Por Que a Era da Engenharia de Prompt Acabou
De “como voce diz” para “o que voce mostra” — o jogo mudou.
Engenharia de Prompt como Profissao
Em 2023, uma nova profissao surgiu.
Engenheiro de prompt.
“Pense passo a passo.” “Voce e um especialista com 20 anos de experiencia.” “Deixe-me mostrar alguns exemplos primeiro.”
Frases como essas se tornaram know-how que valia dezenas de milhares de dolares. A mesma pergunta produzia respostas dramaticamente diferentes da IA dependendo de como voce a formulava.
A engenharia de prompt genuinamente funcionava. Uma unica linha de Chain-of-Thought elevava notas de matematica em 20%. Uma unica frase atribuindo um papel mudava a profundidade da expertise. Tres exemplos few-shot davam controle completo sobre o formato de saida.
Isso nao era hype. Era real. Entao por que esta acabando?
Por Que Funcionava: Porque os Modelos Eram Burros o Suficiente
Olhe por que a engenharia de prompt funcionava a partir de primeiros principios. E simples.
LLMs iniciais eram ruins em captar a intencao do usuario. Diga “resuma” e eles reescreviam em vez disso. Diga “compare” e eles listavam em vez disso.
Porque o modelo lia errado a intencao, a habilidade de transmitir intencao precisamente se tornou valiosa. Engenharia de prompt era essencialmente “interpretacao” — traduzir a intencao humana em uma forma que o LLM pudesse entender.
Para que interpretacao seja valiosa, deve haver uma barreira linguistica.
O Que Mudou: Os Modelos Ficaram Inteligentes
De GPT-3.5 para GPT-4. De Claude 2 para Claude 3.5. A cada geracao, a capacidade dos modelos de captar intencao melhorou dramaticamente.
Diga “resuma” e eles resumem. Diga “compare” e eles comparam. Mesmo sem ser dito para “pensar passo a passo”, eles decompoe problemas complexos em etapas por conta propria.
A barreira linguistica diminuiu. O valor da interpretacao encolheu.
Tecnicas de prompt que produziam diferencas dramaticas em 2023 produzem apenas diferencas marginais em 2025. Quando o modelo e inteligente o suficiente, a formulacao importa cada vez menos.
Entao o que importa em vez disso?
A Janela de Contexto: Uma Lei da Fisica
LLMs tem uma restricao fisica.
A janela de contexto.
Seja 128K tokens ou 1M tokens, e finita. Somente informacao que cabe dentro desse espaco finito influencia o raciocinio. Informacao fora da janela, nao importa o quao importante, pode nao existir.
Isso e independente do tamanho do modelo. Mesmo com um trilhao de parametros, a janela de contexto e finita. Mesmo com dados de treinamento abrangendo toda a internet, a janela de contexto e finita.
Nao importa o quao inteligente o modelo seja, se informacao errada entrar no contexto, ele produz respostas erradas. Se informacao irrelevante preencher o contexto, ele perde o que importa. Se informacao necessaria estiver faltando no contexto, e como se fosse desconhecida.
Engenharia de prompt era um problema de “como voce diz”. O novo jogo e um problema de “o que voce mostra”.
Isso e engenharia de contexto.
Analogia: A Prova com Consulta
Aqui esta uma analogia para a diferenca entre engenharia de prompt e engenharia de contexto.
Engenharia de prompt e escrever bem as questoes da prova. Em vez de “escolha a resposta correta abaixo”, escreva “derive passo a passo a resposta que satisfaz todas as seguintes condicoes” — e o estudante da uma resposta melhor.
Engenharia de contexto e a questao de quais livros voce leva para uma prova com consulta. Nao importa o quao bem as questoes da prova foram escritas, se o estudante trouxe os livros errados, nao consegue responder. O numero de livros que voce pode trazer e limitado. Quais livros voce traz determina sua nota.
Quando o modelo era burro, o formato da questao (prompt) importava. Quando o modelo e inteligente, o material de referencia (contexto) importa.
A Era dos Agentes Acelera a Mudanca
Essa mudanca esta sendo acelerada com o surgimento dos agentes.
Engenharia de prompt e escrita por humanos toda vez. Humanos escrevem a pergunta, humanos explicam o contexto, humanos especificam o formato.
Agentes sao diferentes. Agentes raciocinam por conta propria, chamam ferramentas e colaboram com outros agentes. Em cada etapa, eles devem compor o contexto por conta propria.
Um agente chamou uma API externa e recebeu dados. Esses dados precisam entrar no contexto para a proxima rodada de raciocinio. Quais partes entram e quais ficam de fora? Quais resultados de raciocinio anteriores sao mantidos e quais sao descartados? Informacao enviada por outro agente pode ser confiavel?
Um humano nao pode tomar todas essas decisoes toda vez. Para que agentes operem autonomamente, a composicao de contexto deve ser automatizada.
Engenharia de prompt era uma habilidade humana. Engenharia de contexto deve ser uma capacidade do sistema.
A Engenharia de Prompt Nao Esta Desaparecendo
Vou prevenir um mal-entendido.
Nao estou dizendo que a engenharia de prompt esta se tornando sem sentido. System prompts ainda sao importantes. Especificacao de formato de saida ainda e necessaria. Declarar papeis e restricoes ainda e eficaz.
O que esta encolhendo e a parcela que a engenharia de prompt ocupa.
Se 70% da qualidade da saida era determinada pelo prompt em 2023, em 2025, 30% e determinado pelo prompt e 70% pelo contexto.
A proporcao se inverteu.
E essa tendencia nao esta se revertendo. Os modelos vao continuar ficando mais inteligentes, e quanto mais inteligentes ficam, menos a formulacao importa e mais o contexto importa.
Mas a Engenharia de Contexto Nao Tem Infraestrutura
Aqui esta o ponto crucial.
A engenharia de prompt tinha ferramentas. Templates de prompt, bibliotecas de prompt, frameworks de teste de prompt. Todo um ecossistema para gerenciar sistematicamente “como voce diz” foi construido.
A engenharia de contexto ainda nao tem isso.
Veja como o contexto e tratado na pratica agora.
Tamanhos de chunks de pipelines RAG sao ajustados manualmente. Informacoes de fundo sao escritas em system prompts manualmente. O que armazenar na memoria de um agente e projetado manualmente. Quais resultados de busca colocar no contexto e decidido manualmente.
Tudo e manual.
E a materia-prima de todo esse trabalho manual e linguagem natural. Documentos em linguagem natural sao recortados em linguagem natural e colados em um contexto de linguagem natural.
Linguagem natural tem baixa densidade de informacao. Sem fontes. Sem niveis de confianca. Sem timestamps. Tokens desnecessarios sao consumidos para transmitir o mesmo significado. Nao ha como automatizar o julgamento de qualidade.
Isso se assemelha a era pre-engenharia de prompt. A engenharia de prompt tambem era manual no inicio. Dependia da intuicao e experiencia individual. Entao ferramentas e metodologias surgiram e ela se tornou sistematizada.
A engenharia de contexto esta nesse estagio anterior agora. O problema foi reconhecido, mas a infraestrutura nao existe.
O Que a Infraestrutura Precisa
Para que a engenharia de contexto passe de trabalho manual para um sistema, no minimo o seguinte e necessario.
Compressao. Uma forma de encaixar mais significado na mesma janela. Remova a cola gramatical da linguagem natural e deixe apenas o significado, e o tamanho efetivo da janela multiplica — sem mudar o modelo.
Indexacao. Uma forma de encontrar a informacao certa com precisao. Busca baseada em estrutura semantica, nao similaridade de embedding. Uma busca onde procurar “receita da Apple” nao traga “valor nutricional da maca”.
Validacao. Uma forma de rejeitar mecanicamente informacao que nao atende a especificacao. Assim como um compilador Go detecta variaveis nao utilizadas como erros, afirmacoes sem fontes e fatos sem timestamps devem ser filtrados antes de entrar no contexto. As verificacoes mais baratas e deterministicas devem vir primeiro.
Filtragem. Uma forma de julgar a qualidade semantica. Se a validacao olha para a forma, a filtragem olha para o conteudo. Relevancia, confiabilidade, atualidade. Essa informacao e realmente necessaria para esta rodada de raciocinio?
Consistencia. Uma forma de garantir a coerencia interna do conjunto de informacoes selecionadas. Pecas de informacao individualmente boas podem se contradizer quando combinadas. Se o CEO de 2020 e o CEO de 2024 entrarem no contexto simultaneamente, o LLM se confunde.
Composicao. Uma forma de otimizar posicionamento e estrutura dentro da janela. A mesma informacao recebe pesos de atencao diferentes dependendo de onde e colocada. Na frente ou atras? Como e agrupada?
Acumulacao. Uma forma do sistema aprender e crescer ao longo do tempo. Caching e a reutilizacao de resultados individuais. Acumulacao e aprender quais composicoes de contexto produziram bons resultados, e fazer crescer a propria base de conhecimento.
Esses sete sao a stack completa da infraestrutura de engenharia de contexto.
Isso Nao e Sobre Nenhuma Ferramenta Especifica
Vou ser franco.
Quem constroi essa infraestrutura e uma questao em aberto. Uma ferramenta pode resolver tudo, ou multiplas ferramentas podem lidar com uma camada cada.
Mas o fato de que infraestrutura e necessaria nao e uma questao em aberto.
Que a janela de contexto e finita e um fato fisico. Mesmo que a janela cresca 10x, a informacao do mundo cresce mais rapido. Que a linguagem natural tem baixa densidade de informacao e um fato estrutural. Que agentes precisam de gerenciamento automatizado de contexto para operar autonomamente e uma necessidade logica.
Assim como a engenharia de prompt precisou de ferramentas, a engenharia de contexto precisa de ferramentas. Mas desta vez, a natureza das ferramentas e diferente.
Ferramentas de engenharia de prompt eram mais proximas de editores de texto. Ferramentas de engenharia de contexto sao mais proximas de compiladores.
Comprimir informacao, indexa-la, valida-la, filtra-la, verificar consistencia, otimizar posicionamento e acumular resultados. Isso nao e edicao. Isso e engenharia.
E por isso que se chama engenharia de “contexto”.
Resumo
A engenharia de prompt era valiosa quando os modelos eram burros. Porque os modelos nao liam a intencao, a habilidade de transmitir bem a intencao importava.
Conforme os modelos ficaram mais inteligentes, o jogo mudou. De “como voce diz” para “o que voce mostra”. De prompt para contexto.
O surgimento dos agentes acelera essa mudanca. Humanos nao podem montar contexto toda vez. O sistema deve faze-lo por conta propria.
Mas agora, a engenharia de contexto nao tem infraestrutura. Linguagem natural esta sendo recortada e colada manualmente.
A infraestrutura necessaria tem sete camadas: compressao, indexacao, validacao, filtragem, consistencia, composicao, acumulacao.
Nao e a era da engenharia de prompt que esta acabando. E a era em que a engenharia de prompt sozinha era suficiente.