Dar exemplo no prompt de IA: o que ela copia (formato ou conteúdo)

Resposta rápida

Colar um exemplo dentro do prompt (a técnica chamada de “few-shot” ou “multishot prompting”) funciona porque a IA não copia o conteúdo do seu exemplo, ela copia o padrão dele: a estrutura, o tamanho, o tom e a forma como as partes se organizam. Se você mostra um e-mail de resposta com saudação, dois parágrafos curtos e uma despedida direta, o próximo e-mail que ela escrever vai seguir esse mesmo esqueleto, mesmo que o assunto seja totalmente diferente. O risco mora do outro lado: se o exemplo for específico demais (com um nome, um número ou uma frase muito particular), ela pode copiar esses detalhes literalmente, mesmo sem fazer sentido no caso novo. A documentação oficial da Anthropic recomenda começar com 1 exemplo e usar de 3 a 5 quando a tarefa for mais complexa.

Sou o Danilo Gato, fundador da CPDF (Comunidade Profissionais do Futuro - por Danilo Gato), e essa é a técnica de prompt que mais rápido separa quem usa IA no automático de quem realmente sabe pedir o que quer.

Dar um exemplo no prompt realmente muda o resultado?

Muda, e é uma das técnicas com maior retorno pra esforço que existe em prompt de texto. A diferença entre pedir “escreve um resumo executivo dessa reunião” e pedir a mesma coisa colando um resumo executivo que você já aprovou antes, como modelo, costuma ser gigante. No primeiro caso a IA decide sozinha o que é “resumo executivo” pra ela (às vezes vem longo, às vezes vem em bullet, às vezes muda o tom). No segundo caso, ela tem uma referência concreta do que “bom” significa pra você, e para de adivinhar.

Isso vale tanto pra tarefas de escrita (e-mail, resumo, roteiro, post) quanto pra tarefas estruturadas (extrair dados de um texto no mesmo formato de uma planilha, classificar mensagens seguindo categorias que você já usa). Quanto mais a saída precisa ter um formato específico, mais um exemplo economiza rodadas de correção.

O que a IA copia do exemplo: o conteúdo ou o formato?

Essa é a parte que a maioria entende errado. A ideia intuitiva é que a IA vai “aprender o assunto” do exemplo, mas o que ela prioriza é o padrão estrutural: tamanho do texto, ordem das seções, nível de formalidade, se usa bullet ou parágrafo corrido, se começa com contexto ou vai direto ao ponto.

Isso tem respaldo em pesquisa, não é só observação de quem usa. Um estudo de Min et al. (2022, “Rethinking the Role of Demonstrations”, publicado na EMNLP) testou o que acontece quando você troca os rótulos corretos dos exemplos por rótulos ERRADOS de propósito. O resultado surpreendeu até os pesquisadores: o modelo continuou performando muito melhor do que sem exemplo nenhum, mesmo com os rótulos trocados. Ou seja, o que mais pesa não é se o conteúdo do exemplo está certo, é o formato e a distribuição do exemplo (como a informação está organizada) que ensinam o modelo a se comportar.

Na prática isso quer dizer duas coisas pra quem escreve prompt:

• Um exemplo mal escrito no formato ERRADO atrapalha mais do que ajuda, mesmo que o conteúdo dele esteja perfeito.
• Um exemplo com formato CERTO ainda ajuda bastante, mesmo que você tenha usado dados fictícios ou simplificados pra montá-lo rápido.

Quantos exemplos eu preciso colar?

A própria documentação de prompt engineering da Anthropic para o Claude recomenda um caminho progressivo: comece com 1 exemplo (chamado de “one-shot”) e só adicione mais se a saída ainda não estiver do jeito que você quer. Quando precisar de mais, o recomendado é de 3 a 5 exemplos diversos e relevantes (“few-shot” ou “multishot”), principalmente em tarefas mais complexas ou que exigem uma estrutura muito específica.

Colar 10, 15 exemplos raramente ajuda mais que colar 3 a 5 bem escolhidos. O ganho não vem da quantidade, vem da diversidade: se os exemplos são todos parecidos entre si, a IA aprende menos sobre variação do que se você mostrar casos com pequenas diferenças de contexto que ainda seguem o mesmo padrão.

Como estruturar o exemplo dentro do prompt pra ela entender que é modelo, não instrução?

O erro mais comum é colar o exemplo solto no meio do texto, sem nenhuma marcação, o que confunde a IA sobre o que é instrução e o que é referência. O jeito que funciona melhor é isolar o exemplo com uma marcação clara, por exemplo:

Escreva um resumo executivo da reunião abaixo, seguindo EXATAMENTE o mesmo formato do exemplo.

<exemplo_de_formato>
[cole aqui um resumo executivo anterior que você aprovou]
</exemplo_de_formato>

<reuniao_para_resumir>
[cole aqui a transcrição ou as notas da reunião nova]
</reuniao_para_resumir>

Separar com tags (ou, se a ferramenta não aceitar tags, com linhas tipo “EXEMPLO:” e “TAREFA NOVA:”) deixa claro que aquele bloco é referência de padrão, e não parte do que precisa ser respondido literalmente. Isso reduz bastante o risco da IA “responder ao exemplo” em vez de usar ele como modelo.

Como evitar que ela copie demais do exemplo (overfitting)?

Se o seu único exemplo tem um nome de cliente real, um valor específico ou uma frase muito particular, existe uma chance real da IA reaproveitar esses detalhes na resposta nova, mesmo sem fazer sentido. Três formas de reduzir isso:

1. Generalize o exemplo antes de colar. Troque nome próprio por algo genérico (“Cliente X”), troque valor real por um valor de exemplo óbvio (“R$ 000,00”).
2. Use mais de um exemplo com pequenas variações entre si. Um exemplo só ensina “copie isso”; dois ou três exemplos diferentes (mas no mesmo formato) ensinam “copie o PADRÃO, não o conteúdo”.
3. Diga explicitamente no prompt que aquele bloco é só referência de estrutura, não conteúdo a repetir: “use o exemplo abaixo apenas como modelo de FORMATO, o conteúdo da resposta deve vir só da tarefa nova”.

Dar exemplo funciona melhor do que só explicar o que eu quero?

Na maioria dos casos, sim, e o motivo é simples: explicar em palavras o que você quer (“um texto direto, mas não seco, meio informal mas profissional”) deixa muito espaço pra interpretação. Um exemplo real elimina essa ambiguidade de uma vez, porque mostra o resultado em vez de descrever ele. A combinação mais forte costuma ser as duas coisas juntas: a instrução em texto explica O QUE fazer, e o exemplo mostra COMO deve ficar.

Se você já testou só explicar em palavras e a IA continua entregando algo fora do que você imaginava, essa é provavelmente a próxima técnica a testar antes de desistir do prompt. E se o problema for a IA responder diferente toda vez que você roda o mesmo pedido, vale ler também A IA deu resposta diferente com o mesmo prompt: como travar o resultado, porque exemplo e “travar o resultado” resolvem duas partes do mesmo problema.

Um exemplo prático de antes e depois

Sem exemplo:

“Escreva uma descrição de produto para um curso de marketing digital.”

Resultado: tamanho, tom e estrutura variam a cada vez que você roda o mesmo pedido.

Com exemplo:

"Escreva uma descrição de produto para um curso de marketing digital, seguindo o mesmo formato do exemplo abaixo (título curto, 3 bullets de benefício, 1 frase de chamada para ação no final).

<exemplo> Curso de Copywriting Essencial

• Aprenda a escrever textos que vendem sem soar forçado
• Estrutura testada em mais de 50 lançamentos reais
• Templates prontos pra usar no seu próprio negócio Inscreva-se agora e escreva sua primeira copy até o fim da semana. </exemplo>"

Resultado: a IA replica a estrutura (título + 3 bullets + CTA) aplicada ao novo assunto, em vez de decidir sozinha o formato a cada rodada.

Essa técnica é a base de qualquer prompt reutilizável, do tipo que você guarda numa biblioteca pra usar toda semana sem reescrever do zero. Se você quer ir além do exemplo isolado e entender toda a estrutura de um prompt bem escrito (instrução, contexto, formato, restrições), o guia completo é o Como escrever bons prompts: engenharia de prompt na prática. E se o que você está tentando ajustar é o TOM da resposta, não o formato, a técnica complementar é dar um papel pra IA, coberta em Aja como advogado, professor ou revisor: o papel que você dá para a IA muda o tom, não o fato.

Na CPDF a gente ensina esse tipo de técnica dentro das aulas de prompt nas nossas trilhas de IA, sempre testando na ferramenta real antes de recomendar, porque o comportamento muda um pouco de modelo pra modelo.