamentais de engenharia de prompt incluem prompts zero-shot (instruções diretas sem exemplos), prompts few-shot (exemplos para demonstrar o formato esperado), chain-of-thought (instruir o modelo a raciocinar antes de responder), prompts de papel ou persona (atribuindo uma personalidade ou função para guiar a abordagem do modelo) e prompts para saída estruturada (especificando formatos exatos como JSON para uso programático).
Em sistemas de agentes, a engenharia de prompt é ainda mais crítica porque o prompt do sistema define a persona, as capacidades, restrições e os critérios de tomada de decisão do agente. A diferença entre um agente útil e um imprevisível frequentemente se resume à qualidade do prompt. Prompts eficazes deixam explícito o que o agente deve e não deve fazer, apresentam exemplos claros do comportamento esperado e trazem regras de segurança.
A engenharia de prompt tem sido potencializada por abordagens automatizadas como DSPy, que utiliza algoritmos de otimização para encontrar prompts de alto desempenho automaticamente. Entretanto, prompts criados por humanos continuam essenciais para compreender e controlar o comportamento da IA.
Como GAIA usa Engenharia de Prompt
O comportamento dos agentes do GAIA é moldado por prompts de sistema cuidadosamente elaborados, armazenados em seu diretório de prompts. Esses prompts definem como o GAIA interpreta email, agenda e gestão de tarefas, quais ferramentas deve preferir, como lidar com situações ambíguas e como se comunicar com os usuários. O GAIA também utiliza exemplos few-shot nos prompts para extrair de forma consistente dados estruturados, como detalhes de tarefas e eventos de calendário, a partir de textos de email não estruturados.
Conceitos relacionados
Modelo de Linguagem de Grande Porte (LLM)
Um Modelo de Linguagem de Grande Porte (LLM) é um modelo de inteligência artificial treinado em enormes quantidades de dados textuais, capaz de compreender, gerar e raciocinar sobre a linguagem humana com grande fluência.
Raciocínio em cadeia
Raciocínio em cadeia (Chain-of-thought, CoT) é uma técnica de prompting que instrui o modelo de IA a expor seus passos intermediários de raciocínio antes de chegar a uma resposta final, melhorando significativamente a precisão em problemas complexos de múltiplas etapas.
Zero-Shot Learning
Zero-shot learning é a capacidade de um modelo de IA realizar tarefas para as quais nunca foi treinado explicitamente, confiando em conhecimento geral e raciocínio, em vez de exemplos específicos da tarefa.
Few-Shot Learning
Few-shot learning é a capacidade de um modelo de IA adaptar-se a uma nova tarefa ou formato de saída a partir de apenas alguns exemplos de entrada e saída fornecidos no prompt, sem qualquer atualização dos pesos.
Encadeamento de Prompts
Encadeamento de prompts é uma técnica onde a saída de um prompt de LLM é usada como entrada para o próximo, criando uma sequência de chamadas conectadas que, coletivamente, realizam uma tarefa complexa que nenhum único prompt conseguiria executar de forma confiável.
Prompt do Sistema
Prompt do sistema é um conjunto de instruções fornecidas a um modelo de linguagem no início da sessão, que define sua persona, restrições, tom e diretrizes de comportamento antes de qualquer interação com o usuário.
Temperatura (IA)
Temperatura é um parâmetro na inferência de modelos de linguagem que controla a aleatoriedade na escolha de tokens — temperaturas mais altas produzem saídas mais variadas e criativas, enquanto temperaturas mais baixas geram respostas mais consistentes e determinísticas.
