Toda semana aparece um curso novo, um framework novo ou uma thread com “os 37 prompts secretos” para programar com IA. Minha opinião é bem menos emocionante: as LLMs de programação já estão boas o suficiente para você simplesmente pedir. Fale de forma clara o que quer, discuta, teste, converse. É isso.
Não estou sozinho nessa. O manifesto Just Prompt, Motherfucker, escrito por Carlos Eduardo Coelho e Leandro Proença, diz a mesma coisa com bem menos educação, e eu concordo com quase tudo. Abaixo explico o porquê, com as fontes.
Engenharia de prompt resolvia um problema que quase não existe mais
“Pense passo a passo”, “você é um engenheiro sênior com 20 anos de experiência”, prometer gorjeta, ameaçar o modelo, escrever REGRA CRÍTICA em caixa alta. Tudo isso nasceu como gambiarra para modelo fraco. Em 2023 até fazia diferença. Hoje, quando alguém vai medir, o efeito some:
- O Prompting Science Report 2, da Wharton, testou o famoso “pense passo a passo”. Em modelos que já raciocinam por conta própria, o ganho foi marginal e a resposta demorou de 20% a 80% mais.
- O Prompting Science Report 3, do mesmo grupo, testou ameaçar o modelo e oferecer gorjeta. A conclusão é que isso, em geral, não tem efeito significativo no desempenho.
E tem coisa que passou de inútil para prejudicial. A documentação de prompts da Anthropic avisa que os modelos novos obedecem mais ao que está escrito, e que a linguagem agressiva de antigamente agora faz o modelo exagerar. A recomendação deles é literalmente baixar o tom: onde você escrevia “CRITICAL: You MUST use this tool when…”, escreva “Use this tool when…”.
Ou seja, o prompt gritado que você copiou de um repositório de 2024 pode estar atrapalhando.
Anthropic e OpenAI já otimizaram o produto para você
Quando você abre o Claude Code, o Codex ou o Cursor, não está falando com um modelo cru. Tem um system prompt, um conjunto de ferramentas e um gerenciamento de contexto montados por quem treinou o modelo e mede o resultado disso em escala. Essa parte da “engenharia” já foi feita, e por gente com muito mais dado do que o vendedor de curso.
O que sobra para você é a parte humana. As próprias empresas dizem isso:
- A regra de ouro da Anthropic é mostrar o seu prompt a um colega com pouco contexto sobre a tarefa. Se ele ficar confuso, o modelo também vai ficar.
- O guia de prompts da OpenAI para o GPT-5.6 manda descrever o destino em vez de prescrever cada passo. Nos testes internos deles com agentes de programação, system prompts mais enxutos melhoraram as notas em cerca de 10% a 15% e cortaram de 41% a 66% dos tokens. Eles mesmos avisam que o número varia conforme o uso, mas a direção é clara: menos instrução, mais resultado.
Repare que nenhuma das duas fala em técnica secreta. Falam em clareza.
Mais ferramenta é mais token, e nem sempre mais resultado
Aqui é onde o pessoal se perde. Instala vinte servidores MCP, quinze skills, um orquestrador de agentes e um arquivo de instruções de 800 linhas, e acha que montou uma máquina. Montou foi um contexto entupido.
- Arquivos de contexto gigantes. Um estudo avaliou os arquivos AGENTS.md em agentes de programação. Eles não melhoraram a taxa de sucesso de forma geral e aumentaram o custo de inferência em mais de 20%, em média. Segundo os autores, o agente segue bem as instruções do arquivo, mas aquele resumão do repositório não ajuda. O que se salva é registrar as práticas fora do padrão do seu projeto.
- MCP demais. A própria Anthropic, que criou o protocolo, explica que a maioria dos clientes carrega a definição de todas as ferramentas no contexto antes de ler o seu pedido, o que deixa o agente mais lento e mais caro.
- Contexto cheio piora o modelo. O relatório Context Rot, da Chroma, testou 18 modelos e mostrou que o desempenho não se mantém conforme a entrada cresce, mesmo em tarefas simples.
O manifesto resume isso numa tabela que eu acho perfeita: “Twenty MCP servers” de um lado, “Nineteen you never call” do outro. Vinte servidores MCP, dezenove que você nunca chama. E todos eles ocupando espaço na conversa.
Como programar com IA sem técnica avançada
O que funciona é o que funcionaria com um bom programador que acabou de entrar no projeto:
- Diga o que quer e por quê. O objetivo, o que não pode quebrar e como você vai saber que ficou pronto.
- Discuta antes de mandar escrever. Peça um plano, questione, discorde. É barato e evita refazer.
- Teste. Rode o código. Se deu erro, cole o erro. Se ficou feio, diga que ficou feio.
- Corrija a rota conversando. Você não precisa acertar o prompt de primeira. Precisa responder.
- Mantenha as instruções fixas curtas. Só o que o modelo não descobre sozinho lendo o repositório: o comando de teste, uma convenção da equipe, o que é proibido mexer.
Um pedido bom se parece com isto:
O checkout está cobrando frete duas vezes quando o cliente troca o endereço
depois de aplicar um cupom. Encontra a causa antes de mexer em qualquer coisa
e me explica. Depois corrige e escreve um teste que falharia sem a correção.
Não mexe na integração com a transportadora.
Nada de persona, nada de caixa alta, nada de template. É só um problema bem explicado.
Então quem está vendendo a técnica avançada?
Na minha opinião, a maioria de quem vende engenharia de prompt avançada, skill mirabolante e método com nome em inglês é só malandro que saiu de casa em busca de otário. O produto não é o seu código funcionando. O produto é o curso, a assinatura, o harness, e a sua sensação de que está ficando para trás.
Não é implicância com ferramenta. Os próprios autores do manifesto escrevem “We have nothing against the tools. We use them”. Um MCP que você usa todo dia vale a pena. Uma skill que guarda um processo chato da sua equipe também. O problema é empilhar coisa por medo, sem medir se melhorou.
O critério que eu uso vem do Building Effective Agents, da Anthropic: procure a solução mais simples possível e só aumente a complexidade quando ela comprovadamente melhorar o resultado. Se você não sabe dizer o que uma ferramenta melhorou, ela só está queimando token.
Resumindo
- Os truques de prompt eram muleta para modelo antigo. Nos atuais, medem como inúteis ou atrapalham.
- Anthropic e OpenAI já otimizam o produto e pedem a mesma coisa de você: clareza.
- Contexto entupido de ferramenta e instrução custa mais e entrega menos.
- O que resolve é explicar bem, discutir, testar e conversar.
O manifesto fecha com uma frase que eu assino embaixo: “anyone who can explain a problem to a colleague can prompt”. Quem consegue explicar um problema a um colega já sabe usar IA para programar. E quem não consegue, nenhuma engenharia vai salvar.
Se quiser acompanhar os próximos textos, assine o feed RSS.