advanced⏱65 minLição 8 de 10

Engenharia de Prompt para Agentes

Domine prompts de sistema, few-shot learning, restricoes, formatacao de saida e estrategias de prompt para controle de agentes de IA.

Engenharia de Prompt para Agentes

Por Que Prompts de Agente Sao Diferentes

A engenharia de prompt para agentes difere fundamentalmente da tradicional. Prompts de agente devem instruir o modelo sobre tom e formato, mas tambem definir uso de ferramentas, comportamento de planejamento, recuperacao de erros e restricoes de seguranca.

💡 Tip: Use Ctrl + Mouse Wheel to zoom, or click the fullscreen icon

ℹ️Note

Um prompt de agente nao e apenas uma mensagem de sistema. E um documento em camadas que inclui definicao de papel, schemas de ferramentas, estrategias de planejamento e especificacoes de saida.

Arquitetura do Prompt de Sistema

yaml

prompt_sistema:
  definicao_papel:
    conteudo: "Voce e um engenheiro de software especialista..."
    tom: "profissional, preciso"
    especialidade: ["Python", "TypeScript", "arquitetura"]

  restricoes:
    - "Sempre peca esclarecimento se requisitos forem ambiguos"
    - "Nunca execute comandos destrutivos sem confirmacao"
    - "Prefira bibliotecas padrao sobre dependencias externas"

  politica_uso_ferramentas:
    descoberta: "Use tools/list para descobrir ferramentas"
    invocacao: "Chame ferramentas com parametros precisos"
    erros: "Se uma ferramenta falhar, tente mais uma vez e reporte"

  instrucoes_planejamento:
    decomposicao: "Divida tarefas complexas em passos sequenciais"
    verificacao: "Verifique cada passo antes de prosseguir"

python

class ConstrutorPromptSistema:
    def __init__(self):
        self.secoes = {}

    def adicionar_papel(self, nome, descricao, especialidade=None):
        self.secoes["papel"] = {
            "nome": nome,
            "descricao": descricao,
            "especialidade": especialidade or []
        }
        return self

    def adicionar_restricoes(self, restricoes):
        self.secoes["restricoes"] = restricoes
        return self

    def adicionar_ferramentas(self, definicoes):
        self.secoes["ferramentas"] = definicoes
        return self

    def adicionar_regras_seguranca(self, regras):
        self.secoes["seguranca"] = regras
        return self

    def construir(self):
        partes = [f"# Papel: {self.secoes.get('papel', {}).get('nome', 'Assistente')}"]
        papel = self.secoes.get("papel", {})
        partes.append(papel.get("descricao", ""))

        if "restricoes" in self.secoes:
            partes.append("\n## Restricoes")
            for r in self.secoes["restricoes"]:
                partes.append(f"- {r}")

        if "ferramentas" in self.secoes:
            partes.append("\n## Ferramentas Disponiveis")
            for f in self.secoes["ferramentas"]:
                partes.append(f"- `{f['nome']}`: {f['descricao']}")

        if "seguranca" in self.secoes:
            partes.append("\n## Regras de Seguranca")
            for r in self.secoes["seguranca"]:
                partes.append(f"- {r}")

        return "\n".join(partes)


construtor = ConstrutorPromptSistema()
prompt = (construtor
    .adicionar_papel("Engenheiro Senior", "Voce e um engenheiro de software expert.")
    .adicionar_restricoes([
        "Peca esclarecimento se ambiguo",
        "Nunca execute comandos destrutivos sem aprovacao",
    ])
    .adicionar_ferramentas([
        {"nome": "read", "descricao": "Ler arquivos"},
        {"nome": "bash", "descricao": "Executar comandos"},
    ])
    .adicionar_regras_seguranca([
        "Requer aprovacao para escrever em caminhos de producao",
    ])
    .construir()
)
print(prompt[:500])

Few-Shot para Agentes

yaml

exemplos_few_shot:
  - cenario: "Correcao de bug"
    usuario: "Endpoint de login retorna 500 quando usuario esta vazio"
    assistente:
      raciocinio: |
        1. O problema e provavelmente validacao de entrada ausente
        2. Preciso encontrar o handler do endpoint de login
        3. Verificar se ha validacao de entrada
        4. Adicionar validacao se ausente
      acoes:
        - ferramenta: "grep"
          params: { padrao: "def login" }
        - ferramenta: "read"
          params: { caminho: "src/auth/views.py" }
      resultado: |
        Encontrado o handler. Validacao de usuario vazio ausente.
        Adicionando validacao na linha 42.

  - cenario: "Recuperacao de erro"
    usuario: "Fazer deploy em producao"
    assistente:
      raciocinio: |
        Deploy requer portao de aprovacao.
        Primeiro executar testes, depois build, entao solicitar aprovacao.
      acoes:
        - ferramenta: "bash"
          params: { comando: "pytest tests/" }
      tratamento_erro: |
        Testes falharam. Bloqueando deploy.
        Reportando falhas ao usuario.

Otimizacao de Restricoes

json

{
  "restricoes_agente": {
    "comportamental": {
      "deve_fazer": [
        "Ler arquivos antes de modificar",
        "Executar testes apos alteracoes",
        "Reportar todos os erros ao usuario"
      ],
      "nao_deve_fazer": [
        "Deletar arquivos sem confirmacao",
        "Modificar package-lock.json",
        "Acessar arquivos fora do diretorio do projeto"
      ]
    },
    "comunicacao": {
      "ser_concisa": true,
      "mostrar_raciocinio": true,
      "usar_markdown": true
    },
    "uso_ferramentas": {
      "validar_parametros": true,
      "timeout_ms": 30000,
      "max_paralelo": 5,
      "tentar_novamente": true
    }
  }
}

Pratica

Practice Question

O que torna a engenharia de prompt para agentes diferente da tradicional?

Practice Question

Quantos exemplos few-shot sao recomendados para prompts de agente?

Practice Question

Qual a forma mais eficaz de escrever restricoes de seguranca em prompts de agente?

✅**Principais Conclusoes**

Prompts de agente sao documentos em camadas com papel, ferramentas, planejamento e restricoes
Few-shot com 3-5 exemplos ensina padroes de tarefa eficazmente
Restricoes devem ser concretas e testaveis, nao vagas
Injecao dinamica de prompt permite contexto viavel em tempo de execucao
Avaliacao de prompt com casos de teste validados verifica eficacia
Padroes de otimizacao incluem ancoragem de papel, cadeia de pensamento e prompting negativo

Fluxo de Trabalho Detalhado

💡 Tip: Use Ctrl + Mouse Wheel to zoom, or click the fullscreen icon

💡Tip

Este diagrama ilustra o fluxo de trabalho basico do agente. Adapte-o ao seu caso de uso especifico.

Exemplos Adicionais de Codigo

python

# Exemplo adicional de implementacao
class ExemploAdicional:
    """Classe de exemplo para ilustrar conceitos adicionais."""

    def __init__(self, nome):
        self.nome = nome
        self.dados = {}

    def processar(self, entrada):
        """Processa a entrada e armazena o resultado."""
        resultado = self._transformar(entrada)
        self.dados[entrada] = resultado
        return resultado

    def _transformar(self, valor):
        return valor * 2 if isinstance(valor, (int, float)) else valor.upper()

    def obter_estatisticas(self):
        """Retorna estatisticas sobre os dados processados."""
        if not self.dados:
            return {"status": "vazio", "total": 0}
        return {
            "status": "processado",
            "total": len(self.dados),
            "ultimo": list(self.dados.keys())[-1]
        }

exemplo = ExemploAdicional('teste')
print(exemplo.processar(21))  # 42
print(exemplo.obter_estatisticas())

json

{
  "configuracao_exemplo": {
    "versao": "1.0",
    "parametros": {
      "timeout": 30,
      "max_tentativas": 3,
      "modo": "automatico"
    },
    "seguranca": {
      "requer_aprovacao": true,
      "nivel_autonomia": 2
    }
  }
}

yaml

# configuracao-adicional.yaml
ambiente:
  nome: producao
  variaveis:
    LOG_LEVEL: "debug"
    MAX_TOKENS: 128000
agentes:
  - nome: agente-principal
    modelo: gpt-4o
    temperatura: 0.3
  - nome: agente-revisor
    modelo: claude-sonnet-4-20250514
    ferramentas_permitidas:
      - read
      - grep
      - glob
    ferramentas_negadas:
      - write
      - edit
      - bash

monitoramento:
  metrics: true
  tracing: true
  alertas:
    - tipo: erro_critico
      canal: slack
    - tipo: timeout
      canal: email

Notas Importantes

ℹ️Note

Este conceito e fundamental para o entendimento do modulo. Certifique-se de compreende-lo antes de prosseguir.

⚠️Warning

Preste atencao a este detalhe: configuracoes incorretas podem levar a comportamentos inesperados do agente.

💡Tip

Uma dica pratica: sempre valide suas configuracoes em ambiente de staging antes de promover para producao.

✅Success

Ao dominar este conceito, voce estara apto a construir agentes mais robustos e confiaveis.

Tabela Comparativa

Caracteristica	Abordagem A	Abordagem B	Abordagem C
Complexidade	Baixa	Media	Alta
Flexibilidade	Limitada	Moderada	Total
Manutencao	Facil	Media	Dificil
Performance	Otima	Boa	Variavel
Seguranca	Basica	Avancada	Maxima
Caso de uso	Prototipos	Producao	Sistemas criticos

ℹ️Note

Escolha a abordagem com base nos requisitos especificos do seu projeto. Nao existe solucao unica para todos os casos.

Practice Question

Pergunta adicional 1 sobre o conteudo desta aula?

Practice Question

Pergunta adicional 2 sobre o conteudo desta aula?

Practice Question

Pergunta adicional 3 sobre o conteudo desta aula?

✅**Principais Conclusoes Adicionais**

Reforce seu entendimento praticando com exemplos reais
Consulte a documentacao oficial para casos avancados
Compartilhe seu conhecimento com a comunidade
Sempre teste suas implementacoes em ambientes controlados
Mantenha-se atualizado com as melhores praticas da industria
A pratica consistente e a chave para a maestria
Agentes de IA bem projetados combinam tecnologia com boas praticas de engenharia

Progresso80%

Construindo Habilidades Personalizadas

Melhores Praticas e Padroes

Contéudo do Curso

1. Introducao a Agentes de IA 2. Arquitetura de Agentes 3. Habilidades e Capacidades 4. Gerenciamento de Contexto 5. Pipelines de Agentes 6. OpenCode como Ferramenta de Desenvolvimento 7. Construindo Habilidades Personalizadas 8. Engenharia de Prompt para Agentes 9. Melhores Praticas e Padroes 10. Projetos Reais com Agentes