Engenharia de Prompt, Contexto e Harness: as três camadas que definem como a IA realmente trabalha

Desde 2022, três termos passaram a circular com frequência crescente entre quem trabalha com inteligência artificial: engenharia de prompt, engenharia de contexto e engenharia de harness. São conceitos com fronteiras ainda em construção — e entender a diferença entre eles é cada vez mais relevante para quem usa IA em processos reais de trabalho.

A Anthropic, empresa por trás do assistente Claude, descreve a engenharia de contexto como uma “evolução natural da engenharia de prompt”. O desenvolvedor Martin Fowler posiciona a engenharia de harness como uma camada ainda mais ampla, que engloba as anteriores. Para organizar esses três conceitos, uma metáfora simples ajuda: pense em um motoboy fazendo uma entrega em uma cidade movimentada.

Engenharia de Prompt: o endereço certo faz toda a diferença

Você contrata um motoboy e diz: “Entrega no mercado da esquina.” Ele sai, faz a entrega — mas no mercado errado, porque havia dois na mesma rua. A instrução era verdadeira, mas ambígua.

Engenharia de prompt é exatamente isso: eliminar a ambiguidade das instruções. Não se trata de fórmulas mágicas de escrita, mas de deixar os critérios de sucesso explícitos o suficiente para que o modelo não interprete o pedido da forma errada.

A instrução “entrega no Mercado São Luís, na Rua das Flores, número 340, para o João do caixa” não dá margem para erro. A anterior, dava. A habilidade do motoboy não mudou — o que mudou foi a qualidade da comunicação.

Engenharia de Contexto: o mapa, o trânsito e o que acontece no meio do caminho

Agora a instrução está perfeita. Mas o motoboy não sabe que a Rua das Flores está interditada por obras, que há um buraco fundo no acesso alternativo e que o João só está no caixa até as 17h. Ele sai, topa com os obstáculos, improvisa mal e a entrega atrasa.

Engenharia de contexto é o conjunto de informações que você entrega à IA para que ela execute bem — não só o pedido, mas tudo o que ela precisa saber para navegar a realidade do percurso. E há dois momentos em que isso acontece:

• Antes da saída — o mapa com as rotas alternativas, o horário limite, as condições conhecidas do trajeto. No vocabulário técnico: instruções de sistema, documentos de referência, conhecimento prévio injetado no contexto.
• Durante o trajeto — o rádio que avisa em tempo real sobre o acidente na avenida principal ou a chuva que fechou a pista. No vocabulário técnico: RAG (recuperação de informações externas), resultados de ferramentas, feedback de execução.

A Anthropic reforça que contexto deve ser tratado como recurso finito: mais informação nem sempre é melhor. O que importa é entregar as informações certas, no momento certo, na quantidade adequada — sem sobrecarregar o motoboy com um manual de 50 páginas antes de cada entrega.

Engenharia de Harness: a estrutura que garante que a operação funcione sempre

Instrução clara, motoboy bem informado — e mesmo assim, depois de algumas semanas, a operação começa a desandar. Às vezes ele pega o caminho errado. Os tempos de entrega variam sem explicação. Quando algo dá errado, ninguém sabe exatamente onde o problema aconteceu. E quando um motoboy decide tomar uma decisão por conta própria, não há nada que impeça.

É aqui que entra o harness — palavra inglesa que designa o conjunto de equipamentos que conecta e controla um sistema. No contexto de IA, engloba toda a estrutura de execução externa ao modelo: ferramentas, restrições, monitoramento e ciclos de verificação.

Pense na central de logística que opera por trás da entrega. Ela tem quatro elementos essenciais:

• Ferramentas — a mochila térmica, o GPS, o aplicativo de rotas. Equipamentos que tornam a execução mais rápida e precisa. Em IA: acesso a arquivos, busca na web, execução de código.
• Guardrails (grades de proteção) — as regras que definem o que o motoboy pode e não pode fazer: não aceitar entregas fora da zona coberta, não subir em calçadas, não ultrapassar o valor de reembolso autorizado. Em IA: controle de permissões, sandboxes, restrições sobre operações executáveis.
• Observação — o rastreamento em tempo real que registra cada etapa do trajeto e aciona um alerta se o motoboy desviar da rota sem justificativa. Em IA: logs, hooks e monitoramento de ações.
• Ciclos de verificação — a reunião semanal onde a central analisa os dados de entrega, identifica padrões de atraso e ajusta as rotas e os processos. Em IA: testes automatizados, integração contínua, avaliação de resultados e iteração.

Sem essa estrutura, mesmo o melhor motoboy com as melhores instruções vai gerar resultados inconsistentes em escala.

As três camadas funcionam juntas

Esses três conceitos não são alternativas entre si — são camadas que se somam conforme a complexidade do que se quer realizar:

• Para obter uma boa resposta de um chatbot: basta um prompt bem construído.
• Para consultar documentos internos com RAG: prompt + contexto.
• Para um agente de IA executar tarefas autônomas por horas: prompt + contexto + harness.

Engenharia de prompt é sobre comunicar sem margem para interpretação errada. Engenharia de contexto é sobre projetar o que a IA enxerga em cada momento da execução. Engenharia de harness é sobre garantir que o sistema inteiro funcione de forma estável, verificável e controlável — independentemente de quem está monitorando.

À medida que os modelos ficam mais capazes e os casos de uso mais autônomos, o peso relativo dessas três disciplinas muda. Mas nenhuma delas se torna dispensável.