--- id: CP-312 slug: few-shot-prompting-exemplos-passos lang: pt title: Dar exemplos e dividir uma tarefa em passos para a IA description: Como orientar um assistente de IA com dois ou três exemplos e dividir uma tarefa em passos verificados um a um, sem expor dados. canonical_url: https://startbrain.io/cyberpedia/pt/articles/few-shot-prompting-exemplos-passos/ markdown_url: https://startbrain.io/cyberpedia/pt/articles/few-shot-prompting-exemplos-passos.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, «Dar exemplos e dividir uma tarefa em passos para a IA», Cyberpedia, 2026. https://startbrain.io/cyberpedia/pt/articles/few-shot-prompting-exemplos-passos/ (CC BY 4.0) wing: 4 theme: prompt_correctly reflex: air-016 schema: G5 updated: "2026-11-03" translations: pt: https://startbrain.io/cyberpedia/pt/articles/few-shot-prompting-exemplos-passos/ fr: https://startbrain.io/cyberpedia/fr/articles/few-shot-prompting-decomposition-etapes/ en: https://startbrain.io/cyberpedia/en/articles/few-shot-prompting-step-by-step/ de: https://startbrain.io/cyberpedia/de/articles/few-shot-prompting-beispiele-schritte/ es: https://startbrain.io/cyberpedia/es/articles/few-shot-prompting-ejemplos-pasos/ it: https://startbrain.io/cyberpedia/it/articles/few-shot-prompting-esempi-passaggi/ nl: https://startbrain.io/cyberpedia/nl/articles/few-shot-prompting-voorbeelden-stappen/ sources: - "n": 1 title: Prompt engineering techniques - Microsoft Foundry publisher: Microsoft url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering accessed: "2026-11-03" - "n": 2 title: Language Models are Few-Shot Learners publisher: arXiv url: https://arxiv.org/abs/2005.14165 published: "2020-05-28" accessed: "2026-11-03" - "n": 3 title: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2201.11903 published: "2022-01-28" accessed: "2026-11-03" - "n": 4 title: Large Language Models are Zero-Shot Reasoners publisher: arXiv url: https://arxiv.org/abs/2205.11916 published: "2022-05-24" accessed: "2026-11-03" - "n": 5 title: Least-to-Most Prompting Enables Complex Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2205.10625 published: "2022-05-21" accessed: "2026-11-03" - "n": 6 title: System message design for Azure OpenAI - Microsoft Foundry publisher: Microsoft url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering accessed: "2026-11-03" - "n": 7 title: Prompt injection is not SQL injection (it may be worse) publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection published: "2025-12-08" accessed: "2026-11-03" - "n": 8 title: LLM01:2025 Prompt Injection publisher: OWASP url: https://genai.owasp.org/llmrisk/llm01-prompt-injection/ accessed: "2026-11-03" --- # Dar exemplos e dividir uma tarefa em passos para a IA Um assistente de IA responde melhor quando se lhe mostra o que se espera do que quando apenas se descreve. Mostrar dois ou três exemplos do resultado pretendido chama-se «few-shot» (em português, aprendizagem a partir de poucos exemplos). Dividir um problema complexo em pequenos passos, que se controlam um após o outro, é uma segunda utilização. As duas técnicas melhoram as respostas, mas não as tornam fiáveis. Esta ficha explica como usá-las no trabalho e o que nunca se deve incluir num exemplo. ## Em 30 segundos - Onde acontece: em qualquer pedido a um assistente de IA que deva produzir um formato preciso (resumo, triagem, redação-tipo) ou resolver um problema em vários tempos. - O que traz: respostas mais próximas do que pretende, desde que escolha bem os exemplos e reveja cada passo. - O reflexo: dê dois ou três exemplos fictícios ou anonimizados, divida a tarefa em passos e verifique cada passo antes de passar ao seguinte. - Se já o fez: se um exemplo continha o nome de um cliente, um valor interno ou um excerto de contrato, avise o seu responsável de segurança e não volte a usá-lo. ## Perguntas diretas ### O que é o few-shot? É acrescentar ao pedido um ou mais exemplos do comportamento pretendido, sob a forma de pares «entrada e resultado esperado». A Microsoft esclarece que o modelo não aprende no sentido de uma alteração permanente: os exemplos condicionam-no apenas para a resposta em curso [1]. Um pedido sem exemplos diz-se «zero-shot» [1]. A ideia vem da investigação. O artigo de 2020 sobre o GPT-3 descreve tarefas e demonstrações dadas «purely via text interaction with the model», sem novo treino [2]. ### Porque ajudam os exemplos? No exemplo da Microsoft, um modelo a quem se pede uma categoria para o título de uma notícia parece adivinhar o que se espera. Com exemplos, compreende o formato e consegue até deduzir o tipo de etiqueta pretendido, embora nenhum exemplo tivesse a etiqueta «basketball» [1]. ### O que significa dividir uma tarefa em passos? A Microsoft indica que os modelos de linguagem dão muitas vezes melhores resultados quando a tarefa é dividida em passos mais pequenos. O seu exemplo: pedir primeiro que se extraiam os factos úteis e só depois que se produzam consultas de pesquisa para os verificar [1]. Num texto curto a diferença é modesta, mas torna-se nítida quando o texto contém muitas afirmações [1]. ### Convém pedir à IA que mostre o seu raciocínio? É uma variante. A Microsoft descreve uma instrução que pede para proceder passo a passo e apresentar todos os passos. Segundo a documentação, isso reduz a possibilidade de inexatidão e facilita a avaliação da resposta [1]. A Microsoft esclarece que esta técnica só se aplica a modelos que não são de raciocínio, e que estas técnicas «aren't recommended for reasoning models like gpt-5 and o-series models» [1]. ### Pode confiar-se num raciocínio que parece lógico? Não, passos bem apresentados não provam nada por si só. A Microsoft recomenda dar ao modelo uma «saída de emergência», por exemplo responder «not found» se a informação não constar do texto fornecido [1]. As respostas variam também consoante os modelos e as versões [6]. ## Como funciona Os modelos de linguagem produzem a sequência de palavras mais provável a partir do texto recebido [1]. Exemplos bem escolhidos orientam essa sequência para o formato pretendido. Para os problemas em vários tempos, a investigação descreveu vários métodos. O artigo de 2022 sobre a «cadeia de pensamento» mostra que fornecer algumas demonstrações com passos de raciocínio intermédios melhora os resultados em tarefas de aritmética, de senso comum e de raciocínio simbólico [3]. Outro artigo de 2022 mostra que acrescentar a frase «Let's think step by step» basta, sem qualquer exemplo, para melhorar os resultados [4]. Um terceiro método, dito «do mais simples ao mais complexo», divide um problema em subproblemas resolvidos por ordem, ajudando cada resposta a resolver a seguinte [5]. Estes resultados vêm de testes com problemas de referência, não de situações de escritório. Mostram que o método pode ajudar, sem garantir uma boa resposta. ## O que fazer - Redija dois ou três exemplos curtos e variados, cada um com uma entrada e a saída exata esperada. - Substitua qualquer dado real por um dado inventado: um nome fictício, um montante arredondado sem relação com um processo, um texto reescrito. - Coloque a instrução de forma clara. A ordem conta: a Microsoft nota que a ordem das informações pode alterar o resultado, incluindo a dos exemplos [1]. - Divida a tarefa: peça um primeiro passo, leia-o, corrija-o e passe depois ao seguinte, apoiando-se no passo validado. - Preveja uma porta de saída: autorize a IA a responder que não sabe, ou que falta uma informação [1]. - Verifique os factos importantes (valores, datas, nomes) numa fonte fiável antes de os utilizar. Um exemplo de pedido em dois tempos, dado aqui a título de ilustração: ```text Ilustração, texto fictício. Passo 1: [enumera as afirmações verificáveis do texto abaixo.] Passo 2: [depois da minha revisão, propõe para cada afirmação uma forma de a verificar.] Se faltar uma informação, responde «não encontrado». ``` ## Armadilhas - Exemplos enviesados. O modelo imita o que lhe é mostrado. A Microsoft assinala a sensibilidade à ordem, com um viés de recência: o que está no fim do pedido pode pesar mais [1]. Varie os exemplos e leia a resposta perguntando-se se não copia a forma deles. - Passos inventados. Um passo que parece plausível pode estar errado. Ler só a conclusão não basta. - Confiança excessiva. Os ganhos medidos pela investigação referem-se a conjuntos de teste precisos [3][4]. Não dizem nada sobre o seu processo. - Fuga nas instruções. As instruções e os exemplos fazem parte do pedido. A OWASP inclui entre os riscos a divulgação de informações sensíveis e a revelação de informações sobre as instruções do sistema [8]. A Microsoft lembra que uma mensagem de sistema influencia o modelo sem garantir que ele cumpra as regras [6]. Não conte com a instrução «não reveles nada» para proteger um segredo colocado num exemplo. - Texto de terceiros no pedido. Se colar um documento vindo do exterior (CV, correio eletrónico, página web), este pode conter instruções ocultas. O NCSC britânico dá o exemplo (hipotético) de um CV com um texto oculto a pedir que se ignorem as instruções anteriores e se aprove a candidatura [7]. Acrescenta que os modelos atuais não impõem uma fronteira de segurança entre instruções e dados [7]. Leia por isso as saídas com prudência quando o texto de origem não é seu. ## Casos reais ### Maio de 2020: GPT-3 testado com exemplos Os autores do GPT-3, um modelo de 175 mil milhões de parâmetros, testam-no sem atualização do modelo, com tarefas e exemplos dados apenas por texto. Relatam bons resultados em muitos conjuntos de dados e também conjuntos em que a aprendizagem com poucos exemplos continua a ter dificuldades [2]. ### Maio de 2022: uma frase basta num teste de aritmética Investigadores mostram que acrescentar «Let's think step by step» faz a precisão passar de 17,7 % para 78,7 % no teste MultiArith, e de 10,4 % para 40,7 % no GSM8K, com o modelo text-davinci-002 [4]. Mesmo com este ganho, a resposta continua errada mais de uma vez em cada cinco no MultiArith e mais de uma vez em cada duas no GSM8K, segundo estes números [4]. ### Maio de 2022: a divisão do mais simples ao mais complexo Os autores do método do mais simples ao mais complexo relatam que, com o modelo code-davinci-002 e 14 exemplos, atingem pelo menos 99 % de precisão no teste SCAN, contra 16 % com a cadeia de pensamento [5]. Esclarecem que a cadeia de pensamento tende a falhar em problemas mais difíceis do que os exemplos mostrados [5]. ## Fontes 1. Microsoft, «Prompt engineering techniques - Microsoft Foundry». https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering (consultado em 3 de novembro de 2026) 2. arXiv, «Language Models are Few-Shot Learners», 28 de maio de 2020. https://arxiv.org/abs/2005.14165 (consultado em 3 de novembro de 2026) 3. arXiv, «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models», 28 de janeiro de 2022. https://arxiv.org/abs/2201.11903 (consultado em 3 de novembro de 2026) 4. arXiv, «Large Language Models are Zero-Shot Reasoners», 24 de maio de 2022. https://arxiv.org/abs/2205.11916 (consultado em 3 de novembro de 2026) 5. arXiv, «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models», 21 de maio de 2022. https://arxiv.org/abs/2205.10625 (consultado em 3 de novembro de 2026) 6. Microsoft, «System message design for Azure OpenAI - Microsoft Foundry». https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering (consultado em 3 de novembro de 2026) 7. NCSC (Royaume-Uni), «Prompt injection is not SQL injection (it may be worse)», 8 de dezembro de 2025. https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection (consultado em 3 de novembro de 2026) 8. OWASP, «LLM01:2025 Prompt Injection». https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (consultado em 3 de novembro de 2026) --- Fonte original: Cyberpedia, a enciclopédia pública de cibersegurança e IA publicada pela Brain. Versão canónica: https://startbrain.io/cyberpedia/pt/articles/few-shot-prompting-exemplos-passos/ Pode reutilizar livremente este texto sob a licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), desde que cite «Brain, Cyberpedia» com uma ligação para o endereço acima.