16 templates de prompts para agentes de IA
16 templates de prompts para agentes de IA
Jessica Lau, da equipe Zapier, compilou 16 templates de prompts que a equipe usa para obter outputs utilizáveis na primeira tentativa. A motivação é clara: com chatbots, dá para refinar o prompt a cada resposta; com agentes de IA que rodam sem supervisão, um prompt fraco gera o mesmo erro repetidamente - e cobra por ele.
Os 16 templates
1. Context-setting - Fornece background, audiência, restrições e definição de sucesso antes do pedido. Funciona porque detalhes como "para quem é o output" normalmente ficam só na cabeça do usuário, e o modelo preenche com a média do seu treinamento.
2. Standing instructions - Regras fixas (tom, formato, "sempre" e "nunca") aplicadas a toda interação. Reduz inconsistência entre outputs ao eliminar a necessidade de reexplicar preferências.
3. Placeholder - Template com PALAVRAS EM CAPS que o modelo deve preservar. Evita que a IA invente dados que não conhece (escreve [PHONE_NUMBER] em vez de um número falso).
4. Few-shot - Dois ou três exemplos de input/output mostram o padrão desejado mais rápido que qualquer descrição.
5. Output schema - Estrutura fixa com campos nomeados. Essencial quando o output alimenta um CRM, planilha ou próximo passo de workflow.
6. Flipped interaction - A IA faz perguntas ao usuário até ter informação suficiente. Útil para levantamento de requisitos e troubleshooting.
7. Expert persona - Define credenciais, estilo de comunicação e prioridades de um especialista. Os detalhes específicos (não o "aja como") fazem o trabalho real.
8. Expert panel - Simula um painel de especialistas debatendo. Força múltiplos pontos de vista e expõe soluções que uma resposta única esconderia.
9. Decision matrix - Compara opções em critérios ponderados, com scores e recomendação. Inclui o pedido do melhor argumento contra a recomendação, para stress-test.
10. Self-critique - O modelo avalia o próprio rascunho contra uma rubrica antes de entregar. Separa geração de avaliação, que são habilidades diferentes.
11. Feedback loop - Ancorado no output anterior: o que funcionou, o que não funcionou, e pedido de revisão direcionada. Evita regeneração do zero.
12. Step-by-step (recipe) - Estrutura com requisitos, preparação, instruções, troubleshooting e variações. Impede que o modelo pule direto para o meio.
13. Fact-check - Primeira passada de verificação com níveis de confiança. A autora ressalta que rodar o mesmo texto duas vezes pode dar resultados diferentes - revisão humana continua necessária.
14. Trigger-and-action - Para agentes que rodam sem supervisão: gatilho, condições, ações e fallback explícitos. Cada branch não especificado é uma decisão que o modelo improvisa.
15. Guardrail - Proibições explícitas, escopo limitado e caminho de escalonamento. Modelos são "ansiosos para ajudar", e helpfulness irrestrita é como um agente acaba mandando e-mail para toda a lista de contatos.
16. Approval checkpoint - Pausa obrigatória para aprovação humana entre etapas. Corrigir um outline custa um minuto; corrigir depois que foi enviado custa o ciclo inteiro.
Observações gerais
Os templates são estruturais, não específicos de modelo - funcionam em ChatGPT, Claude, Gemini e outros. Para agentes, a diferença principal é que context, formato de output, tratamento de edge cases e guardrails precisam estar escritos de antemão, pois não há oportunidade de corrigir em tempo real.