Em junho de 2025 publicamos aqui o Guia completo de engenharia de prompt, com mais de vinte e cinco técnicas catalogadas. Pouco mais de um a...
Toda sala de aula tem a cena: alguém abre o chat, digita "faça um resumo disso aí", recebe um texto morno e conclui que "a IA não é essa maravilha toda". Do lado oposto, há quem colecione prompts mágicos em planilhas, com fórmulas de trinta linhas que prometem transformar qualquer modelo em consultor sênior. Os dois estão presos na mesma ilusão: a de que o prompt é a frase. Prompt não é a frase que você digita: é tudo o que entra na janela de contexto antes de o modelo gerar a primeira palavra — e essa distinção, que parecia preciosismo em 2023, virou o eixo de toda a prática profissional de 2026.
Este texto é uma atualização declarada do nosso (WAR, 2025) guia de junho de 2025. Aquele post continua útil como catálogo histórico de técnicas — mas o chão se moveu. Aqui vamos fazer três coisas: definir o que é um prompt com precisão técnica, mostrar o que envelheceu do catálogo antigo e apresentar os conceitos que hoje organizam a área, cada um com exemplo e contra-exemplo. Fontes primárias no rodapé, como sempre.
Turno 01
A definição técnica: prompt é a janela inteira, não a pergunta
A janela de contexto vista de perfil: o prompt é a pilha inteira, não só a última faixa. Ilustração do autor (2026)
Um modelo de linguagem faz uma coisa só: recebe uma sequência de tokens e calcula a probabilidade do próximo token. A arquitetura que sustenta isso, o Transformer, permite que cada token "preste atenção" em todos os outros da sequência (VASWANI et al., 2017). Prompt, tecnicamente, é essa sequência de entrada — o condicionamento completo que antecede a geração. Se um pedaço de texto entrou na sequência, ele é prompt; se não entrou, ele não existe para o modelo, por mais óbvio que pareça para você.
O que entra ali, num aplicativo real de 2026, é bem mais do que a caixa de digitação. São, tipicamente, sete camadas (SCHMID, 2025). Toque em cada uma para ver a definição e um exemplo concreto.
Selecione uma camada da pilha.
As sete juntas formam o prompt de verdade. A camada 6 — a única que a maioria das pessoas chama de "prompt" — costuma ser a menor delas.
Repare no tamanho relativo: num agente de trabalho, a mensagem do usuário raramente passa de 2% dos tokens enviados. O resto é infraestrutura invisível. É por isso que a mesma frase produz resultados radicalmente diferentes em aplicativos diferentes — não é o modelo que mudou, é a pilha.
Turno 02
O que envelheceu do guia de 2025
Sejamos honestos com o texto anterior: ele estava certo para o seu momento — e não estava sozinho: o próprio material de referência do Google sobre engenharia de prompt, então recém-publicado, catalogava as mesmas técnicas de cadeia de pensamento e autoconsistência (BOONSTRA, 2024). Em meados de 2025, os modelos de ponta ainda respondiam direto, sem etapa interna de raciocínio, e o "pense passo a passo" era um ganho mensurável. O Quadro 1 faz o balanço técnica por técnica, com a documentação atual de cada fabricante como critério.
Quadro 1 — Situação em 2026 das principais técnicas catalogadas no guia de engenharia de prompt de 2025
| Técnica de 2025 | Status em 2026 | O que fazer agora |
|---|---|---|
| Zero-shot | Fortalecida | Virou o ponto de partida recomendado pela OpenAI para modelos de raciocínio |
| Few-shot (2 a 5 exemplos) | Em disputa | Anthropic ainda recomenda 3 a 5 exemplos; OpenAI manda tentar sem eles primeiro |
| Role prompting (persona) | Migrou de lugar | Saiu do chat e foi para as instruções do sistema e para arquivos de skill |
| Chain-of-thought explícito | Antipadrão em modelos de raciocínio | Substituir por parâmetro de esforço de raciocínio |
| Self-consistency (votação) | Absorvida pelo modelo | Passou a ser feita internamente; fora do controle do prompt |
| Tree of Thoughts | Absorvida | Idem — virou comportamento nativo do modo de raciocínio |
| Prompt chaining | Virou arquitetura | Hoje se chama orquestração de agentes e subagentes |
| RAG | Central e transformada | Deixou de ser "colar documentos" e virou recuperação sob demanda |
| ReAct | Virou infraestrutura | Uso de ferramentas nativo por API; não se escreve mais o laço à mão |
| Reflexion / auto-refinamento | Parcialmente absorvida | Sobrevive na otimização automática de prompts |
| Emotion prompting, RE2, RaR | Marginais | Ganhos residuais; não sustentam prática profissional |
| Meta prompting | Formalizada | Virou otimização programática com métrica de avaliação |
Fonte: elaborado pelo autor com base em Openai (2026), Anthropic (2026), Google (2026) e War (2025).Nota: "absorvida" indica técnica que passou a ser executada internamente pelo modelo, sem instrução do usuário. A classificação é interpretativa do autor, ancorada na documentação vigente de cada fabricante em agosto de 2026.
O padrão salta aos olhos: o que era técnica de prompt virou parâmetro de API, comportamento nativo do modelo ou arquitetura de software. Sobrou pouca coisa no território original — e é exatamente esse vácuo que a engenharia de contexto veio ocupar.
Turno 03
Conceito 1 — Engenharia de contexto: o termo que substituiu o outro
Em junho de 2025 — no mesmo mês em que nosso guia foi publicado, por coincidência editorial saborosa — um punhado de pessoas influentes começou a dizer a mesma coisa ao mesmo tempo. Harrison Chase, da LangChain, publicou em 23 de junho a definição que virou padrão de mercado: engenharia de contexto é "construir sistemas dinâmicos que forneçam a informação e as ferramentas certas, no formato certo, de modo que o modelo consiga plausivelmente realizar a tarefa" (CHASE, 2025). Dois dias depois, Andrej Karpathy endossou publicamente a troca de nome, definindo-a como "a arte e a ciência delicada de preencher a janela de contexto com exatamente a informação certa para o próximo passo" (KARPATHY, 2025).
A formulação mais citável em contexto técnico veio da Anthropic, em setembro de 2025: engenharia de contexto é "o conjunto de estratégias para curar e manter o conjunto ótimo de tokens durante a inferência" — e o objetivo operacional é "encontrar o menor conjunto de tokens de alto sinal que maximize a probabilidade do resultado desejado" (ANTHROPIC, 2025b). Guarde essa frase: ela contém a inversão inteira. Não se trata de escrever mais, trata-se de escolher melhor o que entra.
A diferença na prática
Pensamento de engenharia de prompt
Aposta tudo na formulação da frase e despeja todo o material disponível na janela.
Pensamento de engenharia de contexto
Define o contrato de saída e seleciona o menor conjunto de material que torna a tarefa resolvível.
A LangChain organizou as operações dessa disciplina em quatro verbos, hoje amplamente adotados: escrever (salvar informação fora da janela), selecionar (puxar de volta só o relevante), comprimir (reter apenas os tokens essenciais) e isolar (dividir o trabalho entre agentes ou ambientes separados) (CHASE, 2025). A Anthropic descreve as quatro técnicas correspondentes que usa em produção: compaction — resumir a conversa que se aproxima do limite e reiniciar a janela com o resumo; anotação estruturada — o agente escreve notas em arquivo, fora da janela, e as traz de volta quando precisa; arquiteturas de subagentes — cada subagente explora dezenas de milhares de tokens e devolve um resumo de mil a dois mil; e recuperação sob demanda — o agente guarda apenas caminhos e identificadores e carrega o conteúdo em tempo de execução (ANTHROPIC, 2025b).
Turno 04
Conceito 2 — Mais contexto não é melhor contexto
O efeito "perdido no meio": a informação existe na janela, mas o modelo não a alcança bem. Ilustração do autor (2026)
Aqui mora a intuição mais cara de ser desfeita. Se o modelo aceita um milhão de tokens, por que não jogar tudo lá dentro? Porque a atenção é um recurso finito. Como cada token se relaciona com todos os outros, um contexto de n tokens gera n² relações par a par; a Anthropic descreve o efeito como um "orçamento de atenção" que se estica cada vez mais fino, e conclui que o contexto "deve ser tratado como recurso finito com retornos marginais decrescentes" (ANTHROPIC, 2025b).
Isso não é retórica: é resultado medido. O estudo que batizou o fenômeno de "perdido no meio" mostrou que a acurácia despenca quando a informação relevante está no miolo de um contexto longo — em alguns arranjos, fica pior do que não dar documento nenhum ao modelo (LIU, N. F. et al., 2024). A Tabela 1 traz os números.
Tabela 1 — Acurácia do GPT-3.5 Turbo em pergunta e resposta, por posição do documento relevante entre 20 documentos — 2023
| Condição | Acurácia (%) |
|---|---|
| Só o documento correto (oráculo) | 88,3 |
| Documento relevante na posição 1 | 75,8 |
| Sem nenhum documento (livro fechado) | 56,1 |
| Documento relevante na posição 10 | 53,8 |
Fonte: elaborado pelo autor com base em Liu, N. F. et al. (2024).Nota: cenário com 20 documentos recuperados (cerca de 4 mil tokens). A condição "livro fechado" mede o desempenho do modelo sem qualquer documento de apoio.
Leia a tabela devagar: enterrar a resposta no meio de vinte documentos foi pior do que não dar documento algum. Em 2025, um estudo com dezoito modelos de ponta — incluindo GPT-4.1, Claude 4 e Gemini 2.5 — generalizou o achado sob o nome de context rot, ou apodrecimento de contexto: "os modelos não usam o contexto de forma uniforme; o desempenho fica cada vez mais imprevisível conforme o comprimento da entrada cresce" (HONG; TROYNIKOV; HUBER, 2025). Mais contexto não é melhor contexto — e essa é, provavelmente, a lição mais prática deste post para quem usa IA no trabalho.
O que fazer com isso na segunda-feira
Três hábitos derivam direto dessas evidências. Um: recorte antes de colar — a seção pertinente vale mais que o documento inteiro. Dois: coloque o essencial no começo ou no fim da mensagem, nunca no miolo. Três: quando a conversa ficar longa, não insista — peça um resumo do que foi decidido, abra um chat novo e comece com esse resumo. Isso é compaction feito à mão, e funciona.
Turno 05
Conceito 3 — O fim do "pense passo a passo"
A frase mais famosa da engenharia de prompt foi aposentada por um botão. Ilustração do autor (2026)
Essa é a mudança que mais confunde quem aprendeu prompt em 2023 e 2024. A documentação oficial da OpenAI para modelos de raciocínio é literal: "evite prompts de cadeia de pensamento — como esses modelos raciocinam internamente, pedir que 'pensem passo a passo' ou 'expliquem seu raciocínio' é desnecessário"; e ainda: "tente zero-shot primeiro, few-shot só se necessário" e "mantenha os prompts simples e diretos" (OPENAI, 2026). O Google diz o equivalente no guia do Gemini 3: se você usava engenharia de prompt complexa, "como cadeia de pensamento, para forçar o Gemini 2.5 a raciocinar, tente o Gemini 3 com thinking_level: high e prompts simplificados"; o modelo, adverte a mesma página, "pode analisar demais prompts verbosos ou excessivamente elaborados" (GOOGLE, 2026). A Anthropic completa o trio: o Claude "costuma ter desempenho melhor com instruções de alto nível para pensar profundamente sobre a tarefa do que com orientação prescritiva passo a passo" (ANTHROPIC, 2026).
Não é apenas recomendação de fabricante — há evidência experimental de que insistir na cadeia de pensamento chega a piorar o resultado. Um estudo mostrou queda de até 36,3 pontos percentuais de acurácia em tarefas nas quais raciocinar explicitamente também atrapalha humanos, como reconhecimento de padrões com exceções (LIU, R. et al., 2024). Outro, de 2025, mediu a degradação causada por exemplos de raciocínio em modelos que já raciocinam: quedas de 6% a 16% com um único exemplo e de até 35% com três exemplos no benchmark de matemática AIME 2025 (WANG et al., 2025). E uma meta-análise de mais de cem artigos concluiu que o ganho da cadeia de pensamento se concentra em matemática e raciocínio simbólico, sendo marginal no resto (SPRAGUE et al., 2024).
Reflexo de 2024
Gasta tokens de raciocínio com andaime desnecessário e não diz o essencial: os parâmetros do cálculo.
Prática de 2026
Objetivo claro, parâmetros completos e contrato de saída explícito. O raciocínio fica por conta do modelo.
Atenção a uma ressalva importante: isso vale para modelos de raciocínio. Em modelos rápidos, sem etapa interna de pensamento, o "pense passo a passo" continua ajudando — a própria Anthropic recomenda a cadeia de pensamento com marcações XML quando o raciocínio estendido está desligado (ANTHROPIC, 2026). A técnica não morreu; ela mudou de endereço.
Turno 06
Conceito 4 — Quando o prompt vira parâmetro
Se o modelo já pensa sozinho, como controlar quanto ele pensa? Por parâmetro, não por frase. O guia do GPT-5 introduziu o reasoning_effort como o botão que "controla o quanto o modelo pensa e o quão disposto ele está a chamar ferramentas" (OPENAI, 2025); nas versões atuais a escala vai de none a max. O Google oferece o thinking_level; a Anthropic passou ao raciocínio adaptativo, no qual o próprio Claude decide quando e quanto pensar (ANTHROPIC, 2026). O Quadro 2 organiza as recomendações divergentes dos três fabricantes — sim, elas divergem, e fingir consenso seria desonesto.
Quadro 2 — Recomendações oficiais de prompting para modelos de raciocínio, por fabricante — agosto de 2026
| Aspecto | OpenAI | Anthropic | |
|---|---|---|---|
| Cadeia de pensamento explícita | Evitar | Preferir instrução de alto nível | Substituir por nível de raciocínio |
| Exemplos (few-shot) | Tentar sem exemplos primeiro | Manter 3 a 5 exemplos | Depende do modelo; simplificar no Gemini 3 |
| Tamanho do prompt | Enxuto; dizer cada instrução uma vez | Explícito, com contexto e motivação | Conciso e direto |
| Estrutura | Delimitadores: Markdown, XML, títulos | Marcações XML por tipo de conteúdo | Uma instrução por prompt |
| Controle do raciocínio | Parâmetro de esforço, de none a max | Raciocínio adaptativo | Parâmetro de nível de pensamento |
| Risco declarado | Instruções contraditórias custam tokens de raciocínio | Devolver o raciocínio do modelo ao prompt degrada o resultado | Reduzir a temperatura pode causar laços e degradação |
Fonte: elaborado pelo autor com base em Openai (2025), Openai (2026), Anthropic (2026) e Google (2026).Nota: tradução livre do autor a partir da documentação em inglês; nomes de parâmetros mantidos no original por serem identificadores de código.
Um achado do guia do GPT-5 merece destaque, porque contraria o instinto de quem escreve prompts longos: prompts mal construídos, com instruções vagas ou contraditórias, "podem ser mais danosos ao GPT-5 do que a outros modelos, porque ele gasta tokens de raciocínio procurando um jeito de reconciliar as contradições" (OPENAI, 2025). Aquele prompt de trinta linhas colecionado na planilha, com regras acumuladas ao longo de meses, provavelmente contém pelo menos duas ordens incompatíveis. Ele não está ajudando.
Turno 07
Conceito 5 — O prompt saiu do chat
De frase efêmera a artefato versionado: a instrução virou arquivo, e a conexão virou padrão. Ilustração do autor (2026)
A mudança institucional mais silenciosa é também a mais profunda. Em novembro de 2024, a Anthropic publicou o Model Context Protocol, um padrão aberto para conectar assistentes às fontes de dados e ferramentas (ANTHROPIC, 2024). A OpenAI aderiu em março de 2025, o Google em abril. Em dezembro de 2025 o protocolo foi doado à Agentic AI Foundation, fundo dirigido sob a Linux Foundation, com AWS, Anthropic, Google, Microsoft e OpenAI entre os membros fundadores (LINUX FOUNDATION, 2025). Ou seja: a camada 2 da nossa pilha — as ferramentas disponíveis — deixou de ser improviso de cada aplicativo e virou infraestrutura padronizada de indústria.
Na mesma direção, em outubro de 2025 a Anthropic publicou as Agent Skills: pastas com um arquivo SKILL.md que descreve uma capacidade, carregado sob demanda pelo agente segundo o princípio da divulgação progressiva — na inicialização o agente lê só o nome e a descrição de cada skill; quando a tarefa combina com a descrição, o arquivo inteiro entra no contexto; e só então os scripts e anexos são carregados (ANTHROPIC, 2025c). É engenharia de contexto aplicada à própria distribuição de instruções.
Para quem escreve prompts, a consequência é concreta e um pouco vertiginosa: o prompt deixou de ser texto digitado e jogado fora e virou artefato versionado em disco, com nome, descrição, histórico de mudanças e reuso entre projetos. A descrição da skill vira um problema de roteamento — é ela que decide se a capacidade será acionada. Escrever prompt deixou de ser digitar melhor e passou a ser projetar o que entra na janela, quando entra e sob que condições.
Turno 08
Conceito 6 — Injeção de prompt: o risco número um
A instrução hostil não vem do usuário: vem escondida no material que o agente foi ler. Ilustração do autor (2026)
Se o prompt é a janela inteira, então qualquer coisa que entre na janela pode dar ordens. Esse é o problema. Na edição 2026 do ranking de riscos da OWASP para aplicações de IA generativa, publicada em 4 de agosto de 2026, a injeção de prompt ocupa o primeiro lugar pelo terceiro ano seguido. A definição oficial vale a citação: a vulnerabilidade ocorre quando uma entrada — do usuário, de conteúdo recuperado, de saída de ferramenta, de imagem, áudio ou vídeo, de raciocínio intermediário ou de memória persistente — altera o comportamento do modelo de um jeito que o desenvolvedor não pretendia, porque o modelo não distingue instrução de dado: os dois são tokens no mesmo fluxo, e não existe equivalente limpo a consultas parametrizadas (OWASP, 2026).
O documento aponta três agravantes da arquitetura atual: o compartilhamento de uma única janela por conteúdos de origens diferentes, sem fronteira de confiança; a persistência em memória, que faz uma injeção contaminar todas as sessões futuras; e a execução agêntica — quando a saída do modelo dispara chamadas de ferramenta, "o raio de alcance se estende da tela do chat para tudo o que as ferramentas do agente conseguem tocar" (OWASP, 2026). Em bom português: o assistente que só conversava podia, no máximo, mentir; o agente que navega, escreve arquivos e envia e-mails pode ser instrumentalizado.
O que o usuário pede
Pedido legítimo, inofensivo e absolutamente comum.
O que estava escondido na página
Texto invisível para o leitor humano, mas apenas mais tokens no fluxo para o modelo.
Não é hipótese de laboratório. Ao liberar o Claude para navegar em uma extensão de navegador, a Anthropic reportou avaliação adversarial com 123 casos de teste em 29 cenários de ataque: a taxa de sucesso dos ataques era de 23,6% antes das mitigações e caiu para 11,2% depois — em ataques específicos de navegador, de 35,7% para zero (ANTHROPIC, 2025a). Leia de novo o número que sobrou: 11,2%. É muito. A defesa prática, para quem usa, é a de sempre: desconfie de agentes com permissões amplas sobre material de origem desconhecida, e não delegue a um agente ação irreversível que você não conferiria.
Turno 09
Conceito 7 — Do artesanato à otimização automática
Existe uma última fronteira, e ela é a mais desconfortável para quem se orgulha de escrever prompts bonitos: a máquina escreve melhor que você. A ideia começou em Stanford, com um arcabouço que propõe tratar cadeias de chamadas a modelos como programas compiláveis, e cujo lema é explícito — "programar, não fazer prompt" (KHATTAB et al., 2023). Em vez de você reescrever a frase no escuro, um otimizador ajusta as instruções contra uma métrica de avaliação.
O resultado mais forte veio em 2026, com um otimizador que reflete em linguagem natural sobre as próprias trajetórias de execução para diagnosticar falhas e propor edições no prompt: em seis tarefas, superou o aprendizado por reforço em 6% na média e em até 20% no melhor caso, usando até 35 vezes menos execuções, e bateu o principal otimizador de prompts anterior em mais de 10% (AGRAWAL et al., 2026). A moral é dura e libertadora ao mesmo tempo: a pergunta certa não é "qual é o prompt mágico?", mas "como eu meço se este prompt está funcionando?". Quem tem métrica pode otimizar; quem só tem opinião fica reescrevendo frase no escuro.
Para o professor, o pesquisador e o profissional que não vai programar nada disso, a transposição é direta: antes de brigar com a redação do prompt, defina em uma linha o que seria uma boa resposta e como você reconheceria uma ruim. Essa linha é a sua métrica — e vale mais que qualquer coleção de fórmulas.
Turno 10
E o Brasil nessa conversa?
Nada disso é abstrato para o país. A pesquisa TIC Domicílios, do Cetic.br, ouviu 24.535 indivíduos entre março e agosto de 2025 e encontrou 32% dos usuários de internet usando ferramentas de IA generativa — cerca de 50 milhões de pessoas de 10 anos ou mais (CETIC.BR, 2025). Como pano de fundo, o IBGE registrou que 90,5% da população de 10 anos ou mais usou a internet em 2025, a primeira vez acima dos 90% (IBGE, 2026). Quase todo mundo está conectado; cerca de um terço usa IA generativa. E a distribuição desse terço é o dado que deveria estar em toda discussão de política educacional.
Quem usa IA generativa no Brasil
Fonte: elaborado pelo autor com base em Cetic.br (2025).Nota: percentuais sobre o total de usuários de internet de 10 anos ou mais, ano de referência 2025.
Cinquenta e três pontos percentuais separam a classe A das classes D e E. O título do próprio release do Cetic.br não faz rodeios: cinquenta milhões de brasileiros já usam IA, mas os benefícios seguem limitados às camadas de maior renda e escolaridade (CETIC.BR, 2025). Ensinar o que é um prompt — de verdade, com a pilha inteira e não com a fórmula mágica — é, nesse cenário, uma pauta de equidade, não de produtividade.
Turno 11
Perguntas para o seu contexto
Marque o que você já consegue fazer. Cada item corresponde a um conceito deste post.
Enter
A pergunta mudou de lugar
Voltemos ao começo. Afinal, o que é um prompt? É a sequência inteira de tokens que condiciona a geração — sete camadas, das quais a sua frase é a menor. Foi por não enxergar as outras seis que a engenharia de prompt virou, em pouco mais de um ano, um capítulo da engenharia de contexto. O catálogo de 2025 não estava errado; ele descrevia com precisão o que dava para controlar quando só se controlava a frase. Hoje controla-se a pilha, e o ofício mudou junto: menos alquimia verbal, mais curadoria, arquitetura e medição.
Fica a boa notícia para quem ensina: o que sobrou é ensinável e transferível. Selecionar informação relevante, estruturar um pedido, declarar o que se espera de resposta e verificar o resultado são competências que a universidade brasileira já sabe formar há décadas — só não sabia que estava treinando gente para conversar com máquina. Então, na próxima vez que uma resposta vier morna, resista ao impulso de reescrever a frase e faça a pergunta que este post inteiro tentou instalar: o que precisaria estar na janela para esta tarefa ser resolvível?
Nota do autor: as traduções de trechos da documentação técnica e dos artigos citados são livres, feitas pelo autor a partir do original em inglês; nomes de parâmetros de API foram mantidos no original por serem identificadores de código. A classificação do Quadro 1 é interpretativa: as fontes citadas descrevem recomendações e comportamentos, não rotulam as técnicas antigas como obsoletas. A paternidade do termo "engenharia de contexto" é difusa — o registro público mais antigo de grande alcance é atribuído a Tobi Lütke em 19 de junho de 2025, seguido por Harrison Chase em 23 de junho e Andrej Karpathy em 25 de junho; adotamos as formulações de Chase e Karpathy por serem as citáveis com texto integral verificado. Os números de acurácia da Tabela 1 referem-se ao GPT-3.5 Turbo em 2023 e servem para demonstrar o fenômeno, não o desempenho de modelos atuais, que sofrem o mesmo efeito em magnitude menor. Os percentuais de uso de IA no Brasil vêm do Cetic.br: a PNAD Contínua TIC do IBGE, de 2025, não investigou uso de inteligência artificial, e por isso não há percentual do IBGE sobre o tema para citar. Os resultados do otimizador automático citado seguem a versão revisada do artigo (2026), que reporta 6% de ganho médio em seis tarefas; a versão preliminar de 2025 reportava 10% em quatro tarefas, número ainda reproduzido em textos de divulgação.
Referências
- AGRAWAL, Lakshya A. et al. GEPA: reflective prompt evolution can outperform reinforcement learning. [S. l.], 2026. Versão 2, fev. 2026. Trabalho aceito na International Conference on Learning Representations (ICLR), 2026. Disponível em: https://arxiv.org/abs/2507.19457. Acesso em: 17 ago. 2026.
- ANTHROPIC. Introducing the Model Context Protocol. San Francisco: Anthropic, 25 nov. 2024. Disponível em: https://www.anthropic.com/news/model-context-protocol. Acesso em: 17 ago. 2026.
- ANTHROPIC. Piloting Claude for Chrome. San Francisco: Anthropic, 25 ago. 2025a. Disponível em: https://claude.com/blog/claude-for-chrome. Acesso em: 17 ago. 2026.
- ANTHROPIC. Effective context engineering for AI agents. San Francisco: Anthropic, 29 set. 2025b. Disponível em: https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents. Acesso em: 17 ago. 2026.
- ANTHROPIC. Equipping agents for the real world with Agent Skills. San Francisco: Anthropic, 16 out. 2025c. Disponível em: https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills. Acesso em: 17 ago. 2026.
- ANTHROPIC. Prompt engineering: best practices and extended thinking tips. San Francisco: Anthropic, 2026. Documentação técnica da plataforma Claude. Disponível em: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices. Acesso em: 17 ago. 2026.
- BOONSTRA, Lee. Prompt engineering. [S. l.]: Google; Kaggle, 2024. Atualizado em 19 jun. 2026. Disponível em: https://www.kaggle.com/whitepaper-prompt-engineering. Acesso em: 17 ago. 2026.
- CETIC.BR — CENTRO REGIONAL DE ESTUDOS PARA O DESENVOLVIMENTO DA SOCIEDADE DA INFORMAÇÃO. 50 milhões de brasileiros já usam IA, mas potenciais benefícios continuam limitados às camadas de maior renda e escolaridade. Cetic.br, São Paulo, 9 dez. 2025. Pesquisa TIC Domicílios 2025. Disponível em: https://cetic.br/pt/noticia/50-milhoes-de-brasileiros-ja-usam-ia-mas-potenciais-beneficios-continuam-limitados-as-camadas-de-maior-renda-e-escolaridade/. Acesso em: 17 ago. 2026.
- CHASE, Harrison. The rise of context engineering. LangChain Blog, San Francisco, 23 jun. 2025. Disponível em: https://www.langchain.com/blog/the-rise-of-context-engineering. Acesso em: 17 ago. 2026.
- GOOGLE. Gemini 3 developer guide. Mountain View: Google, 2026. Documentação da Gemini API. Disponível em: https://ai.google.dev/gemini-api/docs/gemini-3. Acesso em: 17 ago. 2026.
- HONG, Kelly; TROYNIKOV, Anton; HUBER, Jeff. Context rot: how increasing input tokens impacts LLM performance. São Francisco: Chroma, 14 jul. 2025. Disponível em: https://www.trychroma.com/research/context-rot. Acesso em: 17 ago. 2026.
- IBGE — INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Proporção de usuários da internet no país ultrapassou 90% da população de 10 anos ou mais em 2025. Agência IBGE Notícias, Rio de Janeiro, 2 jul. 2026. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/47408-proporcao-de-usuarios-da-internet-no-pais-ultrapassou-90-da-populacao-de-10-anos-ou-mais-em-2025. Acesso em: 17 ago. 2026.
- KARPATHY, Andrej. +1 for "context engineering" over "prompt engineering". [S. l.], 25 jun. 2025. Publicação na rede social X. Disponível em: https://x.com/karpathy/status/1937902205765607626. Acesso em: 17 ago. 2026.
- KHATTAB, Omar et al. DSPy: compiling declarative language model calls into self-improving pipelines. [S. l.], 2023. Disponível em: https://arxiv.org/abs/2310.03714. Acesso em: 17 ago. 2026.
- LINUX FOUNDATION. Linux Foundation announces the formation of the Agentic AI Foundation. San Francisco: The Linux Foundation, 9 dez. 2025. Disponível em: https://www.linuxfoundation.org/press/linux-foundation-announces-the-formation-of-the-agentic-ai-foundation. Acesso em: 17 ago. 2026.
- LIU, Nelson F. et al. Lost in the middle: how language models use long contexts. Transactions of the Association for Computational Linguistics, Cambridge, v. 12, p. 157-173, 2024. DOI: 10.1162/tacl_a_00638. Disponível em: https://aclanthology.org/2024.tacl-1.9/. Acesso em: 17 ago. 2026.
- LIU, Ryan et al. Mind your step (by step): chain-of-thought can reduce performance on tasks where thinking makes humans worse. [S. l.], 2024. Disponível em: https://arxiv.org/abs/2410.21333. Acesso em: 17 ago. 2026.
- OPENAI. GPT-5 prompting guide. San Francisco: OpenAI, 7 ago. 2025. OpenAI Cookbook. Disponível em: https://developers.openai.com/cookbook/examples/gpt-5/gpt-5_prompting_guide. Acesso em: 17 ago. 2026.
- OPENAI. Reasoning best practices. San Francisco: OpenAI, 2026. Documentação da API. Disponível em: https://developers.openai.com/api/docs/guides/reasoning-best-practices. Acesso em: 17 ago. 2026.
- OWASP — OPEN WORLDWIDE APPLICATION SECURITY PROJECT. OWASP GenAI LLM Top 10: 2026 edition. [S. l.]: OWASP GenAI Security Project, 4 ago. 2026. Disponível em: https://genai.owasp.org/resource/owasp-genai-llm-top-10-2026/. Acesso em: 17 ago. 2026.
- SCHMID, Philipp. The new skill in AI is not prompting, it's context engineering. philschmid.de, [S. l.], 30 jun. 2025. Disponível em: https://www.philschmid.de/context-engineering. Acesso em: 17 ago. 2026.
- SPRAGUE, Zayne et al. To CoT or not to CoT?: chain-of-thought helps mainly on math and symbolic reasoning. [S. l.], 2024. Disponível em: https://arxiv.org/abs/2409.12183. Acesso em: 17 ago. 2026.
- VASWANI, Ashish et al. Attention is all you need. In: CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, 31., 2017, Long Beach. Advances in Neural Information Processing Systems 30. Long Beach: NeurIPS, 2017. Disponível em: https://arxiv.org/abs/1706.03762. Acesso em: 17 ago. 2026.
- WANG, Haonan et al. From harm to help: turning reasoning in-context demos into assets for reasoning LMs. [S. l.], 2025. Disponível em: https://arxiv.org/abs/2509.23196. Acesso em: 17 ago. 2026.
- WAR. Guia completo de engenharia de prompt: dominando as 25+ principais técnicas para ChatGPT, Claude e Gemini. Brasil Acadêmico, [S. l.], 3 jun. 2025. Disponível em: https://blog.brasilacademico.com/2025/06/guia-completo-de-engenharia-de-prompt.html. Acesso em: 17 ago. 2026.
Comentários