02 - Especificidade — a primeira disciplina

TL;DR

A maior parte do ganho de qualidade em prompt vem antes de qualquer técnica avançada — vem de especificar quem lê, o que se espera de output, qual o limite de tamanho, qual o tom, e o que conta como sucesso. Especificidade é a primeira disciplina porque destrava todas as outras: roles, few-shot e constraints só funcionam quando o pedido já está concreto. O erro mais comum é confundir especificidade com verbosidade — prompt longo e vago é pior que prompt curto e específico.

Por que especificidade vem antes de tudo

O modelo faz inferência sobre o que você quer. Quanto mais vago o pedido, mais espaço de inferência o modelo tem, e mais o output reverte ao prior — a média estatística do corpus de treino. Output médio é o que parece com ChatGPT genérico: estrutura previsível, abstrações seguras, nada acionável.

Especificar é reduzir o espaço de inferência. Você não precisa adivinhar a “frase mágica”; precisa eliminar as ambiguidades que fazem o modelo escolher um caminho médio.

Before / after

Caso clássico (adaptado do @hooeem cap #2):

Prompt vago

Make this better.

[texto colado]

O modelo não sabe: melhor pra quem? Mais curto ou mais longo? Mais formal ou mais informal? Qual é o critério de “melhor”? O output reverte ao prior — algo genericamente “polido”, provavelmente mais longo, provavelmente mais cauteloso, provavelmente com mais clichês de IA.

Prompt específico

Reescreva o texto abaixo como uma nota interna pra um time de
engenharia sênior. Constraints:

- Audiência: devs sênior, contexto técnico assumido
- Tamanho: 150 palavras, máximo 200
- Tom: direto, sem hedging, sem "é importante notar"
- Manter: todos os números e referências a sistemas
- Cortar: introduções genéricas, frases motivacionais
- Output: markdown com no máximo um nível de heading

Critério de sucesso: um dev sênior lê em 60 segundos e sabe o que
fazer na segunda-feira.

[texto]

O segundo prompt entrega resultado utilizável em 1 iteração. O primeiro tipicamente exige 3-5 rodadas de “não, mais curto”, “não, menos formal”, “não, sem essa intro”.

Tabela de perguntas-guia

Toda vez que você escrever um prompt, percorra esta lista antes de mandar:

Pergunta	Por que importa
Quem lê?	Define vocabulário, profundidade, suposições. “Dev sênior” e “stakeholder não-técnico” exigem prosas opostas.
Qual o output esperado?	Markdown? JSON? Bullets? Tabela? Código? Ambiguidade aqui força uma segunda iteração só pra ajustar formato.
Qual o tamanho?	Limite em palavras, parágrafos, ou linhas. “Curto” não é específico; “máximo 200 palavras” é.
Qual o tom?	Direto, formal, exploratório, cético. Tom indefinido reverte ao tom médio do corpus — geralmente cauteloso e clichê.
O que deve ser preservado?	Números, citações, nomes, terminologia técnica. Sem isso, o modelo parafraseia e perde precisão.
O que deve ser cortado?	Disclaimers, intros, frases motivacionais. Sem instrução explícita, o prior empurra pra incluir.
Qual o critério de sucesso?	Frase única que descreve “isto está pronto”. Força o modelo a otimizar pra um alvo, não pra “parecer bom”.

Não precisa responder todas em todo prompt — mas precisa saber quais foram deixadas em aberto e por quê.

Template plug-and-play

Um esqueleto que funciona pra tarefa de produção de texto:

Tarefa: <verbo de ação + objeto + finalidade>

Audiência: <quem lê + nível de expertise>

Output:
- Formato: <markdown / JSON / bullets / código>
- Tamanho: <faixa concreta>
- Estrutura: <opcional: seções esperadas>

Tom: <adjetivos concretos: direto, cético, irônico, ...>

Manter: <listas do que não pode ser perdido>
Cortar: <listas do que precisa ser excluído>

Critério de sucesso: <uma frase: "isto está pronto quando...">

Input:
<conteúdo>

A pergunta-teste do template: se eu der esse prompt pra 5 modelos diferentes, eles produzem outputs parecidos? Se a variância é alta, o prompt ainda tem ambiguidade — não é o modelo que está oscilando, é você que ainda não especificou o alvo.

Pitfall: especificidade ≠ verbosidade

O erro mais comum de quem aprende esta disciplina é inflar o prompt achando que mais palavras = mais especificidade. Falso. Prompt longo e vago é pior que prompt curto e específico:

• Mais palavras significam mais ambiguidade superficial. Cada adjetivo solto (“seja claro”, “seja útil”, “seja preciso”) adiciona instrução sem critério verificável.
• Tokens custam. Cada token de system prompt entra em todo request (janela de contexto).
• Instruções genéricas anestesiam. Modelos treinaram em milhões de prompts genéricos; “seja claro e conciso” passa direto.

A regra empírica: cada linha do prompt deve responder uma pergunta-guia da tabela acima, ou ser cortada. Se você não consegue dizer qual ambiguidade aquela linha resolve, ela não está especificando — está enfeitando.

Quando especificidade é insuficiente

Prompt específico cobre boa parte das tarefas one-shot. Para sistemas mais complexos, especificidade sozinha não basta — precisa compor com:

• Roles (nota 03) — estabelecem o juízo do modelo
• Few-shot examples (nota 05) — mostram em vez de descrever
• Constraints declarativas (nota 06) — codificam limites como contrato

Mas todas essas técnicas dependem de o pedido base já estar específico. Adicionar role num prompt vago é cargo cult; adicionar few-shot exige saber o que conta como exemplo correto. Especificidade é o piso de tudo.

Fontes

• @hooeem — Become an AI Engineer, cap #2. Pares before/after e a leitura “specificity destrava o resto”.
• OpenAI — Prompt engineering guide, seção “Write clear instructions”.
• Anthropic — Be clear and direct (docs.anthropic.com/prompt-engineering).
• Schulhoff et al. — The Prompt Report (arxiv:2406.06608), seção sobre task description specificity.

Veja também

• 01 - Por que prompt engineering ainda importa — por que a disciplina segue de pé
• 03 - Roles e personas — escolhendo o juízo do modelo — próximo nível, depois que a base está específica
• 06 - Constraints declarativas — boundaries como engenharia — como codificar “manter / cortar” formalmente
• 07 - Iteration patterns — keep, change, do-not — quando o primeiro prompt não foi específico o bastante