De prompts para agentes: como o engenheiro da Doubletapp reformulou a abordagem de IA

Andrey Zharov, desenvolvedor iOS da Doubletapp, compartilhou sua experiência de evolução, que reflete o caminho de toda a indústria. No início — prompts simples e "mágicos" como "make no mistakes" e "write if you need more context", que quase magicamente extraíam código funcional do ChatGPT. Depois — a fase de euforia com agentes, quando parecia que era possível automatizar absolutamente tudo. Mas no final, ele chegou a uma conclusão: era necessária uma abordagem completamente diferente. Não tanto a arte de escrever prompts perfeitos, mas a engenharia de construir uma infraestrutura confiável de IA.

Da magia para a sistematicidade

O primeiro período foi a era do vibe-coding. Abria o ChatGPT, escrevia a tarefa, recebia pedaços de código, montava no aplicativo. Se tivesse sorte, funcionava. Ativava o Deep Thinking — o resultado era mais estável. Parecia que tinham encontrado a varinha mágica. Mas a realidade era mais dura. Os resultados foram instáveis. Os prompts crescem em tamanho, mas a confiabilidade cai. A mesma tarefa é resolvida de forma diferente em dias diferentes. Era necessária uma abordagem completamente diferente — não pedir código ao modelo, mas sistematizar como interagimos com ele.

A indústria evoluiu. Transitaram do simples chat para agentes locais, depois perceberam a importância da orquestração, em vez de apenas encadear chamadas. E em algum momento, todos perceberam juntos: não devemos escrever código no ChatGPT. Em vez disso, devemos escrever prompts que escrevem prompts corretos. E construir uma infraestrutura que funcione de forma confiável com esses prompts.

Context Engineering como fundamento

O ponto-chave é a engenharia de contexto. Não é simplesmente "dê mais contexto e o modelo entenderá". É a construção sistemática de uma arquitetura de que informação e em que ordem o modelo vê, quais ferramentas estão disponíveis para ele e como estão conectadas entre si.

Elementos importantes:

• A preparação correta do contexto é metade do sucesso do agente
• O conjunto de ferramentas deve ser previsível e seguro para o modelo
• O tratamento de erros e reversão devem ser como no código normal
• Testes e monitoramento — não é opcional, é um requisito
• Versionamento de prompts e configurações, como no Git

Não é mais a arte de escrever um super-prompt. É engenharia.

Orquestração em vez de magia

Depois vem a orquestração. Não um único agente grande que faz tudo de uma vez. Mas um sistema onde cada componente é responsável por uma parte. Um analisa o contexto, outro trabalha com a lógica, o terceiro valida o resultado. É semelhante à arquitetura usual de aplicativo, mas aplicada a sistemas de IA.

E aqui aparece um paradoxo interessante: você começa a se preocupar com prompt-injection não como uma vulnerabilidade exótica, mas como parte de sua segurança, como era com SQL-injection. São necessários guardrails, validação de entrada, limpeza de interfaces entre componentes — tudo como no desenvolvimento normal.

Depois vem o meta-prompting — quando o próprio modelo ajuda você a gerar e otimizar prompts. Mas isso não é mais magia, é uma ferramenta.

O que significa isso

Os desenvolvedores passam para um novo nível: de "peça código ao ChatGPT" para "construa um sistema que saiba trabalhar com IA de forma confiável". O desenvolvimento de IA se torna mais previsível, escalável e tecnicamente sólido. Como o desenvolvimento comum, mas com novos desafios.