Engenharia de Prompt em Maio de 2026: A Mudança de Geração de Modelos

O panorama geral: três gerações de modelos em três semanas

Algo raro aconteceu no último mês: os três principais provedores de IA lançaram uma nova geração de modelos com poucas semanas de diferença entre si. O Claude Opus 4.7 chegou em 16 de abril, o GPT-5.5 se tornou o padrão do ChatGPT em 5 de maio, e o Google apresentou o Gemini 3 no I/O em 12 de maio.

Cada geração de modelos carrega sua própria filosofia de prompting. O tema unificador entre as três é uma mudança de um enfoque centrado no processo para um centrado no resultado. Esses modelos lidam com a complexidade do raciocínio internamente. Eles precisam que quem os usa descreva o destino com precisão e depois saia do caminho.

Eis o que mudou e o que fazer a respeito.

Claude Opus 4.7: Diga exatamente o que você quer dizer

O Claude Opus 4.7 é o modelo de disponibilidade geral mais capaz da Anthropic. Ele obteve 87,6% no SWE-bench Verified (ante 80,8% do Opus 4.6), e suas capacidades de visão agora suportam imagens de até 2.576 pixels no lado mais longo, mais de três vezes a resolução anterior.

A mudança de prompting mais importante: o Opus 4.7 interpreta as instruções de forma mais literal do que o 4.6. Prompts que dependiam de o modelo preencher lacunas ou inferir restrições não declaradas agora têm desempenho pior. Se você quer um formato, comprimento, tom ou estrutura específicos, precisa declará-los explicitamente.

O que começar a fazer

• Audite os prompts existentes em busca de suposições implícitas. Qualquer restrição que você presumia que o modelo inferiria precisa ser escrita explicitamente.
• Seja explícito sobre o formato de saída (JSON, markdown, texto simples), o comprimento (número de palavras ou parágrafos), o tom (formal, conversacional, técnico) e a estrutura (seções, cabeçalhos, marcadores).

O que parar de fazer

• Remova o andaime que os modelos mais antigos precisavam. Instruções como "verifique novamente o layout do slide antes de responder" ou mensagens de status intermediárias forçadas são desnecessárias. O Opus 4.7 se autoverifica e emite atualizações de progresso nativamente. Remover esse andaime melhora a qualidade da saída ao reduzir o ruído no conjunto de instruções.

Novas capacidades

• Nível de esforço xhigh. A Anthropic introduziu um quinto nível de esforço entre "high" e "max". É o padrão no Claude Code para tarefas de codificação agêntica. Use xhigh para codificação e fluxos de trabalho agênticos de várias etapas, high para tarefas sensíveis à inteligência, medium para conversação padrão, e low para classificação e extração.
• Resolução de visão 3x. Planilhas densas, diagramas complexos, capturas de tela de dashboards e notas manuscritas que antes eram ilegíveis agora podem ser processadas com alta fidelidade.

Junto com o Opus 4.7, a Anthropic lançou o Claude Design, uma prévia de pesquisa para criar saídas visuais ao vivo baseadas em HTML por meio de iteração conversacional, e o Claude for Small Business, um pacote de conectores para QuickBooks, PayPal, HubSpot e outras plataformas.

GPT-5.5: O prompting centrado no resultado se torna oficial

O GPT-5.5 agora é o modelo padrão em todo o ChatGPT e na API da OpenAI. Ele suporta uma janela de contexto de 1M de tokens, entrada de imagem, saídas estruturadas, function calling, MCP e busca na web.

A orientação de prompting da OpenAI torna a mudança de paradigma explícita: os melhores prompts para o GPT-5.5 costumam ser mais curtos e simples. A complexidade que antes vivia no prompt agora é tratada pelo modelo.

Três mudanças para internalizar

1. Pare de descrever esquemas de saída nos prompts. Use Structured Outputs (o parâmetro de API response_format) para validação automática e maior precisão. Essa é agora a recomendação oficial.
2. Coloque a orientação de ferramentas nas descrições das ferramentas, não nos prompts de sistema. O que uma ferramenta faz, quando usá-la, entradas necessárias, efeitos colaterais, segurança em novas tentativas, modos de erro comuns: tudo isso pertence à própria descrição da ferramenta. As instruções de sistema devem conter apenas políticas transversais que se apliquem a todas as ferramentas.
3. Use parágrafos simples por padrão. A OpenAI agora recomenda a prosa como formato padrão para conversas, explicações, relatórios e documentação. Cabeçalhos, negrito, marcadores e listas numeradas devem ser usados com moderação: apenas quando o usuário solicitar, quando for necessário classificar ou comparar, ou quando a prosa for mais difícil de escanear.

Formato padrão

Vale a pena enfatizar isso: o GPT-5.5 produz melhores resultados quando os prompts não forçam a formatação estruturada em todos os lugares. Se você tem adicionado "responda com marcadores" ou "use cabeçalhos para cada seção" por padrão, teste removê-los. A saída em prosa natural do modelo costuma ter qualidade superior.

Gemini 3: O salto de raciocínio e a visão agêntica

O Google lançou o Gemini 3 no I/O 2026 (12 de maio), representando seu maior salto de modelo desde a transição do Gemini 1 para o 2. O Gemini 3 Pro traz melhorias significativas em raciocínio, seguimento de instruções, uso de ferramentas e capacidades de contexto longo em comparação com o Gemini 2.5 Pro.

O destaque: Visão Agêntica

O Agentic Vision, disponível no Gemini 3 Flash, combina raciocínio visual com execução de código. O modelo pode formular planos para ampliar, inspecionar e manipular imagens passo a passo, fundamentando as respostas em evidências visuais. Isso é fundamentalmente diferente de pedir a um modelo que descreva uma imagem: você pode pedir que ele a investigue.

Mudanças de prompting

• Substitua o chain-of-thought explícito pelo parâmetro de API. Se você usava prompting de CoT complexo para forçar o raciocínio do Gemini 2.5, experimente o Gemini 3 com thinking_level: "high" e prompts simplificados em vez disso. O parâmetro anterior thinking_budget está obsoleto.
• Pare de sobrescrever a temperatura. Remova as configurações manuais de temperatura e use o padrão do Gemini 3 de 1.0. Configurá-la abaixo de 1.0 pode causar loops ou degradação de desempenho.
• Use a variante de modelo correta. O Gemini 3 Pro Preview foi descontinuado em 26 de março de 2026. Use gemini-3.1-pro-preview para projetos atuais. Se o modelo ignorar ferramentas personalizadas, experimente gemini-3.1-pro-preview-customtools.

A pilha de protocolos se consolida

Desde março, a pilha de protocolos MCP + A2A passou de um consenso emergente para o padrão empresarial.

O MCP ultrapassou 97 milhões de downloads mensais de SDK (Python + TypeScript combinados) e foi adotado por todos os principais provedores de IA: Anthropic, OpenAI, Google, Microsoft e Amazon. Tanto o MCP quanto o A2A agora são governados pela Agentic AI Foundation (AAIF) da Linux Foundation, lançada em dezembro de 2025 com seis cofundadores.

O Google ADK 1.0 se tornou GA no Cloud Next 2026 para Python, Go, Java e TypeScript. O protocolo A2A ultrapassou 150 organizações em produção. A arquitetura está cada vez mais padronizada: MCP para acesso a ferramentas (como os agentes interagem com sistemas externos) e A2A para colaboração entre agentes (como os agentes de IA trabalham juntos).

Para quem trabalha com engenharia de prompt, isso significa que o trabalho está se expandindo. Você não está mais apenas escrevendo prompts de sistema: está escrevendo descrições de ferramentas, definindo limites de papéis de agentes e projetando pipelines de montagem de contexto.

A engenharia de contexto se torna mainstream

Em abril, o Gartner declarou a engenharia de contexto a capacidade revelação de IA de 2026. Os dados agora confirmam isso: de acordo com o 2026 State of Context Management Report, 82% dos líderes de TI e dados concordam que a engenharia de prompt sozinha não é mais suficiente para potencializar a IA em escala, e 95% das equipes de dados planejam investir em treinamento de engenharia de contexto neste ano.

Agentic Context Engineering (ACE), apresentada por pesquisadores da Stanford University, SambaNova Systems e UC Berkeley, trata o contexto como um playbook em evolução que o agente pode atualizar ao longo do tempo, em vez de um prompt fixo. Essa é a articulação mais clara da diferença entre engenharia de prompt (otimizar instruções estáticas) e engenharia de contexto (projetar ambientes de informação dinâmicos).

Duas técnicas estão emergindo como críticas para agentes que trabalham em horizontes temporais estendidos:

• Compactação: Resumir e descartar o raciocínio intermediário para evitar a poluição do contexto à medida que o comprimento da conversa cresce.
• Anotação estruturada: Ensinar os agentes sobre o que lembrar e o que esquecer, mantendo uma memória de trabalho curada em vez de uma janela de contexto ilimitada.

O que fazer esta semana

Se você usa Claude:

• Audite seus prompts em busca de suposições implícitas. O seguimento literal de instruções do Opus 4.7 significa que restrições não declaradas serão ignoradas. Seja explícito sobre formato, comprimento, tom e estrutura.
• Experimente o nível de esforço xhigh para tarefas agênticas e de codificação. Remova o andaime manual (atualizações de status forçadas, instruções de autoverificação): o modelo lida com isso nativamente.
• Se você trabalha com imagens, teste novamente com a visão de resolução mais alta do Opus 4.7. Documentos e dashboards que antes eram ilegíveis agora podem ser processáveis.

Se você usa OpenAI:

• Mova os esquemas de saída dos prompts para Structured Outputs. Essa é agora a recomendação oficial para o GPT-5.5.
• Mova a orientação de ferramentas dos prompts de sistema para as descrições das ferramentas. Os prompts de sistema devem conter apenas políticas transversais.
• Teste se seus prompts podem ser encurtados. O GPT-5.5 lida com complexidade para a qual modelos mais antigos precisavam de instruções explícitas passo a passo.

Se você usa Google:

• Migre do Gemini 2.5 Pro para o Gemini 3.1 Pro. Substitua o prompting de chain-of-thought explícito por thinking_level: "high".
• Remova as configurações manuais de temperatura e use o novo padrão (1.0).
• Explore o Agentic Vision para qualquer fluxo de trabalho que envolva análise de imagens ou raciocínio visual.

Para todas as plataformas:

• Invista em infraestrutura de engenharia de contexto (pipelines de recuperação, esquemas de ferramentas, memória estruturada) em vez de prompts de sistema mais longos.
• Escreva as descrições de ferramentas com tanto cuidado quanto os prompts de sistema: é aí que o esforço de prompting cada vez mais entrega o maior ROI.