Módulo 8, Prompt Engineering
O Módulo 7 nos mostrou o que é um LLM. Este módulo ensina a conversar com ele de forma eficaz, que é o prompt engineering. Um modelo ajustado por instrução já sabe seguir pedidos, mas a qualidade da resposta depende muito de como o pedido é feito. Aprender a formular bons prompts é a habilidade que mais rende resultado imediato ao trabalhar com LLMs, e não exige treinar nada.
A trilha vai do simples ao estruturado. Começamos pedindo tarefas sem exemplos, com o zero-shot, depois acrescentamos exemplos com o few-shot, em seguida fazemos o modelo raciocinar com o Chain of Thought, e por fim o obrigamos a responder em formato fixo com a saída estruturada. Cada técnica resolve um tipo de problema, e juntas formam a caixa de ferramentas do prompt engineering. As partes determinísticas, como montar prompts e validar JSON, rodam em Python puro, e as respostas de verdade vêm de um LLM local via Ollama.
As quatro aulas
| Aula | Tema | O que você faz na prática |
|---|---|---|
| 1 | Zero-shot | Compara prompts vagos com prompts bem estruturados |
| 2 | Few-shot | Guia o modelo com exemplos no próprio prompt |
| 3 | Chain of Thought | Faz o modelo raciocinar passo a passo |
| 4 | Structured output | Obtém e valida saída em JSON |
As três primeiras aulas tratam de como pedir e guiar o modelo, e a quarta de como fazer a saída ser usável por outros programas, onde mora o projeto integrador.
O que você leva deste módulo
Ao terminar, você sabe formular prompts claros, guiar o modelo com exemplos, ativar o raciocínio quando preciso, e obter saídas estruturadas e confiáveis. Essa última habilidade é especialmente importante, porque é o que permite ligar um LLM ao código, e é a base direta dos agentes, que veremos no Módulo 10.
Projeto do módulo
O projeto integrador está na quarta aula, um tutor que explica um conceito em três níveis de profundidade e devolve cada explicação em formato estruturado, combinando todas as técnicas do módulo, prompt claro, exemplos, raciocínio quando útil e saída em JSON validada.
Pré-requisitos
O Módulo 7 sobre LLMs é a base. As partes determinísticas dos notebooks rodam só com a biblioteca padrão do Python. As demonstrações com respostas de verdade usam o Ollama, conforme o docs/setup.md, e degradam de forma graciosa quando ele não está disponível.
Material de apoio
- Notebooks executáveis em notebooks/modulo-08/, um para cada aula.
- Glossário dos termos em docs/glossario.md.
- Referências de cada aula reunidas em references/referencias.bib.