Prompt Engineering Avançado: Técnicas que Realmente Funcionam

# ❌ Prompt direto — modelo adivinha a resposta
prompt = """
Uma loja vende camisetas a R$35 e calças a R$89.
João comprou 3 camisetas e 2 calças. Quanto gastou?
"""

# ✅ Chain-of-Thought — modelo raciocina antes de responder
prompt = """
Uma loja vende camisetas a R$35 e calças a R$89.
João comprou 3 camisetas e 2 calças. Quanto gastou?

Vamos resolver passo a passo:
"""

# Ou com zero-shot CoT (mais simples):
prompt = """
Uma loja vende camisetas a R$35 e calças a R$89.
João comprou 3 camisetas e 2 calças. Quanto gastou?

Pense passo a passo antes de responder.
"""

system = """
Você classifica o sentimento de avaliações de produtos.
Responda apenas: POSITIVO, NEGATIVO ou NEUTRO.
"""

prompt = """
Exemplos:
Avaliação: "Produto chegou rápido e funciona perfeitamente!"
Sentimento: POSITIVO

Avaliação: "Veio com defeito e o suporte não resolveu."
Sentimento: NEGATIVO

Avaliação: "Produto ok, entrega dentro do prazo."
Sentimento: NEUTRO

---
Avaliação: "Esperava mais pelo preço, mas cumpre o básico."
Sentimento:
"""

from openai import OpenAI
from collections import Counter

client = OpenAI()

def self_consistent_answer(question: str, n: int = 5) -> str:
    respostas = []
    
    for _ in range(n):
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=[
                {"role": "system", "content": "Resolva o problema passo a passo."},
                {"role": "user", "content": question},
            ],
            temperature=0.7,  # variação intencional entre as gerações
        )
        
        # Extrai a resposta final (última linha ou valor numérico)
        texto = response.choices[0].message.content
        resposta_final = extrair_resposta_final(texto)
        respostas.append(resposta_final)
    
    # Votação majoritária
    contador = Counter(respostas)
    return contador.most_common(1)[0][0]

# Estrutura simplificada de ToT
tof_prompt = """
Problema: {problema}

Gere 3 abordagens diferentes para resolver este problema.
Para cada abordagem, avalie sua viabilidade (1-10) e estime o resultado.
Então, escolha a melhor abordagem e desenvolva a solução completa.

Formato:
Abordagem 1: ...
  Viabilidade: X/10
  Estimativa: ...

Abordagem 2: ...
  Viabilidade: X/10
  Estimativa: ...

Abordagem 3: ...
  Viabilidade: X/10
  Estimativa: ...

Melhor abordagem: [número]
Solução completa: ...
"""

from pydantic import BaseModel
from openai import OpenAI

client = OpenAI()

class AnaliseTexto(BaseModel):
    sentimento: str          # "positivo" | "negativo" | "neutro"
    confianca: float         # 0.0 a 1.0
    pontos_positivos: list[str]
    pontos_negativos: list[str]
    resumo: str

def analisar_avaliacao(texto: str) -> AnaliseTexto:
    completion = client.beta.chat.completions.parse(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "Analise avaliações de produtos."},
            {"role": "user", "content": texto},
        ],
        response_format=AnaliseTexto,
    )
    return completion.choices[0].message.parsed

# Crie um conjunto de teste com respostas esperadas
test_cases = [
    {"input": "...", "expected": "..."},
    # 20-50 exemplos representativos
]

def avaliar_prompt(prompt_template: str, test_cases: list) -> float:
    corretos = 0
    for caso in test_cases:
        resposta = chamar_llm(prompt_template, caso["input"])
        if comparar(resposta, caso["expected"]):
            corretos += 1
    return corretos / len(test_cases)

# Compare versões com o mesmo conjunto de teste
score_v1 = avaliar_prompt(prompt_v1, test_cases)
score_v2 = avaliar_prompt(prompt_v2, test_cases)

print(f"v1: {score_v1:.1%} | v2: {score_v2:.1%}")
# Decisão baseada em dados, não intuição