Engenharia de Prompts no Amazon Quick: Padrões e Armadilhas por Componente

Cada componente do Amazon Quick tem sua própria lógica

Na Parte 1 desta série, a AWS cobriu os fundamentos da engenharia de prompts no Amazon Quick: especificidade, definição de contexto, exemplos de poucos disparos (few-shot) e o framework CRISPE para requisições complexas. Esses princípios são universais. Agora, no segundo post, a AWS vai além e mostra como cada componente do Quick interpreta prompts de maneira diferente — e quais padrões entregam os melhores resultados em cada um.

Seja usando o Quick Research para análises de mercado, o Quick Flows para automação, o Quick Sight para visualização de dados, agentes de chat para acesso ao conhecimento interno ou integrações de ações para fluxos entre sistemas, as técnicas a seguir ajudam a sair de resultados genéricos para entregas precisas e acionáveis.

Quick Research: defina o objetivo, não a busca

O Quick Research funciona assim: você fornece um objetivo, o agente o divide em subtópicos, pesquisa em fontes corporativas e externas e entrega um relatório estruturado com citações. Um objetivo vago produz um relatório superficial. Um objetivo preciso produz algo que você pode usar de verdade.

Defina a meta, o público e o foco

A documentação da AWS é direta: seja específico sobre o que você quer alcançar, para quem e por quê. Um bom objetivo nomeia o tema, delimita o período, identifica o público e indica quais saídas importam mais. Exemplo:

“Analise a adoção de IA generativa em sistemas hospitalares dos EUA nos últimos 12 meses. Concentre-se em duas áreas: ferramentas de suporte à decisão clínica e automação administrativa (agendamento, faturamento, gestão de prontuários). Escreva os resultados para um público executivo de TI em saúde que está decidindo onde investir a seguir.”

Antes de escrever seu objetivo, vale se perguntar: qual decisão essa pesquisa vai embasar? Quem vai ler? O que faria esse leitor dizer “era exatamente isso que eu precisava”?

Decomponha tópicos complexos em sub-perguntas

O Quick Research já divide objetivos em subtópicos automaticamente, mas fazer parte desse trabalho você mesmo melhora os resultados. Para pesquisas multifacetadas, liste as perguntas específicas que você quer respondidas. Isso dá ao agente uma direção mais clara e reduz a chance de ele seguir tangentes.

Escolha bem as fontes e revise o plano

O Quick Research acessa dados corporativos via Quick Index, mais de 200 fontes de notícias confiáveis e bases de dados premium como S&P Global, FactSet, IDC, dados de patentes dos EUA e PubMed. Após inserir o objetivo, selecione quais fontes incluir e revise o plano de pesquisa gerado. Uma análise competitiva não precisa do PubMed. Uma revisão de literatura clínica não precisa de artigos de notícias. Restringir as fontes foca o agente e reduz o ruído.

Quick Flows: a diferença está nos detalhes do prompt

A diferença entre um fluxo que economiza cinco minutos e um que economiza cinco horas muitas vezes está em como o prompt foi escrito. O Quick Flows transforma descrições em linguagem natural em fluxos de trabalho automatizados, mas a especificidade, a estrutura e o contexto que você fornece moldam diretamente o que você recebe.

Seja específico sobre o quê, quando e onde

O erro mais comum é descrever o que você quer sem especificar como, quando ou para quem. Compare:

Antes: “Crie um relatório a partir dos nossos dados de vendas.”

Depois: “Toda segunda-feira às 8h, busque os dados de vendas da semana anterior no CRM, calcule a receita total e os 10 produtos mais vendidos por unidades, gere um resumo em PDF de uma página e envie por e-mail para a lista de distribuição dos gerentes de vendas.”

O segundo prompt fornece ao Quick Flows âncoras concretas: um cronograma, uma fonte de dados, cálculos específicos, um formato de saída e um destino de entrega. Cada detalhe se mapeia para uma etapa no fluxo resultante. Ao definir gatilhos, seja explícito tanto sobre o horário quanto sobre as condições. “Toda segunda-feira às 8h” é claro. “Quando novos dados chegarem” é vago.

Estruture lógicas complexas como etapas numeradas

Para fluxos com mais de duas ou três operações, escreva o prompt como uma sequência numerada. O Quick Flows suporta ramificações condicionais, laços de repetição e entradas do usuário, e etapas numeradas se mapeiam naturalmente para sua estrutura interna. Exemplo:

“Construa um fluxo que faça o seguinte: 1. Aceite um relatório de despesas enviado (PDF ou imagem) como entrada. 2. Extraia o valor total, nome do fornecedor, data e categoria da despesa do documento. 3. Se o total ultrapassar R$ 500, encaminhe para o canal Slack da equipe financeira para aprovação. 4. Após a aprovação, registre a despesa na planilha do Google Sheets com todos os campos extraídos mais o timestamp de aprovação.”

Essa estrutura facilita a depuração: se a etapa 3 não estiver funcionando, você sabe exatamente onde procurar.

Refine por conversa, não por reescrita

Com o runtime agêntico do Quick Flows, é possível refinar fluxos por conversa após a construção inicial. Em vez de reescrever o prompt inteiro, use instruções de acompanhamento direcionadas. O Quick Flows retém o contexto do prompt original, então os ajustes constroem sobre o que já existe.

Quick Sight: estruture a consulta como uma pergunta de negócio

Com o Amazon Quick Sight, você explora dados por meio de consultas conversacionais. A chave é estruturar as requisições de análise especificando a pergunta de negócio, as dimensões relevantes, os cálculos necessários e as preferências de visualização.

Elementos de uma boa consulta analítica

Toda consulta eficaz no Quick Sight inclui: a pergunta de negócio (que decisão ou insight você busca), as métricas (medidas quantitativas a analisar), as dimensões (como agrupar, filtrar ou segmentar os dados), o período de tempo, o tipo de visualização e análises adicionais (linhas de tendência, limites, marcadores estatísticos ou períodos de comparação). Omitir qualquer um desses elementos força o Quick Sight a adivinhar — o que geralmente produz uma visualização tecnicamente correta, mas inútil.

Padrões de análise por tipo

• Série temporal: “Plote o volume de tickets de suporte ao cliente por nível de prioridade nos últimos 12 meses como um gráfico de linhas empilhadas. Adicione uma linha de tendência para o volume total.”
• Comparativo: “Compare o tamanho médio de negócios por setor e representante de vendas no Q4 2025. Mostre como gráfico de barras agrupadas ordenado por tamanho de negócio decrescente.”
• Relação: “Construa um gráfico de dispersão do valor vitalício do cliente versus frequência de uso do produto. Codifique os pontos por nível de assinatura e adicione uma linha de regressão.”
• Distribuição: “Gere um histograma dos tempos de conclusão de projetos nos últimos seis meses. Use intervalos de duas semanas e sobreponha o tempo-alvo como linha de referência vertical.”
• Geográfico: “Mostre um mapa de calor da distribuição de clientes na América do Norte usando intensidade de cor para representar concentração de receita.”

Refinamento e campos calculados

Ao trabalhar com Tópicos (coleções de dados otimizadas para consultas conversacionais), enquadre as perguntas em torno de resultados de negócio, não de mecânicas de dados. Após gerar uma visualização inicial, refine por acompanhamentos conversacionais. Use linguagem natural para fórmulas:

“Adicione um campo calculado chamado ‘Pontuação de Saúde do Cliente’ que combina probabilidade de renovação (peso 40%), tendência de uso do produto (peso 35%) e frequência de tickets de suporte (peso 25%, inverso — menos tickets significa mais saudável). Mostre como um índice de 0 a 100.”

Agentes de chat do Quick: identidade, conhecimento e limites

Os agentes de chat do Amazon Quick trazem IA conversacional para dentro da organização. Você controla a identidade do agente, conecta bases de conhecimento da empresa, define limites de comportamento e publica para a equipe. A qualidade da experiência depende de quão cuidadosamente você configura o agente.

Defina uma identidade clara

O campo de identidade no Modo Construtor define a base de cada resposta. Uma identidade forte nomeia o papel, define a expertise e traça limites claros. Exemplo:

“Você é um Consultor de Otimização de Custos em Nuvem para nossa equipe de FinOps. Sua expertise cobre gestão de custos AWS, planejamento de instâncias reservadas, análise de planos de economia e dimensionamento correto de recursos. Responda apenas a perguntas sobre otimização de custos em nuvem. Se uma pergunta estiver fora desse escopo, diga isso e sugira a equipe certa para contatar.”

Sem esses limites, agentes tendem a responder perguntas fora de sua expertise com respostas confiantes, mas não confiáveis. Revise periodicamente a identidade do agente conforme as necessidades da equipe evoluem.

Conecte as fontes certas e defina instruções de fallback

Vincular Quick Spaces ao agente determina de quais informações ele pode se valer. Seja deliberado: um agente conectado a todos os Quick Spaces da organização vai trazer conteúdo irrelevante. Combine as fontes de conhecimento com o papel definido do agente.

Igualmente importante é instruir o agente sobre o que fazer quando não tiver uma resposta. Sem instruções explícitas, agentes preenchem lacunas com respostas plausíveis, mas fabricadas. Exemplo de instrução:

“Quando você não tiver informações suficientes para responder com confiança, diga: ‘Não tenho isso na minha base de conhecimento atual. Entre em contato com [equipe relevante] ou consulte [recurso específico] para orientações atualizadas.’ Nunca adivinhe ou fabrique uma resposta.”

Crie prompts sugeridos que ensinam bons hábitos

Os prompts sugeridos são a primeira coisa que os usuários veem. Eles definem expectativas e modelam a especificidade com que o agente performa melhor. Sugestões vagas como “Pergunte sobre custos” ensinam usuários a escrever prompts vagos. Sugestões específicas ensinam hábitos melhores:

• “Quais famílias de instâncias EC2 na nossa conta de produção têm a menor utilização nos últimos 30 dias, e quanto economizaríamos ao dimensioná-las corretamente?”
• “Compare o impacto de custo de migrar nosso uso de RDS sob demanda para um plano reservado de 1 ano versus um plano de economia de 3 anos.”

Integrações de ações: parâmetros completos e sequenciamento claro

Com conectores de ação, o Quick pode interagir com sistemas externos como Jira, Slack, Confluence e Salesforce. Prompts eficazes incluem intenção clara, todos os parâmetros necessários e sequenciamento adequado.

Especificação de parâmetros

Forneça todas as informações necessárias de antemão. Parâmetros incompletos forçam o sistema a fazer perguntas de acompanhamento ou fazer suposições. Exemplo para criação de um ticket no Jira:

“Crie um ticket no Jira com estes detalhes: Projeto: SUPORTE-AO-CLIENTE | Tipo: Bug | Resumo: ‘[Nome do Cliente] — [Breve Descrição]’ | Prioridade: Alta | Responsável: engenheiro de suporte de plantão | Labels: reportado-pelo-cliente, precisa-triagem | Descrição: Inclua os passos de reprodução, comportamento esperado vs. real e o nível de conta do cliente.”

Sequenciamento de ações

Para fluxos com múltiplas etapas, estruture com dependências claras. Numere os passos, especifique condições e deixe explícito qual saída de cada etapa alimenta a próxima. Exemplo:

“Execute estas etapas em ordem: 1. Pesquise no espaço Confluence ‘Documentação do Produto’ páginas existentes sobre [tópico]. 2. Se uma página existir, atualize-a com o novo conteúdo e adicione uma nota de revisão. 3. Se nenhuma página existir, crie uma usando nosso template padrão. 4. Poste um resumo do que mudou (ou foi criado) no canal #product-docs do Slack com um link.”

Revisão antes de executar operações destrutivas

Para operações destrutivas ou em massa, estruture os prompts para incluir uma etapa de revisão antes da execução. Peça ao sistema que gere um relatório de resumo primeiro e só aja após sua aprovação explícita. Construa essa etapa de revisão diretamente no prompt, sem depender apenas de salvaguardas do sistema.

Armadilhas comuns a evitar

A AWS lista os erros mais frequentes por categoria:

Gerais: linguagem vaga que permite múltiplas interpretações; sobrecarregar prompts únicos com muitos requisitos; assumir contexto que a IA não tem; não especificar o formato de saída; não testar com casos extremos realistas; não documentar padrões bem-sucedidos para reuso.

Quick Research: escrever consultas de busca em vez de objetivos de pesquisa; omitir o contexto do público; pular a revisão do plano de pesquisa.

Quick Flows: sobrecarregar um único prompt com muitas operações; pular definições de entrada do usuário; ignorar condições de erro e tratamento de falhas.

Quick Sight: usar métricas vagas sem especificar agregação; não informar contexto de tempo; dimensões pouco claras para agrupamento; comparações ambíguas sem uma linha de base.

Agentes de chat: identidade vaga sem domínios de expertise definidos; vincular espaços com informações desatualizadas; não fornecer instruções de fallback; lançar sem testar no modo Preview.

Integrações de ações: requisições de ação vagas sem parâmetros necessários; dependências pouco claras entre ações; não planejar para falhas ou problemas de autenticação; pular etapas de revisão em operações destrutivas.

Colocando em prática: um plano de quatro semanas

A AWS sugere uma abordagem em fases para aplicar essas técnicas:

• Semana 1 — Fundação: identifique seus três casos de uso mais comuns no Quick; reescreva prompts existentes usando o framework CRISPE da Parte 1; documente os resultados antes e depois.
• Semana 2 — Foco no componente: escolha um componente (Quick Research, Quick Flows, Quick Sight ou agentes de chat); aplique os padrões específicos do componente a fluxos reais; crie templates de prompt reutilizáveis.
• Semana 3 — Técnicas avançadas: implemente recuperação orientada por metadados nas bases de conhecimento; construa um agente personalizado usando o framework ARCHITECT; crie um Quick Flow complexo com lógica condicional.
• Semana 4 — Escala e compartilhamento: documente seus prompts mais eficazes em uma biblioteca compartilhada; treine membros da equipe nos padrões bem-sucedidos; estabeleça mecanismos de feedback para melhoria contínua.

Próximos passos

Para quem quer aprofundar a prática de engenharia de prompts no Amazon Quick, a AWS disponibiliza os seguintes recursos:

• Fundamentos de engenharia de prompts para o Amazon Quick — a Parte 1 da série, com os princípios centrais e o framework CRISPE.
• Página do serviço Amazon Quick — visão geral de todas as capacidades da plataforma.
• Documentação para desenvolvedores do Amazon Quick — cobre configuração de prompts, criação de fluxos e configuração de agentes em detalhes.
• aws-samples/sample-quicksuite-kiro-quickstarts — repositório no GitHub com scripts de API e templates prontos para uso.

Fonte

Prompt engineering by Quick component: Patterns and pitfalls (https://aws.amazon.com/blogs/machine-learning/prompt-engineering-by-quick-component-patterns-and-pitfalls/)