Encadeamento de Prompts: Quando Um Prompt Não É Suficiente

Se você já tentou comprimir um projeto inteiro num único prompt—requisitos → solução → plano → riscos → documento final—já sabe como termina:

• ignora etapas,
• esquece restrições,
• dá-lhe uma resposta "confiante" que não consegue verificar facilmente,
• e no momento em que algo está errado, não tem ideia onde o erro aconteceu.

Encadeamento de Prompts é a solução. Pense nisto como construir um fluxo de trabalho onde cada prompt é uma estação numa linha de montagem: um passo de entrada, um passo de saída, e o resultado torna-se a entrada para a próxima estação.

Por outras palavras: não está a pedir a um LLM para fazer "tudo de uma vez". Está a pedir-lhe para fazer uma coisa de cada vez, de forma fiável.

1) O Que É o Encadeamento de Prompts?

Encadeamento de Prompts é a prática de:

1. Decompor uma grande tarefa em sub-tarefas menores
2. Desenhar um prompt dedicado para cada sub-tarefa
3. Passar resultados estruturados de uma etapa para a seguinte
4. Adicionar etapas de validação + correção para que a cadeia não se desvie

É basicamente a "mentalidade de microsserviços" aplicada ao raciocínio LLM.

Prompt Único vs Encadeamento de Prompts (em linguagem simples)

| Dimensão | Prompt Único | Encadeamento de Prompts | |----|----|----| | Complexidade | Bom para tarefas simples e únicas | Construído para fluxos de trabalho reais e em múltiplas etapas | | Lógica | O modelo adivinha o processo | Você define o processo | | Controlo | Difícil de orientar | Cada etapa é orientável | | Depuração | "Onde é que falhou?" | Pode identificar a etapa falhada | | Limites de contexto | Fácil de transbordar | Alimenta dados gradualmente, etapa a etapa |

2) Por Que Funciona (A Verdadeira Razão)

Os LLMs não são óptimos a equilibrar múltiplos objetivos simultaneamente.

Peça: "Analise os requisitos, proponha funcionalidades, estime o esforço, priorize e depois escreva um plano"—e configurou um problema de otimização multi-objetivo. O modelo normalmente fará um trabalho decente num único objetivo e discretamente falhará nos restantes.

O Encadeamento de Prompts reduz a carga cognitiva: uma etapa → um resultado → um critério de sucesso.

3) O Mecanismo Central: Entrada → Processo → Saída (Repetido)

No seu núcleo, o Encadeamento de Prompts é um ciclo:

• Entrada: resultado da etapa anterior + quaisquer novos dados
• Processo: o próximo prompt com regras + restrições de formato
• Saída: resultado estruturado para a próxima etapa

Aqui está uma cadeia simples que pode visualizar:

flowchart LR A[Feedback bruto do utilizador] --> B[Prompt 1: Extrair pontos problemáticos] B --> C[Prompt 2: Propor funcionalidades] C --> D[Prompt 3: Priorizar & estimar esforço] D --> E[Prompt 4: Escrever um plano de iteração]

4) Quatro Inegociáveis para Construir Boas Cadeias

4.1 As sub-tarefas devem ser independentes e conectadas

• Independentes: cada etapa faz um trabalho (sem sobreposição)
• Conectadas: cada etapa depende do resultado anterior (sem etapas "flutuantes")

Mau: "Extrair pontos problemáticos e desenhar funcionalidades" Bom: Etapa 1 extrai pontos problemáticos; Etapa 2 desenha funcionalidades baseadas neles.

4.2 Os resultados intermediários devem ser estruturados

Texto livre é frágil. O próximo prompt pode interpretá-lo mal, reinterpretá-lo ou ignorá-lo.

Use formatos estruturados como JSON, tabelas ou listas com marcadores e chaves fixas.

Exemplo (JSON que pode realmente analisar):

{  "pain_points": [   {"category": "performance", "description": "Checkout demora > 8 segundos", "mentions": 31},   {"category": "ux", "description": "Botão de reembolso difícil de encontrar", "mentions": 18},   {"category": "reliability", "description": "Pagamento falha sem erro", "mentions": 12} ] }

4.3 Cada prompt deve explicitamente "herdar" contexto

Não assuma que o modelo vai "lembrar o que quis dizer". No próximo prompt, refira explicitamente o resultado anterior:

4.4 Construa um caminho de falha (validação + reparação)

Cada cadeia precisa de um "portão de qualidade":

• Validar: "O resultado contém todas as chaves necessárias? Os números são consistentes?"
• Reparar: "Se faltar, regenere apenas as partes em falta"
• Proteção: "Máximo 2 tentativas; caso contrário retorne o melhor esforço + erros"

5) Três Arquiteturas Que Usará Em Todo o Lado

5.1 Encadeamento Linear: etapas fixas, sem ramificações

Use quando: o fluxo de trabalho é previsível.

Exemplo: Relatório Mensal de Receitas do Reino Unido (Linear)

Digamos que tem uma exportação CSV de uma loja online do Reino Unido e quer:

• limpeza
• insights
• um relatório pronto para a gestão

Etapa 1 — Prompt de limpeza de dados (produz uma tabela limpa ou JSON)

SISTEMA: É um analista de dados. Siga as instruções exatamente. UTILIZADOR: Limpe o conjunto de dados abaixo. ​ Regras: 1) Elimine linhas onde revenue_gbp ou units_sold é nulo. 2) Sinalize outliers em revenue_gbp: > 3x média da categoria OU < 0,1x média da categoria. Não os elimine. 3) Adicione month_over_month_pct: (este_mês - último_mês) / último_mês * 100. 4) Produza apenas como array JSON. Cada item deve ter:   date, category, revenue_gbp, units_sold, region_uk, outlier_flag, month_over_month_pct ​ Conjunto de dados: <COLAR DADOS AQUI>

Etapa 2 — Prompt de insights (produz insights em marcadores)

SISTEMA: É um analista sénior que escreve para uma audiência de liderança do Reino Unido. UTILIZADOR: Usando o JSON limpo abaixo, produza insights: ​ 1) Categoria: Top 3 por revenue_gbp, e Top 3 por month_over_month_pct. Inclua contribuição %. 2) Região: Top 2 regiões por receita, e maior declínio (>10%). 3) Tendência: Tendência geral (subida/descida/volátil). Explique relação receita vs unidades. ​ Formato de saída: - Insights de categoria: 2-3 marcadores - Insights de região: 2-3 marcadores - Insights de tendência: 2-3 marcadores ​ JSON limpo: <COLAR SAÍDA DA ETAPA-1>

Etapa 3 — Prompt de escrita de relatório (produz documento final)

SISTEMA: Escreve relatórios internos concisos. UTILIZADOR: Transforme os insights abaixo num "Resumo Mensal de Receitas" (800–1.000 palavras). ​ Estrutura: 1) Resumo executivo (1 parágrafo curto) 2) Principais insights (Categoria / Região / Tendência) 3) Recomendações (2–3 itens acionáveis) 4) Fecho (1 parágrafo curto) ​ Use formatação GBP (£) e ortografia do Reino Unido. Insights: <COLAR SAÍDA DA ETAPA-2>

As cadeias lineares são aborrecidas da melhor forma: são previsíveis, automatizáveis e fáceis de testar.

5.2 Encadeamento com Ramificação: escolha um caminho baseado na classificação

Use quando: a próxima etapa depende de uma decisão (tipo, gravidade, intenção).

Exemplo: Triagem de mensagem do cliente (Ramificação)

Etapa 1 classifica a mensagem:

SISTEMA: Classifica mensagens de clientes. Produza apenas o rótulo. UTILIZADOR: Classifique esta mensagem como uma de: - reclamação - sugestão - pergunta ​ Formato de saída: rótulo: <uma das três> ​ Mensagem: "A minha encomenda foi cobrada mas nunca chegou, e ninguém respondeu aos meus e-mails. Isto é ridículo."

Depois ramifica:

• Se reclamação → gerar plano de resposta a incidente
• Se sugestão → produzir viabilidade + inserção no roadmap
• Se pergunta → gerar resposta de suporte direto

Gestor de reclamações (exemplo):

SISTEMA: É um gestor de operações de cliente. UTILIZADOR: Crie um plano de tratamento de reclamação para a mensagem abaixo. ​ Incluir: 1) Declaração do problema 2) Ações: dentro de 1 hora, dentro de 24 horas, dentro de 48 horas 3) Sugestão de compensação (razoável para e-commerce do Reino Unido) Produza em três secções com marcadores. ​ Mensagem: <COLAR MENSAGEM>

Cadeias com ramificação são como deixa de tratar todas as entradas como o mesmo problema.

5.3 Encadeamento em Ciclo: repetir até atingir uma condição de paragem

Use quando: precisa processar muitos itens semelhantes, ou refinar o resultado iterativamente.

Exemplo: Gerar listagens de produtos em lote (Ciclo)

Etapa 1 divide uma lista em blocos de itens:

SISTEMA: Formata dados de produto. UTILIZADOR: Divida a seguinte lista de produtos em blocos separados. ​ Formato de saída (repita para cada item): [ITEM N] nome: características_principais: cliente_alvo: preço_gbp: ​ Lista de produtos: <COLAR LISTA>

Etapa 2 percorre cada bloco:

SISTEMA: Escreve textos de produto de alta conversão. UTILIZADOR: Escreva uma descrição de e-commerce para o produto abaixo. ​ Requisitos: - Título atrativo ≤ 12 palavras - 3 marcadores de funcionalidades (≤ 18 palavras cada) - 1 frase: melhor para quem - 1 frase: por que tem bom valor (use £) - 150–200 palavras no total, inglês do Reino Unido ​ Produto: <COLAR ITEM N>

Cadeias em ciclo precisam de regras de paragem rígidas:

• Processar exatamente N itens, ou
• Tentar no máximo 2 vezes se a contagem de palavras for muito longa, ou
• Parar se a validação passar

Caso contrário criará o ciclo infinito mais caro do mundo.

6) Lista de Verificação Prática "Não Se Atire ao Chão"

Problema: formato intermédio está confuso → próximo prompt falha

Solução: torne a formatação inegociável.

Adicione linhas como:

• "Produza apenas JSON."
• "Se não conseguir cumprir, produza: ERRO:FORMATO."

Problema: o modelo esquece detalhes anteriores

Solução: reafirme explicitamente o "contrato" de cada vez.

• "Use o array pain_points do resultado anterior."
• "Não invente categorias extra."

Problema: os ciclos nunca convergem

Solução: defina restrições mensuráveis + máximo de tentativas.

• "Contagem de palavras ≤ 200"
• "Máximo de tentativas: 2"
• "Se ainda falhar, retorne melhor tentativa + lista de erros"

Problema: seleção de ramificação está errada

Solução: melhore regras de classificação + adicione uma segunda verificação.

Exemplo:

• Reclamação deve incluir sentimento negativo E um problema concreto.
• Se incerto, produza rótulo: pergunta (precisa esclarecimento).

7) Ferramentas Que Tornam o Encadeamento Menos Doloroso

Pode encadear prompts manualmente (copiar/colar funciona), mas ferramentas ajudam quando vai além de alguns passos.

• n8n / Make: ferramentas de fluxo de trabalho low-code para encadear chamadas API, armazenar resultados, acionar alertas.
• LangChain / LangGraph: construa cadeias com memória, ramificação, tentativas, chamadas de ferramentas e gestão de estado.
• Redis / Postgres: persista resultados intermediários para poder retomar, auditar e evitar chamadas repetidas.
• Notion / Google Docs: surpreendentemente eficazes para encadeamento inicial "humano no ciclo".

8) Como Elevar Isto

O Encadeamento de Prompts torna-se ainda mais poderoso quando o combina com:

• RAG: adicione uma etapa de recuperação a meio da cadeia (ex.: "obter documentos de política" antes de redigir uma resposta)
• Portões de aprovação humana: aprove antes de ações arriscadas (alterações de preços, reembolsos de clientes, respostas de conformidade)
• Etapas multimodais: texto → resumo de imagem → geração de diagrama → documento final

Conclusão Final

O Encadeamento de Prompts não é "mais prompts". É desenho de fluxo de trabalho.

Quando começa a tratar prompts como etapas com contratos, validações e caminhos de falha, o seu LLM deixa de se comportar como um gerador caótico de texto e começa a agir como um colega de equipa fiável—uma estação de cada vez.

Se está a construir algo além de uma demonstração única, encadeie-a.

\