Anatomia de um prompt de produção:os 5 elementos essenciais

Anatomia de um prompt de produção: um prompt que produz código de produção tem cinco elementos: contexto, estrutura, validação, restrições e casos-limite. Falha um e obténs código que quase funciona. Inclui os cinco e a IA entrega funcionalidades à primeira — esta anatomia exata gerou 2.634 ficheiros de produção para uma plataforma: 632 serviços, 522 hooks, 1.480 componentes e mais de 200 rotas de API.

Estes cinco elementos não foram desenhados num quadro branco. Foram extraídos de mais de 200 prompts falhados, uma lição dolorosa de cada vez. Eis a versão condensada, para saltares as 200 falhas.

Antes e depois: o mesmo pedido, dois resultados

A versão curta da história de origem (o diagnóstico completo da falha está em porque falham os prompts vagos): um pedido de uma linha — “constrói-me um painel” — produziu código que ignorava a base de dados existente, usava a biblioteca de design errada, saltava a segurança e rebentava em execução. Custo: 2–3 horas de retrabalho.

O prompt reescrito pedia o mesmo painel, mas tinha cinco secções. Nomeava a tabela da base de dados e onde está a sua definição. Apontava para um ficheiro existente cujo padrão o novo código devia copiar. Especificava exatamente que ficheiros criar e o que cada um devia conter. Listava as verificações que provam que a funcionalidade funciona. E terminava com uma pequena lista negra de atalhos que a IA estava proibida de tomar.

Resultado: perfeito, à primeira, em 15 minutos, e ainda hoje em produção. A diferença entre esses dois prompts é a anatomia que se segue.

Anatomia de um prompt de produção: os 5 elementos

O contexto é o elemento com mais alavancagem, e esconde a maior descoberta de todas: não coles exemplos nos prompts — aponta para ficheiros que já existem no teu produto. A IA lê-os, aprende o padrão e aplica-o. É por isso que uma base de código em crescimento acelera a IA em vez de a abrandar: mais exemplos que funcionam significam melhor contexto.

A estrutura elimina as adivinhas sobre a organização. Não é “acrescenta esta funcionalidade”, mas “cria estes dois ficheiros, aqui, com estas capacidades”. A IA é excelente a preencher um esqueleto e péssima a inventar um que bata certo com o teu.

A validação transforma o “está feito” de uma sensação numa lista de verificação: o comando que tem de passar, o comportamento que vais testar à mão. Se não consegues dizer como vais verificar uma funcionalidade, não estás pronto para a pedir.

As restrições existem porque a IA toma atalhos — vai fixar valores no código, saltar o tratamento de erros e ir buscar a biblioteca mais comum na internet, a não ser que o proíbas explicitamente. Dizer à IA o que não fazer é metade do ofício.

Os casos-limite são os estados de que toda a gente se esquece: o que o ecrã mostra enquanto carrega, quando algo falha, quando ainda não há dados. A IA constrói o caminho feliz por defeito. Os outros três tens de ser tu a encomendá-los.

12 semanasA tua carreira corporativa nunca foi o planoCandidata-te ao Solopreneur Accelerator.Candidatar-me →

Prescrever ganha a descrever, 90% das vezes

Quando um prompt quase funciona, há duas formas de o corrigir. A descritiva: acrescentar uma instrução como “não te esqueças de incluir a lógica de submissão”. A prescritiva: mostrar a estrutura exata que o resultado tem de conter e dizer que é obrigatória.

Em testes lado a lado, a prescritiva ganha cerca de 90% das vezes. A IA é muito melhor a seguir exemplos do que a interpretar descrições. Se se esquece sempre da mesma coisa, um lembrete vago corrige-o uma vez; incorporar a estrutura obrigatória no prompt corrige-o para sempre.

É também por isso que os cinco elementos funcionam: cada um deles substitui uma interpretação por uma especificação. Não estás a pedir à IA que te perceba. Estás a tornar o mal-entendido impossível.

Do prompt ao modelo: onde está a verdadeira alavancagem

Eis a parte que os influenciadores de IA saltam. Construir software de produção com IA não é escrever prompts brilhantes e avulsos. É transformar os teus melhores prompts em modelos — afinados ao longo de 3–7 iterações até funcionarem em mais de 95% dos casos — e depois reutilizá-los para sempre.

Os números de uma plataforma real: criar a biblioteca de modelos levou cerca de 40 horas, uma única vez. Usar um modelo leva 2–5 minutos por funcionalidade. Ao longo de 2.634 ficheiros gerados, são cerca de 2.502 horas poupadas — uns 14 meses de trabalho —, antes de contar com o tempo de depuração que nunca aconteceu porque o código funcionou à primeira.

O teu fluxo de trabalho acaba por ser: precisas de um novo serviço? Copias o modelo de serviço, mudas duas ou três variáveis, feito. Precisas de um novo ecrã? O mesmo. Os cinco elementos deixam de ser uma lista que aplicas conscientemente e passam a ser o esqueleto de cada modelo que tens.

Duas fronteiras a manter claras. Estes prompts vivem dentro de um recipiente maior — a planta da funcionalidade, que carrega o objetivo e o contexto completo —, e esse recipiente é o método PRP. E as decisões que preenchem os cinco elementos — que padrão, que estrutura, que restrições — são decisões de arquitetura, que continuam a ser trabalho teu, não da IA.

O livroThe Solopreneur RevolutionLuis Gonçalves sobre como construir um negócio de EUpreendedor com IA sem deixar o emprego.Quero o livro →

Perguntas frequentes

Qual é a diferença entre um prompt de produção e um PRP?

O âmbito. Um PRP é a planta de uma funcionalidade inteira — objetivo, contexto, plano de implementação, validação. Um prompt de produção é a instrução de trabalho dentro dele: o pedido de cinco elementos que gera um serviço, um componente, um ecrã. O PRP é o recipiente; estes prompts são o conteúdo. O recipiente está explicado em o método PRP.

Preciso de ser técnico para escrever os cinco elementos?

Não — precisas de ser específico. Contexto significa apontar para uma parte do teu produto que já funciona como queres. As restrições e os casos-limite são pensamento de produto: o que nunca pode acontecer, o que o ecrã mostra quando as coisas correm mal. A única curva de aprendizagem é a estrutura, e a organização atual do teu próprio produto é a cábula.

E se a IA continuar a errar?

Corrige o modelo, não o momento. Identifica o padrão no que ela esquece, incorpora a estrutura obrigatória de forma prescritiva e depois testa o prompt revisto em três casos diferentes — simples, médio, complexo. Se passar nos três, está estável. A maioria dos modelos precisa de 3–7 afinações antes de funcionar em mais de 95% dos casos.

Que tamanho deve ter um prompt de produção?

O mais curto que cinco secções precisas permitirem. O tamanho não é o objetivo — as perguntas respondidas é que são. Uma indicação de uma linha para um ficheiro existente vale mais do que 200 linhas coladas, e uma lista negra apertada de três atalhos proibidos vale mais do que um parágrafo de exigências de qualidade vagas.