Modulo 1.2 - Prompt Engineering profissional

🏗️ Estruturacao de prompts

O que e: Montar prompts com papel, objetivo, restricoes, contexto e criterios de saida. A arquitetura que faz prompts funcionarem de forma previsivel.

Por que aprender: Prompt sem estrutura gera resultados inconsistentes. Com estrutura, voce transforma tentativa-e-erro em processo reproduzivel.

Conceitos-chave: Role assignment, task framing, constraints, context injection, output format specification, sistema ROCCE.

🛡️ Reducao de alucinacao

O que e: Tecnicas para reduzir ambiguidade e alucinacao nos outputs do modelo. Ancorar o modelo em fatos e contexto concreto.

Por que aprender: Alucinacao e o risco numero 1 de usar LLMs em producao. Saber minimizar isso e habilidade obrigatoria.

Conceitos-chave: Grounding, source attribution, confidence calibration, constraining output space, verificacao cruzada.

💻 Prompting para engenharia

O que e: Prompts orientados a tarefas de engenharia: leitura de codigo, refatoracao, documentacao, testes e investigacao de bugs.

Por que aprender: Prompts genericos produzem codigo generico. Prompts orientados a engenharia produzem outputs que se encaixam no fluxo real de trabalho.

Conceitos-chave: Code review prompts, debug prompts, refactoring prompts, test generation prompts, documentation prompts.

✅ Validacao de respostas

O que e: Estrategias para validar o que a IA retorna antes de usar em producao. Da verificacao manual a automacao.

Por que aprender: Aceitar output de IA sem validacao e o caminho mais rapido pra bugs em producao. Validacao e a rede de seguranca.

Conceitos-chave: Self-verification, automated testing, human-in-the-loop, output assertions, smoke tests, diff review.

🚧 Limites do prompting

O que e: Quando prompt engineering resolve e quando nao e suficiente. Os limites reais da tecnica e quando escalar pra context engineering ou agentes.

Por que aprender: Ficar preso em prompt engineering quando o problema e de contexto ou de tooling desperdiça horas e gera frustacao.

Conceitos-chave: Limites de instrucoes, context overflow, prompt vs context engineering, quando usar agentes, escalabilidade de prompts.

🔗 Tecnicas avancadas

O que e: Chain-of-thought, few-shot e prompting com exemplos negativos. Tecnicas que melhoram significativamente a qualidade do output.

Por que aprender: Essas tecnicas sao a diferenca entre um prompt que funciona 60% das vezes e um que funciona 95%. Dominar elas e profissionalismo.

Conceitos-chave: Chain-of-thought (CoT), few-shot learning, zero-shot, exemplos negativos, step-by-step reasoning, self-consistency.

📝 Exercicios

KATA

Prompt Kata: Refatoracao (45 min)

Trecho de codigo legado de 80 linhas com logica misturada. Tres rodadas: (1) prompt ingenuo, (2) prompt com contexto de linguagem/framework/padrao, (3) prompt com SCoT pedindo raciocinio passo a passo. Comparar resultados: tamanho do output, iteracoes, qualidade.

KATA

Prompt Kata: Debugging (30 min)

Stack trace real. Tres abordagens: (1) dump direto do erro, (2) code review do codigo que gerou o erro, (3) diagnostico estruturado com contexto + hipotese + codigo + erro. Anotar tentativas de cada abordagem.

KATA

Prompt Kata: Geracao de testes (60 min)

Funcao sem testes. Iteracao progressiva: (1) testes basicos, (2) edge cases ("adicione 3 casos limite"), (3) testes negativos explicitamente, (4) testes de integracao separado. Comparar cobertura em cada iteracao.

Prompt Debugging (30 min)

Receber prompts quebrados e diagnosticar: ambiguos demais, sem contexto, contradicoes internas, ruido excessivo. Corrigir cada um e testar.

Red Team / Blue Team (45 min)

Metade da turma escreve prompts ruins intencionalmente, a outra metade corrige. Discussao: o que quebra prompts com mais frequencia?

LAB

Biblioteca de Prompts (60 min)

Criar biblioteca pessoal de 10 prompts testados: code review, geracao de testes, documentacao, refatoracao, debugging, SQL, API design, commit message, PR description, explicacao de codigo. Versionada no git.