Engenharia de contexto e de prompts no desenvolvimento de software

Do zero

Imagine um estagiário competente no primeiro dia do projeto. Ele programa bem, mas não conhece nada do sistema. O resultado depende de duas coisas:

• Do pedido. “O relatório está errado, conserta” obriga o estagiário a adivinhar qual relatório, qual erro e o que conta como consertado. Escrever bem o pedido é a engenharia de prompt.
• Do que está na mesa dele. Se a mesa só tem um arquivo, ele não vê o resto; se tem o sistema inteiro empilhado, ele se perde. Escolher o que vai para a mesa (as regras do projeto, os arquivos certos, a mensagem de erro exata) é a engenharia de contexto.

Com um assistente ou agente de IA é igual. A “mesa” é a janela de contexto, e nela entram: as instruções gerais, o arquivo de regras do projeto, os trechos de código, os resultados das ferramentas (o teste que falhou, a busca no repositório) e a conversa até ali. O modelo só sabe do projeto o que estiver ali.

Frase para guardar: prompt bom diz o que, onde, como saber que acabou e o que não pode mudar; contexto bom é o necessário, nem de menos, nem de mais.

Em 1 minuto

• Anatomia de um bom pedido de código: objetivo, onde mexer, como reproduzir o problema, restrições (o que não pode mudar), formato da entrega e critério de pronto (os testes que devem passar).
• Pedir o plano antes da edição em tarefas grandes, e decompor em passos menores e verificáveis.
• Exemplos (few-shot): mostrar duas ou três funções do próprio projeto é o jeito mais direto de o código novo seguir o mesmo estilo.
• Separar instruções de dados: o que vem de fora (um log, um e-mail, um documento) vai delimitado e é tratado como dado, nunca como ordem. Isso reduz a injeção de prompt, mas não a elimina: somam-se permissões mínimas para o agente e confirmação humana nas ações de risco.
• Arquivo de instruções do projeto (como CLAUDE.md ou AGENTS.md): regras permanentes (versões, comandos de teste, convenções) que o agente lê em toda sessão, em vez de repeti-las a cada pedido.
• Contexto demais atrapalha: a atenção se dilui, e informações no meio de um contexto enorme tendem a ser ignoradas. Prefira a recuperação sob demanda: o agente busca e lê só o que precisa (com ferramentas de busca e leitura) em vez de receber tudo de uma vez.
• Contextos longos se administram: compactar (resumir o histórico e seguir com o resumo), usar subagentes com contexto próprio para pesquisas paralelas e manter notas de progresso num arquivo.

Exemplo concreto: o total do relatório de diárias

O pedido fraco:

O relatório de diárias está com erro, conserta.

O pedido bom:

Tarefa: corrigir o total do relatório de diárias, que soma duas vezes as diárias canceladas.
Onde: src/relatorios/diarias.py (função total_por_servidor) e tests/test_diarias.py.
Como reproduzir: pytest tests/test_diarias.py::test_cancelada falha com 1600 em vez de 800.
Restrições: não mudar a assinatura da função; não acrescentar dependências.
Pronto quando: esse teste passar, os demais continuarem passando e houver um teste novo
para duas diárias canceladas no mesmo mês.
Antes de editar, explique a causa em duas frases.

O contexto permanente, no arquivo de instruções do repositório:

# Projeto: sistema de diárias
- Python 3.12; testes com pytest (rode `pytest -q` antes de concluir).
- Valores monetários em Decimal, nunca em float.
- Não editar arquivos em migrations/ sem pedido explícito.

Com isso, o agente sabe onde olhar, como provar que acertou e o que não pode tocar. Em vez de receber o repositório inteiro, ele abre os dois arquivos citados, roda o teste, lê o erro e, se precisar, busca outros trechos. A mesa fica com o necessário.

Comparação: prompt × contexto e as boas práticas

Como a FCC cobra

• Few-shot × zero-shot em tarefas de código.
• Arquivo de instruções do projeto para agentes.
• Recuperação sob demanda, compactação e subagentes.
• Delimitação entre instruções e dados.

Pegadinhas

Explique com suas palavras

Explique a um colega a diferença entre engenharia de prompt e engenharia de contexto, usando o exemplo do relatório de diárias, e por que colar o repositório inteiro não é uma boa ideia.

1. Escreva sem olhar a lição, com frases curtas e um exemplo seu.
2. Onde travar ou precisar de jargão, há uma lacuna: releia só essa parte.
3. Compare com a explicação-modelo e reescreva o que faltou.

Sua explicação

Fica salva neste navegador.

Comparar com uma explicação-modelo

Engenharia de prompt é caprichar no pedido: dizer qual é o erro, em que arquivo, como reproduzir, o que não pode mudar e quando o trabalho está pronto. No relatório de diárias, isso transforma “conserta o relatório” num pedido que dá para conferir: o teste que falha tem de passar.

Engenharia de contexto é cuidar de tudo o que o assistente tem à vista enquanto trabalha: as regras do projeto, os arquivos certos, o resultado do teste. Colar o repositório inteiro parece ajudar, mas é como despejar todos os processos do arquivo na mesa do estagiário: o que importa se perde no meio, e ele passa a ignorar instruções. Melhor dar o essencial e deixar que ele busque o resto quando precisar.

Teste-se

Mais duas questões deste tópico estão em Questões.

Flashcards gerados

Ligação com o estudo de caso

Num caso sobre o uso de agentes de codificação no Tribunal, proponha um padrão: arquivo de instruções em cada repositório (versões, comandos de teste, regras de segurança), modelo de pedido com objetivo, local, reprodução, restrições e critério de pronto, conteúdo externo sempre delimitado como dado e revisão humana do resultado. A lição de prompts e RAG, em Inteligência Artificial, complementa este tema com zero-shot, few-shot e cadeia de raciocínio.

Fontes da lição

• Edital nº 01/2026, Anexo II, Engenharia de Software Assistida por IA e Sistemas Agentivos (fontes/edital-01-2026.txt).
• Anthropic, “Effective context engineering for AI agents” (2025): contexto relevante, recuperação sob demanda, compactação e subagentes.
• Documentação da Anthropic: engenharia de prompt (clareza, exemplos e delimitadores).
• Nelson Liu e outros, “Lost in the Middle: How Language Models Use Long Contexts” (2023).