Prompts como código: templates, versionamento e biblioteca

Você chegou ao fim da Fase 2. Sabe anatomia, few-shot, CoT, decomposição, ReAct, RAG, function calling, system vs user. Mas tem uma habilidade que multiplica o valor de tudo isso: tratar prompts como código. É o que separa quem usa IA de vez em quando de quem constrói uma biblioteca pessoal (ou de equipe) que escala.

O sinal de que seu prompt virou template

Você está reescrevendo o mesmo prompt com pequenas variações há mais de 2 vezes. Aí, vira template. Exemplos clássicos:

• "Resuma este email" - mas com tom/ tamanho variando.
• "Extraia dados deste contrato" - mas com schema variando.
• "Reescreva este texto para tom X" - mas com tom X variando.
• "Gere código que faz X" - mas com a stack variando.

Nesses casos, parametrize. Vira template.

O template mais simples: placeholder

# Prompt: resumo de email (versão: v3)

Você é um assistente que resume emails em tom {tom} para {publico}.

Resuma o email abaixo em {n_palavras} palavras, priorizando:
{prioridades}

Email:
{email}

Resumo:

{variavel} em vez de hardcoded. Substitua em código, no editor, ou na mão. Já é 80% do valor pra prompts pessoais.

Quando partir pra um template engine

Quando você tem:

• Múltiplos templates que compartilham lógica (mesma persona, mesmo formato, só a tarefa muda).
• Múltiplas personas/formatos que se combinam (ex: "persona de suporte" + "formato de email" + "tarefa de follow-up").
• Contexto dinâmico (RAG, dados do usuário) que entra no prompt.
• Time trabalhando junto nos mesmos prompts.

Frameworks como DSPy, LangChain, Guidance e dotprompt entram aqui. Cada um com trade-offs:

• DSPy - prompts viram programas com otimização automática. Curva de aprendizado maior, mas é o estado da arte em 2026.
• LangChain - ecossistema enorme, mais opinativo. Bom pra protótipo, vira monolito em produção.
• Guidance - templates com "controle de fluxo" no nível de token. Muito controle, sintaxe própria.
• dotprompt - arquivos .prompt com frontmatter YAML, simples, feito pela Google.

Decisão pragmática: pra começar, dotprompt ou um template seu simples bastam. DSPy e LangChain entram quando o problema crescer.

Estrutura recomendada de uma biblioteca de prompts

prompts/
  README.md                        <- convenções da biblioteca
  resumos/
    email-resumo/
      v1.txt
      v2.txt                       <- versão atual
      changelog.md
      avaliacao/
        golden-set.jsonl           <- 20 emails + resumo ideal
        resultados-v1.json
        resultados-v2.json
  extracao/
    contrato-dados/
      v1.prompt                    <- dotprompt syntax
      v2.prompt
      schema.json                  <- JSON Schema da saída
      ...

O pulo do gato: o golden-set.jsonl. É um arquivo com 20-50 exemplos de "input + saída ideal". Você roda o prompt em cima dele e compara. É o que vai te dizer se v2 é melhor que v1. Detalhes em avaliacao-de-prompts (próximo bloco).

Boas práticas de versionamento

• Versione em Git (mesmo que seja Git pessoal). Cada mudança de prompt merece um commit com mensagem que diz o que mudou e por quê.
• Não reescreva v2 sem salvar v1. Você pode querer voltar, ou comparar, ou entender por que mudou.
• Documente o changelog - "v3: troquei few-shot por CoT, melhorou 15% no golden-set mas dobrou o custo". Esse tipo de nota vale ouro.
• Não misture refactor com mudança de comportamento. Commit separado: "refactor: extraí persona pra shared" e "feat: nova persona de atendimento".

• Sinal de template: você está reescrevendo o mesmo prompt com variações há 2+ vezes.
• Forma mais simples: placeholders {variavel}. Já resolve 80% dos casos pessoais.
• Frameworks (DSPy, LangChain, dotprompt) entram quando a biblioteca cresce - múltiplos templates, time, contexto dinâmico.
• Versione em Git, documente changelog, e separe refactor de mudança de comportamento.
• Golden-set + avaliação é o que torna a biblioteca confiável. Detalhes no próximo bloco.

Dica: o melhor investimento que você pode fazer na sua carreira com IA em 2026 é montar sua biblioteca pessoal de prompts com 10-20 templates que você usa toda semana. Vira vantagem cumulativa - cada mês, fica mais rápido.

Você fechou a Fase 2. Sabe as técnicas intermediárias. No próximo nó, entra na Fase 3 com o divisor entre hobby e profissão: avaliação de prompts - como saber, com evidência, se um prompt é melhor que outro.