Glossário de Prompt Engineering: 40 Termos e Técnicas

Prompt engineering é a habilidade mais subestimada do mercado digital em 2026. A diferença entre um profissional que extrai resultado real de ferramentas de IA e um que fica frustrado com outputs mediocres raramente está na ferramenta — está no prompt. Este glossário de 40 termos e técnicas foi construído para quem quer dominar a arte de se comunicar com IAs de forma eficaz, seja para criar conteúdo, analisar dados, automatizar tarefas ou resolver problemas de negócio.

“Prompt engineering não é tecnicidade — é clareza. Quanto mais claro você for sobre o que quer, mais a IA entrega o que você precisa. A maioria das pessoas pede de forma vaga e culpa a ferramenta.”

— Babi Tonhela, CEO da Marketera e do Marketek

Fundamentos: o que é prompt engineering

Prompt engineering é a prática de projetar, refinar e otimizar instruções para modelos de linguagem (LLMs) de forma a obter outputs de alta qualidade, consistentes e alinhados com a intenção do usuário. Não é programação — é comunicação estruturada.

Um bom prompt geralmente inclui: contexto (quem você é, qual o objetivo), papel (qual papel a IA deve assumir), tarefa (o que fazer), formato (como deve ser o output), restrições (o que evitar) e exemplos (quando necessário).

A — Termos com A

Act As (Atue como)

Instrução que define o papel ou persona que a IA deve assumir. “Atue como especialista em SEO com 10 anos de experiência em e-commerce” muda completamente o nível e o ângulo da resposta. Quanto mais específico o papel, mais útil o output. Diferente de “você é”, que pode ser recusado por algumas IAs em situações inadequadas.

Anchor (Âncora)

Informação de referência incluída no prompt para calibrar a resposta. “Com base nestes dados de vendas do último trimestre [dados], analise…” A âncora dá contexto específico que o modelo não teria de outra forma, tornando a resposta mais precisa e relevante.

Assertividade no Prompt

Usar linguagem direta e imperativa em vez de interrogativa. “Escreva uma descrição…” funciona melhor que “Você poderia escrever uma descrição…?” Modelos respondem melhor a comandos claros do que a pedidos vagos com cortesia excessiva.

C — Termos com C

Chain-of-Thought (CoT)

Técnica que instrui o modelo a mostrar o raciocínio passo a passo antes de dar a resposta final. Prompt clássico: “Pense passo a passo antes de responder” ou “Explique seu raciocínio”. Melhora significativamente a qualidade em tarefas de análise, matemática e raciocínio lógico. Variante: Tree-of-Thought (ToT), onde o modelo explora múltiplos caminhos de raciocínio.

Constraint (Restrição)

Limitação explícita no prompt. “Não use jargões técnicos”, “Não mencione concorrentes”, “Limite a 200 palavras”, “Use apenas dados do texto fornecido”. Restrições evitam os erros mais comuns de output de IA sem precisar editar depois.

Context Window (Janela de Contexto)

A quantidade máxima de texto que o modelo processa em uma única conversa. Quando o prompt + histórico de conversa excedem a janela, o modelo “esquece” partes anteriores. Relevante para documentos longos: divida em partes ou use modelos com janela maior (Claude 200k, Gemini 1M).

Conversational Prompting

Abordagem de construir o prompt por refinamento iterativo, como uma conversa: gera output inicial → avalia → pede ajuste específico → itera. Diferente de tentar acertar no primeiro prompt. Para tarefas complexas, prompts iterativos produzem resultados superiores a prompts únicos perfeitos.

Custom Instructions

Funcionalidade do ChatGPT que permite configurar comportamento padrão para todas as conversas: quem você é, como quer que a IA responda, o que ela deve ou não fazer. É o sistema prompt persistente sem precisar repetir em cada conversa. Essencial para uso profissional consistente.

D — Termos com D

Delimitador (Delimiter)

Marcadores que separam partes do prompt para clareza estrutural. Exemplos: XML tags (<instrucao>, <contexto>, <texto>), aspas triplas (“””), traços (—), colchetes ([TAREFA], [FORMATO]). Ajudam o modelo a entender a estrutura do prompt, especialmente em prompts longos e complexos.

Density Prompting

Técnica que pede ao modelo para gerar e depois refinar versões progressivamente mais densas e informativas de um texto. Útil para criação de resumos e descrições compactas. Exemplo: “Resuma em 5 bullets. Agora refine cada bullet para incluir mais contexto sem aumentar o número.”

Directive Prompt

Prompt focado em um único objetivo claro, sem instruções secundárias que dividam a atenção do modelo. Para tarefas específicas, prompts diretivos produzem outputs mais focados do que prompts que pedem múltiplas coisas ao mesmo tempo.

E — Termos com E

Exemplos no Prompt (Few-Shot Examples)

Inclusão de 2-5 exemplos do output desejado diretamente no prompt. “Aqui estão 3 exemplos do tipo de descrição de produto que quero: [exemplos]. Agora escreva uma descrição similar para: [produto].” É a técnica com maior impacto consistente na qualidade de output para tarefas repetitivas.

Escape Hatch

Instrução no prompt que diz ao modelo o que fazer quando não sabe a resposta. “Se não tiver certeza, diga ‘não tenho informação suficiente’ em vez de inventar.” Reduz alucinações em aplicações críticas onde precisão é mais importante do que completude.

F — Termos com F

Few-Shot Prompting

Técnica de incluir exemplos no prompt para guiar o modelo. Contrasta com zero-shot (sem exemplos) e one-shot (um único exemplo). Para e-commerce: inclua 3 descrições de produto que você considera excelentes → peça ao modelo para criar no mesmo estilo para novos produtos. O modelo infere o padrão desejado a partir dos exemplos.

Format Specification (Especificação de Formato)

Instrução explícita sobre como deve ser o output: “em bullets”, “em tabela markdown”, “em HTML com h2 e h3”, “em tom conversacional”, “com subheadings para cada seção”. Sem especificação de formato, o modelo escolhe o que achar mais adequado — que pode não ser o que você quer.

Framing (Enquadramento)

A forma como você apresenta o contexto do problema ao modelo. “Você é um especialista em UX avaliando um site” vs “Você é um cliente frustrado avaliando um site” — o mesmo pedido com enquadramentos diferentes gera perspectivas completamente distintas. Use framing para obter múltiplos pontos de vista.

G — Termos com G

Grounding

Técnica de ancorar o modelo a informações específicas e verificáveis fornecidas no prompt, reduzindo alucinações. “Use apenas as informações do documento abaixo para responder. Se a resposta não estiver no documento, diga que não encontrou.” Base técnica dos sistemas RAG.

Goal-Oriented Prompt

Prompt que define claramente o objetivo de negócio (não apenas a tarefa). “Preciso aumentar a taxa de conversão da página de produto de 2% para 3%. Analise esta descrição atual e sugira melhorias.” O objetivo contextualiza a tarefa e gera outputs mais acionáveis.

I — Termos com I

Instruction Hierarchy (Hierarquia de Instrução)

Ordem de prioridade de instruções quando há conflito: system prompt tem prioridade sobre user prompt. Importante em produtos de IA para clientes: suas instruções de sistema definem o comportamento, e os usuários não podem sobrescrever diretrizes críticas.

Iterative Prompting (Prompting Iterativo)

Abordagem de refinamento progressivo: em vez de tentar o prompt perfeito de primeira, você gera, avalia, ajusta e repete. Para textos complexos, definir 3-4 iterações como parte do processo — não como sinal de falha — é a abordagem profissional correta.

J — Termos com J

Jailbreak Prompt

Prompts que tentam contornar os guardrails do modelo para gerar conteúdo proibido. Para usuários legítimos: conhecer jailbreaks ajuda a construir guardrails mais robustos em sistemas de IA para clientes. Para uso profissional: desnecessário e contra os termos de uso dos provedores.

L — Termos com L

Length Control (Controle de Comprimento)

Especificação explícita do comprimento desejado. “Em 150 palavras”, “em máximo 3 parágrafos”, “em 5 bullets de até 20 palavras cada”. Sem controle de comprimento, modelos tendem a ser mais prolixos do que necessário para a maioria dos casos de uso de marketing.

Layered Prompt (Prompt em Camadas)

Estrutura de prompt com seções distintas para contexto, tarefa, formato e restrições — cada uma delimitada claramente. Para prompts complexos, a estrutura em camadas melhora a consistência do output e facilita o refinamento de partes específicas sem reescrever tudo.

M — Termos com M

Meta-Prompt

Prompt que pede ao modelo para criar ou melhorar um prompt. “Você é especialista em prompt engineering. Melhore o seguinte prompt para ser mais eficaz para [objetivo]: [prompt atual].” Útil quando você não sabe como melhorar um prompt que não está funcionando.

Multi-Step Prompt

Sequência de prompts encadeados onde o output de um alimenta o próximo. Exemplo: Passo 1: “Liste as 5 principais objeções de compra para [produto].” Passo 2: “Para cada objeção abaixo, escreva um argumento de superação de 2 linhas.” Divide problemas complexos em etapas gerenciáveis.

N — Termos com N

Negative Prompting (Negação no Prompt)

Instrução explícita sobre o que não fazer. “Não use clichês”, “Não mencione preço”, “Não use voz passiva”, “Evite linguagem técnica”. Em geração de imagem (Midjourney, Stable Diffusion), negative prompts excluem elementos específicos da imagem gerada.

O — Termos com O

One-Shot Prompting

Variante do few-shot com apenas um exemplo. Útil quando você tem um exemplo perfeito mas não tem tempo ou contexto para incluir vários. Menos robusto que few-shot mas melhor que zero-shot para tarefas específicas de estilo.

Output Format (Formato de Output)

Ver “Format Specification”. Específico para formatos estruturados: JSON, XML, Markdown, HTML, tabela CSV. Para integração de IA em sistemas, especificar o formato de output exato é obrigatório para parsing automatizado.

P — Termos com P

Persona Prompting

Atribuição de uma persona específica ao modelo: “Você é [Nome], [cargo] com [experiência] em [especialidade]. Sua abordagem é [características].” Persona prompting cria consistência de voz e perspectiva em conversas longas ou sistemas de atendimento.

Pipeline de Prompts

Sequência automatizada de prompts conectados em um sistema de automação (Make, n8n, Langchain). Output de cada prompt alimenta o seguinte sem intervenção humana. Usado em automação de criação de conteúdo, atendimento e análise de dados em escala.

Prompt Template (Template de Prompt)

Estrutura reutilizável de prompt com variáveis que podem ser preenchidas para diferentes instâncias da mesma tarefa. Exemplo: template de descrição de produto com variáveis {nome_produto}, {categoria}, {caracteristicas_principais}, {publico_alvo}. Templates garantem consistência e reduzem tempo de criação de prompt.

Prompt Chaining

Técnica de dividir uma tarefa complexa em múltiplos prompts encadeados, onde o output do anterior é o input do próximo. Mais confiável que tentar resolver tudo em um único prompt longo, especialmente para tarefas que exigem diferentes capacidades em sequência.

R — Termos com R

Role Prompting

Variante do “Act As” mais estruturado: define não apenas o papel mas também as responsabilidades, perspectiva e tom. “Você é o Head de Marketing de um e-commerce de moda feminina de médio porte no Brasil. Sua prioridade é crescimento orgânico e conversão. Com base nessa perspectiva, avalie…” Role prompting gera análises mais focadas e práticas.

Recursive Prompting

Técnica onde o modelo melhora progressivamente seu próprio output: “Agora avalie a resposta acima e identifique 3 pontos fracos. Reescreva incorporando as melhorias.” Cria ciclo de auto-refinamento que pode melhorar significativamente a qualidade do output final.

S — Termos com S

System Prompt

Instrução que define o comportamento base do modelo em toda a sessão — diferente do prompt do usuário que é específico de cada interação. Em sistemas de atendimento, o system prompt define: o nome e personalidade do chatbot, os tópicos que pode e não pode abordar, o tom de comunicação, as políticas da empresa. Invisível para o usuário final em produtos bem construídos.

Self-Consistency

Técnica avançada que gera múltiplas respostas para o mesmo prompt e seleciona a mais consistente ou usa votação majoritária. Melhora a confiabilidade em problemas de raciocínio onde uma única resposta pode estar errada. Usado em sistemas de IA críticos onde precisão é prioritária.

Scratchpad

Espaço no prompt para o modelo “pensar em voz alta” antes de dar a resposta final. “Use as tags <scratchpad></scratchpad> para seu raciocínio antes de responder.” Expõe o processo de pensamento do modelo, permitindo identificar erros de raciocínio antes de chegar à conclusão.

T — Termos com T

Temperature (Temperatura)

Ver glossário de IA Geral. Relevante para prompt engineering: em prompts criativos, temperatura alta (0.8-1.0) gera mais variedade. Em prompts que exigem consistência e precisão (dados, análise), temperatura baixa (0.0-0.3) é preferível. A maioria das interfaces não expõe este controle diretamente ao usuário.

Tree-of-Thought (ToT)

Extensão do Chain-of-Thought onde o modelo explora múltiplos caminhos de raciocínio simultaneamente e avalia qual é mais promissor antes de continuar. Para problemas de raciocínio complexo, ToT supera CoT em benchmarks, mas é mais custoso computacionalmente.

V — Termos com V

Voice Consistency (Consistência de Voz)

Técnica de garantir que todos os outputs de IA mantenham o mesmo tom de marca. Inclui: exemplos de texto de referência, descrição explícita do tom (formal/casual/aspiracional/técnico), lista de palavras que devem e não devem ser usadas, exemplos de frases típicas da marca. Quanto mais específico o guia de voz, mais consistente o output.

Z — Termos com Z

Zero-Shot Prompting

Pedido ao modelo para executar uma tarefa sem nenhum exemplo. Funciona para tarefas gerais onde o modelo já foi treinado extensivamente. Para tarefas específicas de nicho, estilo particular ou formato incomum: few-shot supera zero-shot consistentemente.

“Prompt engineering vai ser commodity em 2027. Por isso você precisa dominar antes. Quem aprendeu SEO técnico em 2015 colheu os frutos por anos. Prompt engineering é a janela equivalente hoje.”

— Babi Tonhela, CEO da Marketera e do Marketek

Perguntas Frequentes

[cta_newsletter]