senior-prompt-engineer

name	senior-prompt-engineer
description	Esta skill deve ser usada quando o usuário pedir para 'otimizar prompts', 'projetar templates de prompt', 'avaliar saídas de LLM', 'construir sistemas agênticos', 'implementar RAG', 'criar exemplos few-shot', 'analisar uso de tokens' ou 'projetar workflows de IA'. Use para padrões de prompt engineering, frameworks de avaliação de LLM, arquiteturas de agentes e design de saída estruturada.
agents	["claude-code"]

Engenheiro de Prompt Sênior

Padrões de prompt engineering, frameworks de avaliação de LLM e design de sistemas agênticos.

Sumário

• Início Rápido
• Visão Geral das Ferramentas
  • Prompt Optimizer
  • RAG Evaluator
  • Agent Orchestrator
• Workflows de Prompt Engineering
  • Workflow de Otimização de Prompt
  • Design de Exemplos Few-Shot
  • Design de Saída Estruturada
• Documentação de Referência
• Referência Rápida de Padrões Comuns

---

Início Rápido

# Analisar e otimizar um arquivo de prompt
python scripts/prompt_optimizer.py prompts/my_prompt.txt --analyze

# Avaliar qualidade de recuperação RAG
python scripts/rag_evaluator.py --contexts contexts.json --questions questions.json

# Visualizar workflow do agente a partir da definição
python scripts/agent_orchestrator.py agent_config.yaml --visualize

---

Visão Geral das Ferramentas

1. Prompt Optimizer

Analisa prompts para eficiência de tokens, clareza e estrutura. Gera versões otimizadas.

Entrada: Arquivo de texto de prompt ou string Saída: Relatório de análise com sugestões de otimização

Uso:

# Analisar um arquivo de prompt
python scripts/prompt_optimizer.py prompt.txt --analyze

# Saída:
# Contagem de tokens: 847
# Custo estimado: $0.0025 (GPT-4)
# Score de clareza: 72/100
# Problemas encontrados:
#   - Instrução ambígua na linha 3
#   - Especificação de formato de saída ausente
#   - Contexto redundante (linhas 12-15 repetem linhas 5-8)
# Sugestões:
#   1. Adicionar formato de saída explícito: "Responda em JSON com chaves: ..."
#   2. Remover contexto redundante para economizar 89 tokens
#   3. Clarificar "analisar" -> "listar os 3 principais problemas com ratings de severidade"

# Gerar versão otimizada
python scripts/prompt_optimizer.py prompt.txt --optimize --output optimized.txt

# Contar tokens para estimativa de custo
python scripts/prompt_optimizer.py prompt.txt --tokens --model gpt-4

# Extrair e gerenciar exemplos few-shot
python scripts/prompt_optimizer.py prompt.txt --extract-examples --output examples.json

---

2. RAG Evaluator

Avalia qualidade de Retrieval-Augmented Generation medindo relevância de contexto e fidelidade da resposta.

Entrada: Contextos recuperados (JSON) e perguntas/respostas Saída: Métricas de avaliação e relatório de qualidade

Uso:

# Avaliar qualidade de recuperação
python scripts/rag_evaluator.py --contexts retrieved.json --questions eval_set.json

# Saída:
# === Relatório de Avaliação RAG ===
# Perguntas avaliadas: 50
#
# Métricas de Recuperação:
#   Relevância de Contexto: 0.78 (meta: >0.80)
#   Precisão de Recuperação@5: 0.72
#   Cobertura: 0.85
#
# Métricas de Geração:
#   Fidelidade da Resposta: 0.91
#   Fundamentação: 0.88
#
# Problemas Encontrados:
#   - 8 perguntas sem contexto relevante no top-5
#   - 3 respostas continham informações não presentes no contexto
#
# Recomendações:
#   1. Melhorar estratégia de chunking para documentos técnicos
#   2. Adicionar filtragem de metadados para queries sensíveis a datas

# Avaliar com métricas personalizadas
python scripts/rag_evaluator.py --contexts retrieved.json --questions eval_set.json \
    --metrics relevance,faithfulness,coverage

# Exportar resultados detalhados
python scripts/rag_evaluator.py --contexts retrieved.json --questions eval_set.json \
    --output report.json --verbose

---

3. Agent Orchestrator

Analisa definições de agentes e visualiza fluxos de execução. Valida configurações de ferramentas.

Entrada: Configuração de agente (YAML/JSON) Saída: Visualização de workflow, relatório de validação

Uso:

# Validar configuração de agente
python scripts/agent_orchestrator.py agent.yaml --validate

# Saída:
# === Relatório de Validação do Agente ===
# Agente: research_assistant
# Padrão: ReAct
#
# Ferramentas (4 registradas):
#   [OK] web_search - Chave de API configurada
#   [OK] calculator - Sem config necessária
#   [WARN] file_reader - allowed_paths ausente
#   [OK] summarizer - Template de prompt válido
#
# Análise de Fluxo:
#   Profundidade máxima: 5 iterações
#   Tokens estimados/execução: 2.400-4.800
#   Loop infinito potencial: Não
#
# Recomendações:
#   1. Adicionar allowed_paths ao file_reader por segurança
#   2. Considerar adicionar condição de saída antecipada para queries simples

# Visualizar workflow do agente (ASCII)
python scripts/agent_orchestrator.py agent.yaml --visualize

# Saída:
# ┌─────────────────────────────────────────┐
# │            research_assistant           │
# │              (Padrão ReAct)             │
# └─────────────────┬───────────────────────┘
#                   │
#          ┌────────▼────────┐
#          │   Query do Usuário  │
#          └────────┬────────┘
#                   │
#          ┌────────▼────────┐
#          │     Pensar      │◄──────┐
#          └────────┬────────┘       │
#                   │                │
#          ┌────────▼────────┐       │
#          │  Selecionar Tool │       │
#          └────────┬────────┘       │
















python scripts/agent_orchestrator.py agent.yaml --visualize --format mermaid

---

Workflows de Prompt Engineering

Workflow de Otimização de Prompt

Use ao melhorar a performance de um prompt existente ou reduzir custos de tokens.

Passo 1: Estabelecer baseline do prompt atual

python scripts/prompt_optimizer.py current_prompt.txt --analyze --output baseline.json

Passo 2: Identificar problemas Revise o relatório de análise para:

• Desperdício de tokens (instruções redundantes, exemplos verbosos)
• Instruções ambíguas (formato de saída unclear, verbos vagos)
• Restrições ausentes (sem limites de comprimento, sem especificação de formato)

Passo 3: Aplicar padrões de otimização

Problema	Padrão a Aplicar
Saída ambígua	Adicionar especificação de formato explícita
Muito verboso	Extrair para exemplos few-shot
Resultados inconsistentes	Adicionar framing de papel/persona
Edge cases ausentes	Adicionar limites de restrição

Passo 4: Gerar versão otimizada

python scripts/prompt_optimizer.py current_prompt.txt --optimize --output optimized.txt

Passo 5: Comparar resultados

python scripts/prompt_optimizer.py optimized.txt --analyze --compare baseline.json
# Mostra: redução de tokens, melhoria de clareza, problemas resolvidos

Passo 6: Validar com casos de teste Execute ambos os prompts contra seu conjunto de avaliação e compare as saídas.

---

Design de Exemplos Few-Shot

Use ao criar exemplos para aprendizado em contexto.

Passo 1: Definir a tarefa claramente

Tarefa: Extrair entidades de produto de avaliações de clientes
Entrada: Texto da avaliação
Saída: JSON com {product_name, sentiment, features_mentioned}

Passo 2: Selecionar exemplos diversificados (3-5 recomendados)

Tipo de Exemplo	Propósito
Caso simples	Mostra padrão básico
Caso extremo	Lida com ambiguidade
Caso complexo	Múltiplas entidades
Caso negativo	O que NÃO extrair

Passo 3: Formatar consistentemente

Exemplo 1:
Entrada: "Adorei meu novo iPhone 15, a câmera é incrível!"
Saída: {"product_name": "iPhone 15", "sentiment": "positive", "features_mentioned": ["camera"]}

Exemplo 2:
Entrada: "O notebook foi ok mas a bateria é terrível."
Saída: {"product_name": "notebook", "sentiment": "mixed", "features_mentioned": ["battery life"]}

Passo 4: Validar qualidade dos exemplos

python scripts/prompt_optimizer.py prompt_with_examples.txt --validate-examples
# Verifica: consistência, cobertura, alinhamento de formato

Passo 5: Testar com casos não vistos Garanta que o modelo generaliza além dos seus exemplos.

---

Design de Saída Estruturada

Use quando precisar de respostas JSON/XML/estruturadas confiáveis.

Passo 1: Definir schema

{
  "type": "object",
  "properties": {
    "summary": {"type": "string", "maxLength": 200},
    "sentiment": {"enum": ["positive", "negative", "neutral"]},
    "confidence": {"type": "number", "minimum": 0, "maximum": 1}
  },
  "required": ["summary", "sentiment"]
}

Passo 2: Incluir schema no prompt

Responda com JSON seguindo este schema:
- summary (string, máx. 200 chars): Resumo breve do conteúdo
- sentiment (enum): Um de "positive", "negative", "neutral"
- confidence (número 0-1): Sua confiança no sentimento

Passo 3: Adicionar imposição de formato

IMPORTANTE: Responda SOMENTE com JSON válido. Sem markdown, sem explicação.
Comece sua resposta com { e termine com }

Passo 4: Validar saídas

python scripts/prompt_optimizer.py structured_prompt.txt --validate-schema schema.json

---

Documentação de Referência

Arquivo	Contém	Carregar quando o usuário perguntar sobre
references/prompt_engineering_patterns.md	10 padrões de prompt com exemplos de entrada/saída	"qual padrão?", "few-shot", "chain-of-thought", "role prompting"
references/llm_evaluation_frameworks.md	Métricas de avaliação, métodos de scoring, teste A/B	"como avaliar?", "medir qualidade", "comparar prompts"
references/agentic_system_design.md	Arquiteturas de agente (ReAct, Plan-Execute, Tool Use)	"construir agente", "tool calling", "multi-agent"

---

Referência Rápida de Padrões Comuns

Padrão	Quando Usar	Exemplo
Zero-shot	Tarefas simples e bem definidas	"Classifique este email como spam ou não spam"
Few-shot	Tarefas complexas, formato consistente necessário	Forneça 3-5 exemplos antes da tarefa
Chain-of-Thought	Raciocínio, matemática, lógica multi-etapas	"Pense passo a passo..."
Role Prompting	Expertise necessária, perspectiva específica	"Você é um contador fiscal especialista..."
Saída Estruturada	Precisa de JSON/XML parseável	Inclua schema + imposição de formato

---

Comandos Comuns

# Análise de Prompt
python scripts/prompt_optimizer.py prompt.txt --analyze          # Análise completa
python scripts/prompt_optimizer.py prompt.txt --tokens           # Apenas contagem de tokens
python scripts/prompt_optimizer.py prompt.txt --optimize         # Gerar versão otimizada

# Avaliação RAG
python scripts/rag_evaluator.py --contexts ctx.json --questions q.json  # Avaliar
python scripts/rag_evaluator.py --contexts ctx.json --compare baseline  # Comparar com baseline

# Desenvolvimento de Agente
python scripts/agent_orchestrator.py agent.yaml --validate       # Validar config
python scripts/agent_orchestrator.py agent.yaml --visualize      # Mostrar workflow
python scripts/agent_orchestrator.py agent.yaml --estimate-cost  # Estimativa de tokens