Engenharia de prompts e a disciplina de projetar entradas para FMs para obter saidas de alta qualidade sem modificar os pesos do modelo. AIP-C01 cobre tanto as tecnicas de prompting quanto a infraestrutura do Bedrock para gerenciar prompts em escala de producao.
Principios fundamentais
Prompts eficazes tem cinco propriedades: clareza (instrucoes inequivocas), especificidade (formato de saida, comprimento, tom definidos explicitamente), contexto (todas as informacoes de fundo devem estar no prompt), atribuicao de papeis e decomposicao passo a passo para tarefas complexas.
Tecnicas principais de prompting
Zero-shot: sem exemplos, usando o conhecimento pre-treinado do FM. Eficaz para classificacao, traducao e resumo diretos. Few-shot: fornece 1-5 pares de demonstracao (entrada → saida). A qualidade do exemplo importa mais que a quantidade. Eficaz para formatos de saida consistentes e padroes especificos de dominio. Chain-of-Thought (CoT): adicionar "Vamos pensar passo a passo" faz o FM mostrar etapas intermediarias de raciocinio. Melhora significativamente a precisao em matematica, logica e analise multi-etapa. Negative prompting: declarar explicitamente o que o modelo NAO deve fazer. Combina com Amazon Bedrock Guardrails para defesa em profundidade.
Infraestrutura de prompts no Bedrock
Prompt Caching armazena o cache KV de prefixos de prompts longos e frequentes. Em um cache hit: o custo de tokens de entrada e reduzido ~90% e a latencia TTFT diminui. Validade do cache: 5 minutos a 1 hora.
Prompt Management fornece controle de versao para prompts como servico do Bedrock. Os prompts sao referenciados por ARN no codigo da aplicacao — atualizar o prompt no Bedrock tem efeito imediato sem reimplantacao.
Prompt Flows e um construtor visual de fluxos de trabalho que conecta prompts, bases de conhecimento, funcoes Lambda e agentes. Permite pipelines GenAI multi-etapa complexos sem escrever codigo de orquestracao.
!Exemplo de ramificação do Bedrock Prompt Flows
Saida estruturada
Para saida estruturada: inclua o esquema JSON no prompt, forneca exemplos few-shot com estrutura JSON correta e use para parar a geracao apos o fechamento. Os modelos Claude suportam (chamada de funcao) para maior confiabilidade em saidas estruturadas.