Criar uma biblioteca reutilizável de modelos de prompt para tarefas recorrentes

01Por que manter prompts recorrentes como modelos

Se você pede repetidamente à IA para resumir relatórios, extrair ações, revisar código ou reescrever mensagens, recriar o prompt de memória a cada vez introduz variações desnecessárias. Restrições importantes podem desaparecer, o formato de saída pode mudar e os exemplos podem ficar inconsistentes. Uma biblioteca de modelos de prompt transforma cada tarefa recorrente em uma pequena especificação que pode ser reutilizada e revisada.

Um modelo útil deve separar as instruções estáveis dos valores que mudam. A parte fixa explica a tarefa, as regras, a saída esperada e as verificações. As variáveis armazenam valores que mudam a cada uso, como nome do projeto, público, texto de origem, data ou idioma solicitado.

02Crie uma pequena biblioteca sintética

Este exemplo é sintético. Suponha que você use regularmente um assistente de chat com IA para duas tarefas: resumir um registro semanal de trabalho e transformar notas de reunião em ações. Cada tarefa pode ser armazenada com quatro partes: variáveis, instruções, um exemplo e uma lista de verificação.

As variáveis são marcadores de posição, não instruções. Por exemplo, project pode virar Atlas, audience pode virar engineering team e log_text pode conter as notas daquela semana. Separar esses valores facilita identificar se o modelo reutilizável mudou ou se apenas os dados de entrada foram alterados.

03Use a mesma estrutura em todos os modelos

Consistência é mais importante do que uma redação elaborada. Um modelo prático pode conter uma descrição da tarefa, marcadores de variáveis, regras explícitas, um exemplo de entrada e saída e uma verificação final. A lista de verificação deve se concentrar em falhas que você realmente consegue inspecionar, como inventar informações, omitir campos obrigatórios, alterar datas ou adicionar conclusões sem suporte.

1. Dê à tarefa recorrente um identificador estável, como weekly_summary.
2. Liste todas as variáveis que precisam ser fornecidas antes de gerar o prompt.
3. Escreva a instrução da tarefa sem incorporar detalhes temporários do projeto.
4. Adicione regras de saída, como tamanho, títulos, colunas de tabela ou chaves JSON.
5. Inclua um pequeno exemplo quando o formato exigido for mais fácil de entender por demonstração.
6. Termine com uma lista de verificação que o usuário ou a IA possa aplicar ao resultado.

Evite criar um modelo tão genérico que ele perca as regras que tornam a tarefa útil. Um único prompt universal com dezenas de variáveis opcionais costuma ser mais difícil de manter do que vários modelos pequenos e específicos.

04Gere os modelos com Python

O script a seguir, usando apenas a biblioteca padrão, define dois modelos sintéticos, verifica se as variáveis obrigatórias estão presentes, gera o modelo selecionado e salva o resultado em outputs. Ele interrompe a execução se o arquivo de destino já existir, evitando sobrescrever acidentalmente um prompt gerado anteriormente.

from pathlib import Path
from string import Template

TEMPLATES = {
    "weekly_summary": {
        "required": ["project", "audience", "log_text"],
        "template": Template(
            "Task: Summarize the weekly work log.\n\n"
            "Project: $project\n"
            "Audience: $audience\n\n"
            "Rules:\n"
            "- Use only information present in the log.\n"
            "- Separate completed work, open issues, and next steps.\n"
            "- Keep dates and numbers unchanged.\n"
            "- If something is unclear, label it as unclear instead of guessing.\n\n"
            "Example format:\n"
            "Completed:\n"
            "- Finished data cleanup.\n"
            "Open issues:\n"
            "- Waiting for test results.\n"
            "Next steps:\n"
            "- Review results when available.\n\n"
            "Checklist:\n"
            "- Every statement comes from the log.\n"
            "- Dates and numbers are preserved.\n"
            "- No unsupported status claims are added.\n\n"
            "Work log:\n$log_text\n"
        ),
    },
    "meeting_actions": {
        "required": ["meeting_name", "notes"],
        "template": Template(
            "Task: Extract action items from the meeting notes.\n\n"
            "Meeting: $meeting_name\n\n"
            "Rules:\n"
            "- Do not invent owners or deadlines.\n"
            "- Preserve names and dates exactly as written.\n"
            "- Mark missing owner or deadline as Not specified.\n\n"
            "Example format:\n"
            "Action | Owner | Deadline\n"
            "Send draft | Mina | 2026-09-25\n"
            "Check budget | Not specified | Not specified\n\n"
            "Checklist:\n"
            "- Each action is supported by the notes.\n"
            "- Owners are not inferred.\n"
            "- Deadlines are not invented.\n\n"
            "Meeting notes:\n$notes\n"
        ),
    },
}

selected = "weekly_summary"
values = {
    "project": "Atlas",
    "audience": "engineering team",
    "log_text": (
        "2026-09-14: Cleaned 120 test rows.\n"
        "2026-09-16: Compared two validation reports.\n"
        "Open issue: three records still have missing labels.\n"
        "Next: review those records with the team."
    ),
}

spec = TEMPLATES[selected]
missing = [name for name in spec["required"] if not values.get(name)]
if missing:
    raise SystemExit("Missing variables: " + ", ".join(missing))

rendered = spec["template"].substitute(values)

output_dir = Path("outputs")
output_dir.mkdir(exist_ok=True)
output_file = output_dir / f"{selected}_prompt.txt"

if output_file.exists():
    raise SystemExit(f"Stop: {output_file} already exists.")

output_file.write_text(rendered, encoding="utf-8")
print(f"Wrote {output_file}")

05Confira o prompt gerado antes de enviá-lo

No exemplo sintético weekly_summary, as variáveis obrigatórias são project, audience e log_text, e as três são fornecidas. Portanto, o prompt gerado deve conter Atlas, engineering team e o registro de trabalho com quatro linhas. Nenhum marcador como $project deve permanecer.

• Confirme que cada variável obrigatória tem um valor não vazio.
• Procure no texto gerado por marcadores não substituídos, como $project ou $notes.
• Verifique se o conteúdo de exemplo está claramente separado da entrada real.
• Garanta que dados temporários fiquem apenas nas variáveis e não sejam copiados por engano para o modelo reutilizável.
• Revise se a lista de verificação corresponde às falhas reais da tarefa.
• Preserve o texto de origem sem alterações quando datas, nomes, números ou identificadores exatos forem importantes.

06Organize e atualize a biblioteca

Uma biblioteca pequena pode ficar em um único arquivo Python ou em uma pasta de texto simples. À medida que crescer, use nomes de arquivo ou identificadores estáveis, como summarize-weekly-log, extract-meeting-actions, review-code ou classify-feedback. Mantenha cada modelo focado em uma única tarefa recorrente.

Quando um prompt mudar, registre o que foi alterado e por quê. Por exemplo, se a IA inventar prazos repetidamente, adicione uma regra e um item de verificação que proíbam inferir datas limite. Isso torna as mudanças rastreáveis a problemas observados, em vez de acumular instruções vagas ao longo do tempo.

Também é útil manter um pequeno caso de teste sintético para cada modelo. Depois de alterar o modelo, gere-o novamente com as mesmas variáveis de teste e verifique se as seções, rótulos e restrições obrigatórias continuam presentes. Isso não prova que a IA sempre seguirá o prompt, mas ajuda a detectar regressões acidentais no modelo.

07Erros comuns e limitações

Um erro comum é tratar um modelo de prompt como garantia de qualidade da saída. Um prompt bem estruturado pode reduzir ambiguidades, mas a resposta gerada ainda precisa ser revisada. Outro erro é adicionar tantas regras que os requisitos mais importantes fiquem difíceis de encontrar. Coloque as restrições principais perto da tarefa e do formato de saída.

Não coloque senhas, segredos, chaves privadas nem informações pessoais desnecessárias em modelos reutilizáveis ou exemplos. As variáveis facilitam o gerenciamento dos prompts, mas não fornecem controle de acesso nem proteção de dados por si só.

Por fim, diferencie validação do prompt de validação do resultado. Verificar se todas as variáveis foram inseridas corretamente confirma o processo de construção do prompt. Isso não verifica se a resposta da IA está factualmente correta. Para tarefas recorrentes cujo resultado contenha fatos, cálculos, classificações ou decisões, mantenha uma lista de verificação do prompt e outra separada para revisar a saída.

Registro de execução e verificação

2026-09-21 · hand-checked example · Python 3.12

• Foi verificado que o modelo sintético weekly_summary declara exatamente três variáveis obrigatórias: project, audience e log_text.
• Foi verificado que os valores de exemplo fornecem as três variáveis obrigatórias: Atlas, engineering team e o registro sintético de trabalho com quatro linhas.
• Foi verificado que os marcadores de string.Template usados no modelo selecionado correspondem aos nomes das variáveis obrigatórias.
• Foi verificado que o caminho de saída é outputs/weekly_summary_prompt.txt para o modelo sintético selecionado.
• Foi verificado que o script cria o diretório outputs quando necessário e interrompe a execução sem sobrescrever o arquivo se ele já existir.
• Foi verificado que o modelo sintético contém instruções da tarefa, regras, um formato de exemplo, uma lista de verificação e o texto de origem fornecido por variável.
• Foi verificado que o conteúdo do exemplo é sintético e não afirma representar registros de trabalho reais.

Princípios de redação e verificação de todo o site

Fontes de referência

As explicações e os exemplos são de elaboração própria. Os comportamentos e conceitos relacionados podem ser consultados nas fontes oficiais abaixo.

• string — Operações comuns com strings ↗ (New tab)
• pathlib — Caminhos de sistema de arquivos orientados a objetos ↗ (New tab)