Prompt Engineering

Em 2025, Karpathy declarou que “prompt engineering morreu”. A frase pegou — e foi mal lida. O que morreu foi o prompt como bala de prata: a ideia de que a frase mágica, isolada, resolve qualquer tarefa. O ofício do prompt segue muito vivo — agora como uma camada bem-definida dentro de um sistema maior. Esta trilha trata Prompt Engineering como a camada dentro do Prompt Layer do AI Engineering Stack. Context Engineering é o superset que cuida do ambiente informacional inteiro; não substitui o ofício do prompt, contém-no. Aqui você aprende as primitivas: especificidade, roles, few-shot, constraints, iteração disciplinada, prompts para reasoning models, e o catálogo de anti-patterns que denunciam IA.

Pré-requisitos

01 - O que é um LLM, 02 - Tokens e tokenização e 03 - A janela de contexto são suficientes. Familiaridade com Context Engineering ajuda a ver onde esta trilha se encaixa, mas não é obrigatória.

Não é "prompt vs context"

Esta trilha não compete com Context Engineering. Prompt Engineering é uma camada dentro do Prompt Layer; Context Engineering é a disciplina mais larga que orquestra prompt + retrieval + memória + tools. Quem só faz prompt sem pensar em context produz demos; quem só pensa em context sem afiar o prompt entrega sistemas vagos. As duas trilhas se complementam.

Comece por aqui

Trilha sequencial recomendada — fundamentos → técnicas centrais → controle fino → cultura.

Bloco 1 — Fundamentos (2 notas)

Por que o ofício importa e qual a primeira disciplina a internalizar.

• 01 - Por que prompt engineering ainda importa — a tese “prompt engineering morreu”, o que de fato morreu, o que segue vivo, onde mora no stack
• 02 - Especificidade — a primeira disciplina — o salto de qualidade vem antes de qualquer técnica avançada

Bloco 2 — Técnicas Centrais (3 notas)

As alavancas que entregam ROI maior por linha de prompt.

• 03 - Roles e personas — escolhendo o juízo do modelo — steering via prior de treino, template completo de role
• 04 - O mega-prompt do Karpathy — anatomia da anti-sycophancy — artefato canônico, cláusula por cláusula
• 05 - Few-shot examples — exemplos como contrato — por que exemplos batem instruções abstratas, princípios anti-poison

Bloco 3 — Controle Fino (3 notas)

Da expressão de comportamento ao controle disciplinado de output e iteração.

• 06 - Constraints declarativas — boundaries como engenharia — 8 dimensões, template, diferença vs guardrails de sistema
• 07 - Iteration patterns — keep, change, do-not — anti-pattern “try again, make it better”
• 08 - Reasoning models — audit trail, não chain-of-thought — o que mudou em o3/R1/Gemini Thinking

Bloco 4 — Cultura (1 nota)

A higiene que separa output de IA de output assinável.

• 09 - Anti-patterns e tells de IA — o que evitar — catálogo de frases bandeira-vermelha, como bloquear via constraints

Rotas alternativas

Rota mínima (preciso melhorar prompts hoje)

“Não quero trilha inteira — me dê o essencial pra subir qualidade amanhã”

02 - Especificidade — a primeira disciplina → 03 - Roles e personas — escolhendo o juízo do modelo → 06 - Constraints declarativas — boundaries como engenharia → 09 - Anti-patterns e tells de IA — o que evitar

Rota Karpathy (vim pelo mega-prompt)

“Quero entender o prompt do Karpathy e onde ele se encaixa”

01 - Por que prompt engineering ainda importa → 03 - Roles e personas — escolhendo o juízo do modelo → 04 - O mega-prompt do Karpathy — anatomia da anti-sycophancy → 06 - Constraints declarativas — boundaries como engenharia

Rota reasoning (uso o3 / R1 / Gemini Thinking)

“Modelos com pensamento mudaram meu workflow — como ajustar?”

08 - Reasoning models — audit trail, não chain-of-thought → 02 - Especificidade — a primeira disciplina → 06 - Constraints declarativas — boundaries como engenharia → 07 - Iteration patterns — keep, change, do-not

Rota cultural (quero output que não pareça IA)

“Meus textos saem com cara de ChatGPT — quero higiene”

09 - Anti-patterns e tells de IA — o que evitar → 06 - Constraints declarativas — boundaries como engenharia → 05 - Few-shot examples — exemplos como contrato → 03 - Roles e personas — escolhendo o juízo do modelo

Leituras recomendadas

Veja também

• AI Engineering Stack — Prompt Layer — onde esta trilha se encaixa na arquitetura
• Context Engineering — o superset; prompt é uma das fontes de contexto
• Context Engineering — Técnicas de prompting — taxonomia adjacente
• Anatomia dos LLMs — pré-requisito conceitual
• Reasoning models e chain-of-thought — o “porquê” da nota 08
• Segurança e Guardrails — onde constraints declarativas terminam e guardrails de sistema começam

Todas as notas

LIST
FROM "03-Dominios/IA/Prompt Engineering"
WHERE type != "moc"
SORT file.name ASC