Engenharia de Prompt com YAML: A Técnica para Prompts Profissionais e Reutilizáveis

Os Modelos de Linguagem de Grande Escala (LLMs), como ChatGPT e Gemini, tornaram-se ferramentas amplamente conhecidas e utilizadas no Brasil. Uma pesquisa de 2024 da Ipsos com o Google revelou que 54% dos brasileiros já utilizam IA generativa, uma taxa superior à média global de 48%.

No entanto, extrair o máximo potencial dessas tecnologias pode ser um desafio. Assim como o Excel revolucionou a produtividade em escritórios, a engenharia de prompts, a arte de criar instruções eficazes para IAs, é fundamental para otimizar resultados em projetos profissionais, acadêmicos e pessoais.

Nesse contexto, uma abordagem estruturada se destaca: o uso de YAML para definir, gerenciar e escalar seus prompts.

O que é um prompt?

Um prompt é, em sua essência, um conjunto de instruções, perguntas ou dados de entrada que você fornece a um Modelo de Linguagem. Ele é o ponto de partida para a geração de uma resposta. Um prompt pode ser tão simples quanto “Qual a capital do Brasil?” ou tão complexo quanto um documento de várias páginas descrevendo uma tarefa de programação. A qualidade da resposta da IA está diretamente ligada à qualidade e clareza do seu prompt.

Por que usar YAML para estruturar seus prompts?

YAML (YAML Ain’t Markup Language) é uma linguagem de serialização de dados projetada para ser legível por humanos. Adotá-la para a engenharia de prompts traz vantagens significativas.

1. Clareza e Organização

A estrutura hierárquica e de chave-valor do YAML força uma organização lógica. Em vez de um bloco de texto monolítico, você separa as instruções em componentes claros, tornando o prompt mais fácil de ler, depurar e manter.

2. Reutilização e Versionamento

Armazenar prompts em arquivos .yaml desacopla a lógica do prompt do código da sua aplicação. Isso oferece dois grandes benefícios:

• Reutilização: O mesmo arquivo de persona who ou comportamento behavior pode ser facilmente carregado e combinado com diferentes comandos.
• Versionamento: Ao usar Git, você pode rastrear alterações, comparar versões e colaborar com sua equipe na melhoria dos prompts, tratando-os como parte essencial do seu código-fonte.

3. Eficiência e Custos

Embora a diferença seja pequena para prompts curtos, em sistemas complexos que passam muitos dados, o YAML pode ser mais eficiente que o JSON. Por ser menos verboso (menos chaves, aspas e vírgulas), pode resultar em um número menor de tokens, o que potencialmente reduz o custo e a latência das requisições ao LLM.

O que precisamos incluir em um prompt?

Para prompts complexos e profissionais, é útil decompor a instrução em componentes lógicos. Essa estrutura garante que todas as informações necessárias sejam fornecidas à IA, minimizando ambiguidades e maximizando a precisão da resposta. Abaixo, apresentamos uma estrutura em YAML com os principais componentes:

Quem (Who)

Define a persona ou o papel que a IA deve assumir. Isso influencia diretamente o tom, o estilo e a base de conhecimento que o modelo utilizará.

1
2
3
4
who:
  description: "Define a persona e a especialidade da IA."
  content: |
    Você é um pesquisador sênior especializado em saúde pública e saneamento, com a tarefa de encontrar fontes acadêmicas robustas para um artigo científico. Sua prioridade é a qualidade e a veracidade das fontes.

Comando (Command)

A instrução principal e direta. É a tarefa central que a IA deve executar de forma clara e objetiva.

1
2
3
4
command:
  description: "A tarefa principal que o LLM deve executar."
  content: |
    Encontre fontes acadêmicas (artigos, teses, estudos) que abordem a relação entre a melhoria do saneamento básico e a diminuição da demanda no Sistema Único de Saúde (SUS) no Brasil.

Contexto (Context)

Fornece as informações de fundo necessárias para que a IA compreenda o escopo e o propósito do seu pedido, resultando em respostas mais relevantes.

1
2
3
4
context:
  description: "Fornece o pano de fundo para a IA entender a proposta."
  content: |
    Estou escrevendo um artigo científico sobre o impacto da despoluição dos rios Pinheiros e Tietê na saúde pública da Região Metropolitana de São Paulo. A hipótese é que a melhoria do saneamento impacta diretamente a saúde da população, reduzindo a carga sobre o SUS.

Esperado (Expected)

Descreve o formato e os critérios de qualidade da resposta desejada. Isso guia a IA sobre como estruturar a saída para que ela seja útil para você.

1
2
3
4
5
6
7
expected:
  description: "Define o formato e os critérios de qualidade da resposta."
  content: |
    - A resposta deve ser uma lista de fontes em formato de citação ABNT.
    - Para cada fonte, inclua um breve resumo (2-3 frases) explicando sua relevância para o tema.
    - Priorize estudos publicados nos últimos 10 anos.
    - Classifique as fontes como 'Alta Relevância' ou 'Relevância Moderada'.

Negativo (Negative)

Define as restrições e o que a IA deve evitar a todo custo, como fontes não confiáveis, tópicos irrelevantes ou vieses específicos.

1
2
3
4
5
6
negative:
  description: "Termos, fontes ou assuntos que a IA deve evitar."
  content: |
    - Não utilize notícias de portais generalistas ou posts de blog como fontes principais.
    - Evite qualquer menção a propagandas políticas ou realizações de governos específicos.
    - Ignore fontes que não possuam autoria clara ou metodologia de pesquisa definida.

Comportamento (Behavior)

Define as regras operacionais, o tom e o estilo da IA. É aqui que você pode instruir o modelo sobre seu processo de “pensamento”.

1
2
3
4
5
6
7
8
behavior:
  description: "Define o modo de operação, o tom e as regras que a IA deve seguir."
  content: |
    - Adote um tom formal e acadêmico.
    - Pense passo a passo antes de formular a resposta final.
    - Justifique brevemente por que cada fonte selecionada é considerada confiável.
    - Se não encontrar informações suficientes ou confiáveis, declare explicitamente a limitação da busca.
    - Não invente informações ou fontes. A honestidade acadêmica é a prioridade máxima.

Comparação: YAML vs. Texto Simples

Para entender o ganho, vejamos como seria o mesmo prompt escrito de forma “corrida”:

Prompt em Texto Simples (Abordagem Comum)

1
Aja como um pesquisador sênior de saúde pública e saneamento. Preciso de fontes para um artigo sobre o impacto da despoluição dos rios Pinheiros e Tietê na saúde e no SUS. Encontre artigos e teses que relacionem saneamento básico com a diminuição da demanda no SUS no Brasil, mas não use notícias de jornais ou propaganda de governo. Quero a resposta como uma lista em ABNT com um resumo de 2-3 frases para cada, priorizando os últimos 10 anos e classificando a relevância. Pense passo a passo, use um tom formal e seja honesto se não encontrar nada. Não invente fontes.

Prompt em YAML (Abordagem avançada)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
who:
  description: "Define a persona e a especialidade da IA."
  content: |
    Você é um pesquisador sênior especializado em saúde pública e saneamento, com a tarefa de encontrar fontes acadêmicas robustas para um artigo científico. Sua prioridade é a qualidade e a veracidade das fontes.

command:
  description: "A tarefa principal que o LLM deve executar."
  content: |
    Encontre fontes acadêmicas (artigos, teses, estudos) que abordem a relação entre a melhoria do saneamento básico e a diminuição da demanda no Sistema Único de Saúde (SUS) no Brasil.

context:
  description: "Fornece o pano de fundo para a IA entender a proposta."
  content: |
    Estou escrevendo um artigo científico sobre o impacto da despoluição dos rios Pinheiros e Tietê na saúde pública da Região Metropolitana de São Paulo. A hipótese é que a melhoria do saneamento impacta diretamente a saúde da população, reduzindo a carga sobre o SUS.

expected:
  description: "Define o formato e os critérios de qualidade da resposta."
  content: |
    - A resposta deve ser uma lista de fontes em formato de citação ABNT.
    - Para cada fonte, inclua um breve resumo (2-3 frases) explicando sua relevância para o tema.
    - Priorize estudos publicados nos últimos 10 anos.
    - Classifique as fontes como 'Alta Relevância' ou 'Relevância Moderada'.

negative:
  description: "Termos, fontes ou assuntos que a IA deve evitar."
  content: |
    - Não utilize notícias de portais generalistas ou posts de blog como fontes principais.
    - Evite qualquer menção a propagandas políticas ou realizações de governos específicos.
    - Ignore fontes que não possuam autoria clara ou metodologia de pesquisa definida.

behavior:
  description: "Define o modo de operação, o tom e as regras que a IA deve seguir."
  content: |
    - Adote um tom formal e acadêmico.
    - Pense passo a passo antes de formular a resposta final.
    - Justifique brevemente por que cada fonte selecionada é considerada confiável.
    - Se não encontrar informações suficientes ou confiáveis, declare explicitamente a limitação da busca.
    - Não invente informações ou fontes. A honestidade acadêmica é a prioridade máxima.

Análise da Comparação:

• Legibilidade: O prompt em texto simples é um “bloco de texto” denso e difícil de escanear. O formato YAML/Markdown é limpo e segmentado.
• Manutenção: Modificar uma regra no prompt de texto simples é arriscado; você pode acidentalentalmente alterar outra instrução. No YAML, cada componente é isolado e seguro para ser editado.
• Automação: Com o YAML, é trivial para um programa trocar apenas o command enquanto reutiliza todo o resto, permitindo a criação dinâmica de prompts para diferentes tópicos de pesquisa. Com o texto simples, isso exigiria uma manipulação de strings complexa e frágil.

Resultados

• Resultado do texto simples
• Resultado de uso da estrutura YAML

  Análise Comparativa dos Resultados

Conclusão

Embora um simples prompt de texto seja suficiente para tarefas casuais, a complexidade das aplicações modernas baseadas em LLMs exige uma abordagem mais disciplinada e escalável. Estruturar os prompts com YAML transforma a engenharia de prompts de uma arte experimental em uma prática de engenharia de software robusta.

Ao adotar o YAML, você ganha em clareza, manutenibilidade, reutilização e colaboração, tornando seus projetos de IA mais profissionais e fáceis de gerenciar. Tratar seus prompts como código é o próximo passo natural para construir aplicações de IA mais confiáveis, potentes e previsíveis.