Caio Johnston

Usar um modelo de linguagem como o Claude no dia a dia é, em boa parte, um exercício de comunicação. Quanto mais claro e estruturado for o que você pede, melhor tende a ser o resultado. Mas existe uma camada a mais aqui: cada modelo tem características próprias de como processa instruções, e entender isso faz diferença real na qualidade das respostas.

Este guia reúne 10 dicas práticas para tirar mais proveito do Claude especificamente, com base na documentação oficial da Anthropic, em boas práticas consolidadas de prompt engineering, e no que o próprio modelo performa melhor. Nada de teoria abstrata: cada dica vem com exemplos concretos do que fazer e do que evitar.

1. Seja específico sobre o formato de saída

O Claude vai tentar inferir o formato mais adequado se você não disser nada, mas isso nem sempre alinha com o que você quer. Se você precisa de um JSON, uma lista, uma tabela ou um texto corrido, diga explicitamente.

Ruim:

Liste os principais frameworks de Python para machine learning.

Melhor:

Liste os 5 principais frameworks de Python para machine learning em formato de tabela
com as colunas: Nome, Uso principal, Quando preferir.

A regra de ouro: se você tem uma expectativa de formato, escreva ela. Não deixe o modelo adivinhar.

2. Forneça contexto suficiente, mas sem ruído

O Claude processa tudo que está no prompt. Contexto relevante ajuda, mas contexto excessivo ou contraditório pode diluir a atenção do modelo e degradar a resposta.

Uma boa estrutura de prompt tem quatro partes, nessa ordem:

Papel/contexto: quem está respondendo e para quê
Dados de entrada: o material que o modelo vai usar
Tarefa detalhada: o que exatamente você quer
Formato de saída: como quer receber a resposta

Exemplo:

Você é um revisor técnico de documentação de API.

Documento:
[cole aqui o texto]

Revise o documento acima e identifique:
- Inconsistências técnicas
- Informações ausentes que um desenvolvedor precisaria
- Trechos ambíguos

Retorne como uma lista numerada, agrupada por categoria.

3. Use XML tags para estruturar entradas complexas

O Claude foi treinado com muitos documentos estruturados e responde muito bem a XML tags para delimitar seções do prompt. Isso é especialmente útil quando você tem múltiplos blocos de informação, como contexto, exemplos e instrução principal.

<contexto>
Estou desenvolvendo um pipeline de RAG com LangChain e Azure AI Search.
O índice tem embeddings de 1536 dimensões com busca híbrida ativada.
</contexto>

<tarefa>
Sugira estratégias para melhorar a relevância dos resultados quando a query
do usuário é muito curta (menos de 5 palavras).
</tarefa>

<formato>
Liste as estratégias com uma breve explicação técnica de cada uma.
</formato>

As tags não precisam seguir nenhum schema específico. O que importa é a separação semântica clara entre as partes.

4. Peça para o modelo pensar antes de responder

Para tarefas que envolvem raciocínio, análise ou múltiplas etapas, pedir que o Claude "pense passo a passo" antes de dar a resposta final melhora consistentemente a qualidade. A Anthropic confirma isso na documentação: dar espaço para raciocínio intermediário reduz erros, especialmente em tarefas de lógica e código.

Sem raciocínio explícito:

Esse código Python vai funcionar corretamente para listas vazias?

[código]

Com raciocínio explícito:

Analise esse código Python para listas vazias. Primeiro, trace o fluxo de execução
passo a passo para o caso de lista vazia. Depois, diga se vai funcionar e por quê.

[código]

Para versões do Claude com suporte a extended thinking, você pode ativar o modo de raciocínio diretamente via API, que expõe o processo antes da resposta final.

5. Use exemplos (few-shot) quando o padrão importa

Se você quer que o Claude siga um formato muito específico, tom ou estilo, o caminho mais eficiente é mostrar um ou dois exemplos do que você espera. Descrição verbal do formato quase nunca é tão precisa quanto um exemplo concreto.

Transforme as frases abaixo em títulos de artigo no estilo jornalístico.

Entrada: "O número de startups de IA cresceu 40% no Brasil em 2024."
Saída: "Setor de IA no Brasil cresce 40% e consolida novo ciclo de startups"

Entrada: "Pesquisadores da USP publicaram um método novo para detecção de fraude."
Saída: [aguarda sua saída aqui]

Comece com um exemplo (one-shot). Se o resultado ainda não estiver certo, adicione mais um ou dois casos, incluindo especialmente os casos-limite que importam para você.

6. Dê permissão explícita para o modelo expressar incerteza

O Claude, por padrão, tende a tentar responder mesmo quando não tem certeza. Uma instrução simples muda esse comportamento: peça que ele diga quando não sabe ou quando os dados são insuficientes para uma conclusão confiável.

Analise os dados de performance abaixo e identifique tendências.
Se os dados forem insuficientes para uma conclusão, diga isso explicitamente
em vez de especular.

[dados]

Isso não é só estética: reduz alucinações e aumenta a confiabilidade do output em fluxos automatizados.

7. Atribua um papel (role) quando a especialidade importa

Definir um papel para o Claude via system prompt ou no início da conversa alinha o tom, o nível de profundidade e o vocabulário da resposta ao domínio que você precisa. A Anthropic aponta isso como uma das técnicas mais eficazes para tarefas especializadas.

Você é um engenheiro de dados sênior com experiência em pipelines de ingestão
no Azure. Responda de forma técnica e direta, sem simplificações desnecessárias.

O papel funciona como calibração: o modelo vai ajustar o nível de detalhe e o tipo de suposições que faz sobre seu nível de conhecimento. Para usuários técnicos, isso evita respostas didáticas desnecessárias.

8. Quebre tarefas complexas em etapas menores (prompt chaining)

Para problemas com múltiplas partes, um único prompt longo quase sempre performa pior do que uma cadeia de prompts menores e focados. Cada resposta se torna o input do próximo passo.

Exemplo de cadeia para gerar um relatório técnico:

Prompt 1: "Resuma os pontos principais desse documento técnico."
Prompt 2: "Com base nesse resumo, identifique os três principais riscos técnicos."
Prompt 3: "Para cada risco identificado, sugira uma mitigação com esforço de implementação estimado."

Isso melhora a precisão em cada etapa e torna o processo mais fácil de debugar quando algo sai errado.

9. Evite negações vagas, prefira instruções afirmativas

O Claude processa melhor o que você quer do que o que você não quer. Instruções do tipo "não seja genérico" ou "não use bullet points" funcionam, mas são menos precisas do que dizer exatamente o comportamento esperado.

Menos eficaz:

Não me dê uma resposta vaga. Não use termos técnicos sem explicar.

Mais eficaz:

Responda de forma específica com exemplos concretos.
Ao usar termos técnicos, inclua uma definição em uma frase.

Isso não significa que negações nunca funcionam, mas que instruções afirmativas tendem a produzir resultados mais consistentes.

10. Itere: o primeiro prompt raramente é o melhor

Prompt engineering é um processo iterativo. A Anthropic é explícita nisso: o primeiro prompt raramente é o ideal. Trate o prompt como código: teste, observe onde o output desvia do esperado e refine cirurgicamente.

Um ciclo prático:

Escreva o prompt mais simples possível para a tarefa
Observe onde a resposta erra ou fica aquém
Adicione uma instrução específica para corrigir esse problema
Repita

Evite o erro de adicionar complexidade para parecer mais preciso. Um prompt menor e mais claro quase sempre bate um prompt longo cheio de restrições empilhadas.

Conclusão

A maioria das frustrações com modelos de linguagem vem de prompts vagos, sem contexto ou mal estruturados. Essas 10 dicas cobrem os pontos de maior impacto: estrutura clara, contexto relevante, exemplos concretos, permissão para incerteza e iteração disciplinada.

Não é preciso aplicar todas ao mesmo tempo. Comece com especificidade de formato e contexto bem delimitado. Os outros recursos entram conforme a tarefa exige.

O Claude é um modelo que responde muito bem a comunicação direta e estruturada. Trate o prompt como um briefing para um colaborador competente: quanto mais claro o pedido, melhor o resultado.

Referências: Anthropic Prompt Engineering · Prompt Engineering Guide · Anthropic Docs