O prompt como trabalho de design

Há dois anos, “prompt” era um termo de engenharia. Hoje, em equipas que constroem com IA, o designer está a escrever prompts ao lado da data science. Não é programação. Não é copywriting. É uma disciplina nova, com estética própria, e que aproveita exactamente o tipo de pensamento que designers já fazem.

Vou cobrir cinco padrões que vale a pena saber, e uma técnica de reverse engineering que muda a forma como começo qualquer prompt novo.

Por que o prompt é trabalho de design

O prompt é a interface entre intenção humana e comportamento do sistema. Define tom, define formato, define limites. É o microcopy do agente, mas com mais peso: o microcopy de uma label aparece num ecrã, o prompt define o universo de respostas possíveis.

Quando data science escreve o prompt sozinha, costuma sair correto e sem alma. Quando design escreve sozinho, costuma sair com alma e sem precisão técnica. O sítio onde o trabalho fica bom é a colaboração entre os dois. Cada vez mais vejo equipas onde o designer faz a primeira versão, leva ao Playground da OpenAI ou equivalente, testa, e só depois passa para a data science afinar.

Os cinco padrões base

1. Few-shot prompting. Dar exemplos antes da tarefa. Em vez de descrever em palavras o que queres, mostras 2 a 5 exemplos de input → output. O modelo extrai o padrão. Funciona muito bem para tom, formato e estrutura.

Input: "quero jantar tailandês perto de mim"
Output: "Encontrei 12 restaurantes tailandeses até 2 km. Preferes 
ver os mais bem avaliados ou os com entrega rápida primeiro?"

Input: "almoço vegetariano até 10€"
Output: "Encontrei 8 opções vegetarianas até 10€ na tua zona. 
Queres filtrar por sem glúten ou tens outra preferência?"

A IA aprende, daquilo, que a resposta deve confirmar a procura, sugerir filtros relevantes ao perfil, e ser conversacional sem ser excessiva.

2. Chain of thought. Pedir raciocínio passo a passo antes de chegar à resposta. “Pensa em voz alta antes de responder” é, literalmente, parte do prompt. A qualidade do output sobe significativamente em tarefas com várias decisões.

3. React. Cycles de reasoning + acting. O agente pensa, escolhe uma ação (ex. chamar uma tool), observa o resultado, ajusta o pensamento, escolhe nova ação. É o padrão dominante em agentes autónomos como o Claude Code.

4. Reflection. Depois de produzir um output, o agente olha para o próprio output e ajusta. “Critica esta resposta. Está clara? Cumpre o tom pedido? Reescreve se preciso.” É um truque simples e poderoso.

5. Role priming. Definir o papel do agente logo no início do prompt. “És um concierge gastronómico experiente, com bom humor e foco em famílias com crianças.” Não é magia, mas funciona.

A técnica que muda tudo: reverse engineering

A coisa mais útil que aprendi sobre escrever prompts é não começar pelo prompt.

Começo pela mensagem ideal que quero ver no ecrã. Mocko-a num ficheiro de texto. Faço variações: como seria se o utilizador pedisse algo simples, como seria se pedisse algo ambíguo, como seria se o sistema falhasse. Tenho 5 a 10 mockups de output em texto.

Só depois pergunto: que prompt é que produz isto?

A vantagem é dupla. Primeiro, escrevo as mockups com o instinto de designer (tom, ritmo, decisões de copy), o que é onde tenho mais força. Segundo, quando passo para data science, não estou a explicar o prompt em abstracto. Estou a mostrar o output desejado. Eles entendem em segundos.

Este método também resolve um problema clássico: tendemos a escrever prompts para uma única situação na nossa cabeça e o agente generaliza mal. Ao mockar 5 a 10 outputs em situações diferentes, o prompt que sai dali já cobre variação a sério.

Boundaries: a parte que muitos esquecem

Um prompt sem boundaries é um prompt que vai partir-te o coração em produção. Os utilizadores vão pedir coisas que não pensaste. O agente vai fazer compromissos que não querias.

Exemplo real: numa descoberta de restaurantes com IA, quando não há resultados exatos, o agente flexibiliza filtros. Aumenta o raio de 1 km para 2 km. Sobe o orçamento de 10€ para 15€. É razoável. Mas se o utilizador pediu “sem glúten” ou “sem amendoim”, essa é uma restrição alimentar com risco médico. Nunca pode ser flexibilizada.

Resolvi isto adicionando ao prompt uma regra dura: “em momento algum relaxar filtros de alergia ou intolerância alimentar. Se não houver resultados com a restrição pedida, dizer claramente ao utilizador e oferecer expandir a localização ou o horário.”

Boundaries assim viram parte essencial do prompt. Não são polishing; são o que separa um produto utilizável de um produto que pode ferir.

Como integrar isto no teu fluxo

Três mudanças concretas no teu processo:

1. Adiciona “mockup do output” como step antes de qualquer prompt. Mesmo que sejam só 3 frases num ficheiro de texto.
2. Pede acesso ao Playground da OpenAI ou ao equivalente da tua data science. Sem testares prompts, é teoria.
3. Trata boundaries como entregáveis. Lista-as no Figma, no Notion, ou onde fizer sentido. Tornam-se parte do hand-off.

Mais sobre o porquê deste shift no guia Design for AI. Sobre como o output deixa de ser fixo e o que isso pede ao método, ver Do determinismo ao probabilismo.