Prompt Engineering para Agentes: CoT, ReAct e a Fórmula da Clareza

Prompt para chatbot é uma coisa; prompt para agente de codificação é outra categoria inteira. O agente tem acesso a ferramentas -- terminal, editor, navegador, servidores MCP -- e cada chamada errada custa tempo, tokens ou, pior, estado do sistema. A disciplina de prompt engineering avançado existe porque a diferença entre um prompt banal e um prompt bem estruturado pode ser 3x no tempo de resolução e 30% na acurácia de tarefas complexas.

A fórmula mental que serve de guia: P(T_sucesso) = f(I_clareza, C_contexto, R_raciocínio). Probabilidade de sucesso é função da clareza da instrução, da riqueza do contexto fornecido e do raciocínio explícito que o modelo traça antes de agir. As três variáveis são controláveis. Este módulo cobre como.

Chain-of-Thought (CoT) em três sabores

Zero-Shot CoT. Você simplesmente adiciona 'pense passo a passo antes de responder' ou 'decomponha o problema antes de implementar' no final do prompt. Custo zero, benefício real em tarefas de raciocínio. É o mínimo que você deve pedir em qualquer prompt não-trivial.

Few-Shot CoT. Você inclui um ou dois exemplos de problemas resolvidos, cada um com o raciocínio intermediário visível. Pesquisa da Anthropic e do Google mostra ganho de acurácia de até 28% em tarefas complexas. Para agentes de codificação, 'exemplo' significa mostrar um problema similar, o plano que o agente deveria ter feito, e a solução final. Custo de tokens é moderado; benefício composto é enorme.

Self-Consistency. Você pede múltiplas soluções ao mesmo problema e seleciona a mais frequente. Aplicável em tarefas de alta responsabilidade onde um erro custa caro -- migração de schema, refatoração de autenticação, escrita de regras de negócio financeiras. Aumenta custo em 3-5x mas corta erro aleatório quase a zero.

ReAct -- Reason + Act + Observe -- é o padrão-ouro para agentes com ferramentas. O ciclo é literal: o agente declara um pensamento ('preciso verificar se o arquivo existe'), executa uma ação ('ls -la src/lib/auth.ts'), observa o resultado ('o arquivo existe e tem 42 linhas'), e só então decide o próximo passo. Esse loop explícito evita que o agente alucine arquivos, métodos ou assinaturas de função.

Você induz ReAct com uma frase simples no prompt: 'Para cada passo, primeiro declare seu raciocínio, depois execute a ação, depois observe o resultado, depois decida o próximo passo. Nunca assuma a existência de arquivos ou métodos sem verificar.' Esse parágrafo no começo de um prompt complexo reduz drasticamente a taxa de alucinação.

Técnicas complementares que vale dominar

Analogical Prompting. 'Resolva esse problema como se fosse similar ao caso X que já funcionou.' Útil quando você tem um padrão estabelecido no projeto e quer que o agente mantenha consistência.

Self-Ask Decomposition. 'Decomponha a demanda em três sub-perguntas. Responda cada uma e só depois integre.' Força decomposição em tarefas que misturam frontend, backend e infra.

Step-Back Prompting. 'Antes de mergulhar nos detalhes, escreva em três parágrafos a arquitetura proposta.' Ideal para evitar que o agente comece a editar arquivo sem ter o mapa.

Meta Prompting. 'Escreva o prompt ideal para resolver X, depois execute-o.' O agente otimiza a própria instrução -- técnica avançada que funciona bem em tarefas exploratórias.