Ferramentas como o ChatGPT podem parecer falar a sua língua, mas, na verdade, falam uma linguagem de probabilidade e suposições fundamentadas. Você pode fazer-se entender melhor — e obter resultados mais profissionais — com algumas técnicas simples de prompting. Aqui estão as principais para adicionar ao seu kit de ferramentas (Este post foi traduzido do inglês original usando o Claude Sonnet 4.5 como parte de uma experiência. Por favor, avise-me se encontrar algum erro ou traduções incorretas).

Prompting de função

O prompting de função envolve atribuir um função específico à sua IA. Por exemplo, você pode dizer “Você é um correspondente experiente de educação” ou “Você é o editor de um jornal nacional britânico” antes de delinear o que está a pedir que façam. Quanto mais detalhes, melhor.

Há pesquisas contraditórias sobre a eficácia do prompting de função, mas no nível mais básico, fornecer um papel é uma boa maneira de garantir que você fornece contexto, o que faz uma grande diferença na relevância das respostas.

Isso não é apenas o contexto de um processo profissional (por exemplo, edição de notícias, jornalismo de saúde, etc.), mas também o público e a atitude que você pode estar a pedir à IA generativa que adopte.

Por exemplo, como as ferramentas de IA generativa são frequentemente excessivamente ansiosas para agradar, falam demais e carecem de uma abordagem crítica (mais sobre isso abaixo), você pode dar-lhes uma personalidade que reduza isso: “Você é um correspondente de saúde que é sempre cuidadosamente cético sobre qualquer informação que recebe”, por exemplo, pode ajudar a orientar a IA para sugestões mais críticas de ideias de matérias.

Prompting recursivo

O prompting recursivo simplesmente significa que você não se contenta com a primeira resposta que obtém da sua ferramenta de IA generativa. Em vez disso, você adiciona feedback em prompts subsequentes (“iteração”).

Se pediu um número de ideias, por exemplo, pode indicar qual delas atende mais de perto aos seus requisitos e pedir que gere mais como aquela.

Você também pode fornecer mais informações sobre o seu pedido se parecer que a IA não entende bem o que você quer dizer.

Ou se as respostas da IA tendem a ser mais longas do que você gostaria, pode iterar dizendo-lhe para ser mais sucinta nas suas respostas.

Uma consideração com o prompting recursivo, no entanto, é o impacto ambiental. Usar tentativa e erro para chegar a uma resposta adequada provavelmente será mais intensivo em energia do que eliminar problemas potenciais com um prompt mais cuidadosamente desenhado desde o início.

Prompting de zero exemplos, exemplo único e poucos exemplos

Se você pede a uma ferramenta de IA generativa para fazer algo sem mostrar um exemplo do que deseja, isso é chamado de ‘prompting de zero exemplos‘. Significa que você está a confiar inteiramente no conhecimento próprio da IA sobre o que pode ser significado por uma ‘matéria’ ou um ‘pitch’.

Fornecer exemplos do tipo de coisa que você quer que ela faça é chamado de prompting de exemplo único ou poucos exemplos (dependendo se você fornece um exemplo ou alguns). A técnica como um todo é chamada de prompting de n exemplos (o n significando ‘número’)

Para algo como pitches de matérias onde você quer que ela siga um template específico, um exemplo (prompting de exemplo único) pode ser suficiente.

O prompting de poucos exemplos é frequentemente usado para tarefas de classificação, ou onde você pode querer fornecer mais liberdade (como múltiplos exemplos do que você quer dizer com uma boa atualização nas redes sociais).

Geração Aumentada por Recuperação (RAG)

A força da IA — o facto de que os grandes modelos de linguagem (LLMs) foram treinados em milhões de linhas de texto — também pode ser a sua fraqueza. O ‘conhecimento’ num LLM é amplo mas também limitado: por exemplo, é improvável que saiba tanto sobre eventos recentes quanto sobre eventos mais antigos.

A Geração Aumentada por Recuperação — aumentar o prompt com informações específicas — é uma estratégia para lidar com isso. A plataforma de IA generativa Perplexity, por exemplo, usa-a para procurar informações relevantes e/ou recentes para melhorar a sua resposta.

Mas podemos ‘aumentar’ os nossos próprios prompts escolhendo incluir informações externas.

Um exemplo comum é a análise de documentos: em vez de pedir a um grande modelo de linguagem para gerar ideias para matérias sobre uma empresa, podemos carregar os seus relatórios anuais para ‘aumentar’ o seu conhecimento e direcionar a sua atenção. Ferramentas como o NotebookLM do Google são desenhadas especificamente para tais prompts aumentados por documentos.

Outro cenário onde o RAG pode ser útil é o jornalismo de dados: ao colar algumas linhas de dados, ou notas de acompanhamento sobre metodologia para ‘aumentar’ a sua compreensão, você pode ajudar a fundamentar o seu conhecimento num contexto factual mais específico. Especifique que não quer que ela realize nenhuma análise, no entanto, ou ela tentará entregar mais do que o pedido.

Carregar o guia de estilo de uma publicação seria outro exemplo de RAG — mas esta experiência sugere que não é muito eficaz.

Prompting de cadeia de pensamento (CoT)

Pedir a uma ferramenta de IA generativa para explicar o seu processo de pensamento (a sua “cadeia de pensamento“), bem como os resultados, pode melhorar esses resultados em certos cenários.

Na sua forma mais simples (zero exemplos), o CoT pode ser aplicado adicionando “Vamos pensar sobre isso passo a passo” ao seu prompt, mas no jornalismo é provável que você precise especificar uma certa estrutura pela qual quer que ela trabalhe.

Por exemplo, em vez de perguntar por que um problema pode existir, você pode pedir-lhe para usar a abordagem dos ‘5 Porquês‘ e explicar o seu raciocínio. Ou em vez de pedir-lhe para criar uma ideia para uma investigação, você pode explicar o método Story Based Inquiry ou o método SCAMPER e pedir-lhe para decompor o seu pensamento ao longo dessas linhas.

Você também pode delinear os passos que quer que sejam dados: por exemplo, para geração de ideias de reportagem você pode dizer:

Passe por cada um destes passos em ordem: 1: identifique quem é o seu público. 2: identifique quais são as suas necessidades de informação. 3: identifique potenciais géneros de reportagem que você pode escrever. 4: Crie 3 ideias para cada, e assim por diante.

Meta prompting

Se você está a lutar com a ‘página em branco’ de um prompt vazio, por que não pedir à própria IA para sugerir prompts? Isso é chamado de meta prompting.

Um meta prompt pode pedir à IA para desempenhar o papel de especialista em design de prompts e criar um prompt para ajudar a resolver um determinado problema ou questão.

Idealmente, você deve descrever como é um bom prompt. Você pode fornecer exemplos.

E sim, nesta fase estamos a ficar muito meta porque acabámos de descrever um processo que combina prompting de papel e prompting de exemplo único com meta prompting.

O meta prompting mais avançado pode envolver fazer com que a IA avalie prompts alternativos antes de identificar o melhor. Mas o meta prompting é talvez mais útil simplesmente como uma maneira rápida de começar. Depois, você pode usar o prompting recursivo para melhorar os resultados. Mas, tal como com o prompting recursivo, o meta prompting provavelmente será mais intensivo em energia do que criar prompts de forma independente.

Prompting negativo

Para obter o melhor da IA generativa, você precisa conter os seus piores instintos. Conhecemos os seus vieses e a sua tendência para alucinar, mas há também a sua tendência para ser excessivamente ansiosa, colocar um brilho positivo nas coisas e falar demais.

O prompting negativo é sobre o que não queremos que a IA faça. Aqui estão alguns exemplos:

• Ao longo desta conversa, não responda com nada além do âmbito do pedido
• Não tente agradar
• Não sugira quaisquer ações adicionais
• Evite a tendência de ser 'efusivo' e promocional. Permaneça cético e crítico.
• Não diga demais — seja sucinto.
• Não tente responder algo se não souber a resposta. Dê uma indicação de certeza ou incerteza para a sua resposta
• Não seja tendencioso. Tome medidas para abordar o facto de que o seu conhecimento reflete o viés dos seus dados de treino
• Não invente coisas. Tome medidas para abordar o facto de que tem uma tendência para alucinar material que não é verdadeiro.

Adicionar isso no início de uma conversa tem vários benefícios positivos. O mais óbvio é comprimento e velocidade: as respostas são muito menos prolixas e muito mais rápidas de ler. Também reduz a tendência inerente para excesso de alcance. E se você quer uma resposta realmente boa, tente este prompt de seguimento:

Atualize essa resposta na persona de um editor de jornal cético com anos de experiência a lidar com desinformação, mentirosos e vigaristas.