Guia de prompting

Introdução

Prompts eficazes transformam os Agentes da ElevenLabs de robóticos em naturais.

Um prompt de sistema é o projeto da personalidade e das políticas do seu agente de IA. No uso empresarial, ele costuma ser detalhado — definindo o papel, os objetivos, as ferramentas permitidas, instruções passo a passo para determinadas tarefas e limites que descrevem o que o agente não deve fazer. A forma como você estrutura esse prompt afeta diretamente a confiabilidade.

Fundamentos de engenharia de prompts

Um prompt de sistema é o projeto da personalidade e das políticas do seu agente de IA. No uso empresarial, ele costuma ser detalhado — definindo o papel, os objetivos, as ferramentas permitidas, instruções passo a passo para determinadas tarefas e limites que descrevem o que o agente não deve fazer. A forma como você estrutura esse prompt afeta diretamente a confiabilidade.

Os princípios a seguir formam a base da engenharia de prompts pronta para produção:

Separe as instruções em seções bem definidas

Separar as instruções em seções dedicadas com títulos em markdown ajuda o modelo a priorizá-las e interpretá-las corretamente. Use espaços em branco e quebras de linha para separar as instruções.

Por que isso importa para a confiabilidade: Os modelos são ajustados para dar atenção extra a determinados títulos (especialmente # Guardrails), e limites claros entre seções evitam o vazamento de instruções, em que regras de um contexto afetam outro.

You are a customer service agent. Be polite and helpful. Never share sensitive data. You can look up orders and process refunds. Always verify identity first. Keep responses under 3 sentences unless the user asks for details.

Seja o mais conciso possível

Mantenha todas as instruções curtas, claras e orientadas à ação. Remova palavras desnecessárias e repita apenas o que é essencial para que o modelo aja corretamente.

Por que isso importa para a confiabilidade: Instruções concisas reduzem a ambiguidade e o uso de tokens. Cada palavra desnecessária é uma possível fonte de interpretação incorreta.

# Tone
When you're talking to customers, you should try to be really friendly and approachable, making sure that you're speaking in a way that feels natural and conversational, kind of like how you'd talk to a friend, but still maintaining a professional demeanor that represents the company well.

Dê ênfase às instruções críticas

Destaque etapas críticas adicionando “Esta etapa é importante” ao final da linha. Repetir duas vezes no prompt as 1 ou 2 instruções mais importantes pode ajudar a reforçá-las.

Por que isso importa para a confiabilidade: Em prompts complexos, os modelos podem priorizar o contexto recente em vez de instruções anteriores. A ênfase e a repetição garantem que regras críticas não sejam ignoradas.

# Goal
Verify customer identity before accessing their account.
Look up order details and provide status updates.
Process refund requests when eligible.

Normalização de texto

Modelos de texto para fala, especialmente os mais rápidos, geram melhor fala a partir de texto alfabético. Por isso, dígitos e símbolos como ”@” ou ”£” têm mais probabilidade de causar pronúncias incorretas ou alucinações de voz.

Para resolver isso, normalizamos textos não alfabéticos em palavras antes que cheguem ao modelo de TTS (por exemplo, 123 -> one-hundred and twenty three, john@gmail.com -> john at gmail dot com) e permitimos que você escolha entre diferentes estratégias de normalização com diferentes compromissos.

Estratégias de normalização

Oferecemos duas estratégias de normalização por meio da configuração do agente text_normalisation_type:

system_prompt (padrão) — Adiciona instruções ao prompt de sistema, orientando o LLM a escrever números e símbolos por extenso antes que o texto chegue ao modelo de TTS.

• Sem latência adicional
• LLMs podem ocasionalmente não normalizar corretamente
• As transcrições contêm tudo escrito por extenso (por exemplo, “one thousand dollars” em vez de “$1,000”)

elevenlabs — Usa nosso normalizador de TTS para normalizar o texto após a geração pelo LLM, antes que ele chegue ao modelo de TTS.

• Mais confiável que a normalização baseada em LLM
• O prompt de sistema não é modificado
• As transcrições mantêm a formatação natural com símbolos e números (por exemplo, “$1,000”)
• Adiciona pouca latência

Encontre essa configuração na nossa plataforma, na aba “Agente”: clique no ícone de engrenagem na seção “Vozes” para abrir o painel de configurações comuns de voz e configure-a na parte inferior.

Dados estruturados para entradas de ferramentas

Ao usar a configuração de normalização system_prompt, o LLM escreve símbolos e números por extenso nas respostas (por exemplo, john at gmail dot com em vez de john@gmail.com). As transcrições do usuário feitas por speech-to-text também podem chegar em um formato fora do padrão. Isso significa que, ao usar esses dados como parâmetros em chamadas de ferramentas, o LLM pode usar a versão não estruturada presente no contexto da conversa.

Se um parâmetro de ferramenta espera um valor formatado corretamente (por exemplo, john@gmail.com, e não john at gmail dot com), o LLM precisa saber disso. Inclua o formato esperado diretamente na descrição do parâmetro da ferramenta, com um exemplo.

## `lookupAccount` tool parameters
- `email` (required): "The user's email."
- `phone` (required): "The user's phone number."
- `confirmation_code` (required): "The user's confirmation code."

Dedique uma seção a limites

Liste todas as regras inegociáveis que o modelo deve sempre seguir em uma seção dedicada # Guardrails. Os modelos são ajustados para dar atenção extra a esse título.

Por que isso importa para a confiabilidade: Limites evitam respostas inadequadas e garantem a conformidade com políticas. Centralizá-los em uma seção dedicada facilita a auditoria e a atualização.

# Guardrails
Never share customer data across conversations or reveal sensitive account information without proper verification.
Never process refunds over $500 without supervisor approval.
Never make promises about delivery dates that aren't confirmed in the order system.
Acknowledge when you don't know an answer instead of guessing.
If a customer becomes abusive, politely end the conversation and offer to escalate to a supervisor.

Para saber mais sobre como projetar limites eficazes, consulte nosso guia sobre Guardrails.

Configuração de ferramentas para confiabilidade

Agentes capazes de lidar com workflows transacionais podem ser muito eficazes. Para isso, eles precisam contar com ferramentas que permitam executar ações em outros sistemas ou buscar dados atualizados neles.

Tão importante quanto a estrutura do prompt é a forma como você descreve as ferramentas disponíveis para o agente. Definições de ferramentas claras e orientadas à ação ajudam o modelo a chamá-las corretamente e a se recuperar de erros sem problemas.

Descreva as ferramentas com precisão e parâmetros detalhados

Ao criar uma ferramenta, adicione descrições a todos os parâmetros. Isso ajuda o LLM a construir chamadas de ferramenta com precisão.

Descrição da ferramenta: “Consulta o status do pedido do cliente pelo ID do pedido e retorna o status atual, a data de entrega estimada e o número de rastreamento.”

Descrições dos parâmetros:

• order_id (obrigatório): “O identificador exclusivo do pedido, formatado com caracteres escritos (por exemplo, ‘ORD123456’)”
• include_history (opcional): “Se verdadeiro, retorna o histórico completo do pedido, incluindo alterações de status”

Por que isso importa para a confiabilidade: As descrições de parâmetros funcionam como documentação integrada para o modelo. Elas esclarecem expectativas de formato, campos obrigatórios ou opcionais e valores aceitos.

Explique quando e como usar cada ferramenta no prompt de sistema

Defina claramente no prompt de sistema quando e como cada ferramenta deve ser usada. Não dependa apenas das descrições das ferramentas — forneça contexto de uso e lógica de sequenciamento.

# Tools
You have access to the following tools:
## `getOrderStatus`
Use this tool when a customer asks about their order. Always call this tool before providing order information—never rely on memory or assumptions.
**When to use:**
- Customer asks "Where is my order?"
- Customer provides an order number
- Customer asks about delivery estimates
**How to use:**
1. Collect the order ID from the customer
2. Call `getOrderStatus` with the order ID
3. Present the results to the customer in natural language
**Error handling:**
If the tool returns "Order not found", ask the customer to verify the order number and try again.
## `processRefund`
Use this tool only after verifying:
1. Customer identity has been confirmed
2. Order is eligible for refund (within 30 days, not already refunded)
3. Refund amount is under $500 (escalate to supervisor if over $500)
**Required before calling:**
- Order ID (from `getOrderStatus`)
- Refund reason code
- Customer confirmation
This step is important: Always confirm refund details with the customer before calling this tool.

Especifique os formatos esperados nas descrições dos parâmetros de ferramentas

Quando as ferramentas exigirem identificadores estruturados (e-mails, números de telefone, códigos), deixe o formato esperado explícito na descrição do parâmetro com um exemplo. Isso é especialmente importante porque a normalização e a transcrição de speech-to-text podem produzir valores na forma falada no contexto da conversa. Consulte dados estruturados para entradas de ferramentas para entender o contexto.

## `lookupAccount` tool parameters
- `email` (required): "The customer's email address."

Lide bem com falhas em chamadas de ferramentas

Às vezes, as ferramentas podem falhar devido a problemas de rede, dados ausentes ou outros erros. Inclua instruções claras de recuperação no prompt de sistema.

Por que isso importa para a confiabilidade: Falhas de ferramentas são inevitáveis em produção. Sem instruções explícitas de tratamento, os agentes podem alucinar respostas ou fornecer informações incorretas.

# Tool error handling
If any tool call fails or returns an error:
1. Acknowledge the issue to the customer: "I'm having trouble accessing that information right now."
2. Do not guess or make up information
3. Offer alternatives:
   - Try the tool again if it might be a temporary issue
   - Offer to escalate to a human agent
   - Provide a callback option
4. If the error persists after 2 attempts, escalate to a supervisor
**Example responses:**
- "I'm having trouble looking up that order right now. Let me try again... [retry]"
- "I'm unable to access the order system at the moment. I can transfer you to a specialist who can help, or we can schedule a callback. Which would you prefer?"

Para orientações detalhadas sobre como criar integrações de ferramentas confiáveis, consulte nossa documentação sobre Ferramentas de cliente, Ferramentas de webhook e Ferramentas MCP.

Padrões de arquitetura para agentes empresariais

Embora prompts e ferramentas sólidos formem a base da confiabilidade dos agentes, sistemas de produção exigem um design arquitetural cuidadoso. Agentes empresariais lidam com workflows complexos que muitas vezes vão além do escopo de um único prompt monolítico.

Mantenha os agentes especializados

Instruções muito amplas ou janelas de contexto grandes aumentam a latência e reduzem a precisão. Cada agente deve ter uma base de conhecimento e um conjunto de responsabilidades restritos e claramente definidos.

Por que isso importa para a confiabilidade: Agentes especializados têm menos casos extremos para lidar, critérios de sucesso mais claros e tempos de resposta mais rápidos. É mais fácil testá-los, depurá-los e aprimorá-los.

Use padrões de orquestrador e especialista

Para tarefas complexas, projete workflows multiagente que transfiram tarefas entre agentes especializados — e para operadores humanos quando necessário.

Padrão de arquitetura:

1. Agente orquestrador: Direciona solicitações recebidas aos agentes especialistas adequados com base na classificação de intenção
2. Agentes especialistas: Lidam com tarefas específicas do domínio (cobrança, agendamento, suporte técnico etc.)
3. Escalonamento humano: Critérios de transferência definidos para casos complexos ou sensíveis

Benefícios desse padrão:

• Cada especialista tem um prompt focado e contexto reduzido
• É mais fácil atualizar especialistas individuais sem afetar o sistema
• Métricas claras por domínio (taxa de resolução de cobrança, taxa de sucesso de agendamento etc.)
• Menor latência por interação (prompts menores, inferência mais rápida)

Defina critérios claros de transferência

Ao projetar workflows multiagente, especifique exatamente quando e como o controle deve ser transferido entre agentes ou para operadores humanos.

# Goal
Route customer requests to the appropriate specialist agent based on intent.
## Routing logic
**Billing specialist:** Customer mentions payment, invoice, refund, charge, subscription, or account balance
**Technical support specialist:** Customer reports error, bug, issue, not working, broken
**Scheduling specialist:** Customer wants to book, reschedule, cancel, or check appointment
**Human escalation:** Customer is angry, requests supervisor, or issue is unresolved after 2 specialist attempts
## Handoff process
1. Classify customer intent based on first message
2. Provide brief acknowledgment: "I'll connect you with our [billing/technical/scheduling] team."
3. Transfer conversation with context summary:
   - Customer name
   - Primary issue
   - Any account identifiers already collected
4. Do not repeat information collection that already occurred

# Personality
You are a billing specialist for Acme Corp. You handle payment issues, refunds, and subscription changes.
# Goal
Resolve billing inquiries by:
1. Verifying customer identity
2. Looking up account and billing history
3. Processing refunds (under $500) or escalating (over $500)
4. Updating subscription settings when requested
# Guardrails
Never access account information without identity verification.
Never process refunds over $500 without supervisor approval.
If the customer's issue is not billing-related, transfer back to the orchestrator agent.

Para orientações detalhadas sobre como criar workflows multiagente, consulte nossa documentação sobre Workflows.

Seleção de modelo para confiabilidade empresarial

A escolha do modelo certo depende dos seus requisitos de desempenho — especialmente latência, precisão e confiabilidade em chamadas de ferramentas. Diferentes modelos oferecem diferentes compromissos entre velocidade, capacidade de raciocínio e custo.

Entenda os compromissos

Latência: Modelos menores (com menos parâmetros) geralmente respondem mais rápido, o que os torna adequados para interações frequentes e de baixa complexidade.

Precisão: Modelos maiores oferecem capacidades de raciocínio mais fortes e lidam melhor com tarefas complexas de várias etapas, mas têm maior latência e custo.

Confiabilidade em chamadas de ferramentas: Nem todos os modelos lidam com chamadas de ferramentas/funções com a mesma precisão. Alguns se destacam em saídas estruturadas, enquanto outros podem exigir prompts mais explícitos.

Recomendações de modelos por caso de uso

Com base em implantações que abrangem milhões de interações de agentes, surgem os seguintes padrões:

• GLM 5.2 ou GPT-6 Luna (ponto de partida recomendado): Ideal para agentes empresariais de propósito geral, nos quais latência, precisão e custo precisam ser equilibrados. Oferece latência baixa a moderada, bom desempenho em chamadas de ferramentas e custo razoável por interação. Ideal para suporte ao cliente, agendamento, gerenciamento de pedidos e atendimento de consultas gerais.

• DeepSeek Flash 4.1 ou Gemini 3.5 Flash-Lite (latência ultrabaixa): Ideal para interações simples e frequentes em que a velocidade é essencial. Oferece a menor latência com amplo conhecimento geral, embora tenha desempenho inferior em chamadas de ferramentas complexas. Econômico em escala para roteamento/classificação inicial, FAQs simples, confirmações de agendamento e coleta básica de dados.

• Claude Sonnet 5.5 (raciocínio complexo): Ideal para resolução de problemas em várias etapas, análises criteriosas e orquestração complexa de ferramentas. Oferece a maior precisão e capacidade de raciocínio, com excelente confiabilidade em chamadas de ferramentas, embora com maior latência e custo. Ideal para tarefas em que erros têm alto custo, como solução de problemas técnicos, consultoria financeira, workflows sensíveis à conformidade e decisões complexas de reembolso/escalonamento.

As linhas de modelos dos provedores mudam com frequência. Confirme as opções e os preços atuais na página Modelos antes de escolher um modelo para produção.

Faça benchmark com seus prompts reais

O desempenho do modelo varia significativamente conforme a estrutura do prompt e a complexidade da tarefa. Antes de escolher um modelo:

1. Teste de 2 a 3 modelos candidatos com seu prompt de sistema real
2. Avalie com consultas reais de usuários ou casos de teste sintéticos
3. Meça a latência, a precisão e a taxa de sucesso em chamadas de ferramentas
4. Otimize para obter o melhor equilíbrio conforme seus requisitos específicos

Para opções detalhadas de configuração de modelos, consulte nossa documentação sobre Modelos.

Iteração e testes

A confiabilidade em produção vem da iteração contínua. Mesmo prompts bem construídos podem falhar no uso real. O importante é aprender com essas falhas e melhorar por meio de testes disciplinados.

Configure critérios de avaliação

Associe critérios de avaliação concretos a cada agente para monitorar o sucesso ao longo do tempo e verificar regressões.

Principais métricas a acompanhar:

• Taxa de conclusão de tarefas: Percentual de intenções dos usuários atendidas com sucesso
• Taxa de escalonamento: Percentual de conversas que exigem intervenção humana

Para orientações detalhadas sobre como configurar critérios de avaliação na ElevenLabs, consulte Avaliação de sucesso.

Analise padrões de falha

Quando os agentes têm baixo desempenho, identifique padrões nas interações problemáticas:

• Onde o agente fornece informações incorretas? → Reforce as instruções em seções específicas
• Quando ele não entende a intenção do usuário? → Adicione exemplos ou simplifique a linguagem
• Quais entradas do usuário fazem o agente sair do personagem? → Adicione limites para casos extremos
• Quais ferramentas falham com mais frequência? → Melhore o tratamento de erros ou as descrições dos parâmetros

Revise as transcrições de conversas em que a satisfação do usuário foi baixa ou as tarefas não foram concluídas.

Faça ajustes direcionados

Atualize seções específicas do prompt para resolver os problemas identificados:

1. Isole o problema: Identifique qual seção do prompt ou definição de ferramenta está causando falhas
2. Teste as mudanças em exemplos específicos: Use como casos de teste conversas que falharam anteriormente
3. Faça uma mudança por vez: Isole os aprimoramentos para entender o que funciona
4. Reavalie com os mesmos casos de teste: Verifique se a mudança resolveu o problema sem criar novos

Configure a coleta de dados

Configure seu agente para resumir os dados de cada conversa. Isso permite analisar padrões de interação, identificar solicitações comuns dos usuários e aprimorar continuamente seu prompt com base no uso no mundo real.

Para orientações detalhadas sobre como configurar a coleta de dados na ElevenLabs, consulte Coleta de dados.

Use simulação para testes de regressão

Antes de implantar mudanças no prompt em produção, teste-as em um conjunto de cenários conhecidos para identificar regressões.

Para orientações sobre como testar agentes de forma programática, consulte Simular conversas.

Considerações para produção

Agentes empresariais exigem proteções adicionais além da qualidade do prompt. Implantações em produção devem considerar o tratamento de erros, a conformidade e a degradação gradual.

Trate erros em todas as integrações de ferramentas

Cada chamada de ferramenta externa é um possível ponto de falha. Garanta que seu prompt inclua tratamento explícito de erros para:

• Falhas de rede: “Estou com dificuldade para me conectar ao nosso sistema. Vou tentar novamente.”
• Dados ausentes: “Não vejo essas informações no nosso sistema. Você pode confirmar os detalhes?”
• Erros de tempo limite: “Isso está demorando mais do que o esperado. Posso encaminhar você a um especialista ou tentar novamente.”
• Erros de permissão: “Não tenho acesso a essas informações. Vou transferir você para alguém que possa ajudar.”

Exemplos de prompts

Os exemplos a seguir demonstram como aplicar os princípios descritos neste guia a casos de uso empresariais reais. Cada exemplo inclui anotações que destacam os princípios de confiabilidade utilizados.

Exemplo 1: Agente de suporte técnico

# Personality
You are a technical support specialist for CloudTech, a B2B SaaS platform.
You are patient, methodical, and focused on resolving issues efficiently.
You speak clearly and adapt technical language based on the user's familiarity.
# Environment
You are assisting customers via phone support.
Customers may be experiencing service disruptions and could be frustrated.
You have access to diagnostic tools and the customer account database.
# Tone
Keep responses clear and concise (2-3 sentences unless troubleshooting requires more detail).
Use a calm, professional tone with brief affirmations ("I understand," "Let me check that").
Adapt technical depth based on customer responses.
Check for understanding after complex steps: "Does that make sense?"
# Goal
Resolve technical issues through structured troubleshooting:
1. Verify customer identity using email and account ID
2. Identify affected service and severity level
3. Run diagnostics using `runSystemDiagnostic` tool
4. Provide step-by-step resolution or escalate if unresolved after 2 attempts
This step is important: Always run diagnostics before suggesting solutions.
# Guardrails
Never access customer accounts without identity verification. This step is important.
Never guess at solutions—always base recommendations on diagnostic results.
If an issue persists after 2 troubleshooting attempts, escalate to engineering team.
Acknowledge when you don't know the answer instead of speculating.
# Tools
## `verifyCustomerIdentity`
**When to use:** At the start of every conversation before accessing account data
**Parameters:**
- `email` (required): Customer email in standard written format (e.g., "user@company.com"). Convert from spoken format: "at" → "@", "dot" → ".", remove spaces between words.
- `account_id` (optional): Account ID if customer provides it
**Error handling:**
If verification fails, ask customer to confirm email spelling and try again.
## `runSystemDiagnostic`
**When to use:** After verifying identity and understanding the reported issue
**Parameters:**
- `account_id` (required): From `verifyCustomerIdentity` response
- `service_name` (required): Name of affected service (e.g., "api", "dashboard", "storage")
**Usage:**
1. Confirm which service is affected
2. Run diagnostic with account ID and service name
3. Review results before providing solution
**Error handling:**
If diagnostic fails, acknowledge the issue: "I'm having trouble running that diagnostic. Let me escalate to our engineering team."
# Error handling
If any tool call fails:
1. Acknowledge: "I'm having trouble accessing that information right now."
2. Do not guess or make up information
3. Offer to retry once, then escalate if failure persists

Princípios demonstrados:

• ✓ Separação clara de seções (# Personality, # Goal, # Tools etc.)
• ✓ Uma ação por linha (consulte as etapas numeradas em # Goal)
• ✓ Instruções concisas (a seção de tom é breve e clara)
• ✓ Ênfase em etapas críticas (“Esta etapa é importante”)
• ✓ Conversão de formato nas descrições dos parâmetros (normalização de e-mail)
• ✓ Seção dedicada a limites
• ✓ Descrições precisas de ferramentas, com orientações sobre quando/como usar e sobre erros
• ✓ Instruções explícitas de tratamento de erros

Exemplo 2: Agente de atendimento ao cliente para reembolsos

# Personality
You are a refund specialist for RetailCo.
You are empathetic, solution-oriented, and efficient.
You balance customer satisfaction with company policy compliance.
# Goal
Process refund requests through this workflow:
1. Verify customer identity using order number and email
2. Look up order details with `getOrderDetails` tool
3. Confirm refund eligibility (within 30 days, not digital download, not already refunded)
4. For refunds under $100: Process immediately with `processRefund` tool
5. For refunds $100-$500: Apply secondary verification, then process
6. For refunds over $500: Escalate to supervisor with case summary
This step is important: Never process refunds without verifying eligibility first.
# Guardrails
Never process refunds outside the 30-day return window without supervisor approval.
Never process refunds over $500 without supervisor approval. This step is important.
Never access order information without verifying customer identity.
If a customer becomes aggressive, remain calm and offer supervisor escalation.
# Tools
## `verifyIdentity`
**When to use:** At the start of every conversation
**Parameters:**
- `order_id` (required): Order ID in uppercase alphanumeric format (e.g., "ORD123456"). Convert from spoken format: spell out letters and spoken digits to written form, no spaces.
- `email` (required): Customer email in standard written format (e.g., "john.smith@retailco.com"). Convert from spoken format: "at" → "@", "dot" → ".", remove spaces between words.
## `getOrderDetails`
**When to use:** After identity verification
**Returns:** Order date, items, total amount, refund eligibility status
**Error handling:**
If order not found, ask customer to verify order number and try again.
## `processRefund`
**When to use:** Only after confirming eligibility
**Required checks before calling:**
- Identity verified
- Order is within 30 days
- Order is eligible (not digital, not already refunded)
- Refund amount is under $500
**Parameters:**
- `order_id` (required): From previous verification
- `reason_code` (required): One of "defective", "wrong_item", "late_delivery", "changed_mind"
**Usage:**
1. Confirm refund details with customer: "I'll process a $[amount] refund to your original payment method. It will appear in 3-5 business days. Does that work for you?"
2. Wait for customer confirmation
3. Call this tool
**Error handling:**
If refund processing fails, apologize and escalate: "I'm unable to process that refund right now. Let me escalate to a supervisor who can help."

Princípios demonstrados:

• ✓ Escopo de agente especializado (somente reembolsos, não suporte geral)
• ✓ Etapas claras do workflow na seção # Goal
• ✓ Ênfase repetida em regras críticas (limites de reembolso, verificação)
• ✓ Uso detalhado de ferramentas, com “quando usar” e “verificações necessárias”
• ✓ Conversão de formato nas descrições dos parâmetros (IDs de pedidos, e-mails)
• ✓ Tratamento explícito de erros por ferramenta
• ✓ Critérios de escalonamento claramente definidos

Boas práticas de formatação

A forma como você formata seu prompt afeta a eficácia com que o modelo de linguagem o interpreta:

• Use títulos em Markdown: Estruture as seções com # para seções principais e ## para subseções
• Prefira listas com marcadores: Divida as instruções em tópicos fáceis de entender
• Use espaços em branco: Separe as seções e os grupos de instruções com linhas em branco
• Mantenha os títulos em maiúsculas e minúsculas normais: # Objetivo, não # OBJETIVO
• Seja consistente: Use o mesmo padrão de formatação em todo o prompt

Perguntas frequentes

Próximas etapas

Este guia estabelece a base para um comportamento confiável dos agentes por meio de engenharia de prompts, configuração de ferramentas e padrões de arquitetura. Para criar sistemas prontos para produção, continue com:

• Workflows: Projete a orquestração de vários agentes e transferências entre especialistas
• Avaliação de sucesso: Configure métricas e critérios de avaliação
• Coleta de dados: Capture insights estruturados das conversas
• Testes: Implemente testes de regressão e simulação
• Guardrails: Configure a moderação de conteúdo para respostas seguras dos agentes
• Privacidade: Garanta conformidade e proteção de dados
• Nosso Agente de Documentação: Veja um estudo de caso completo desses princípios em ação

Para obter suporte para implantação empresarial, entre em contato com nossa equipe.