Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Prompts condicionais e ramificados

Aula 11 de 16 Atualizada a 5 de novembro de 2026 Iniciante
Nesta página
  1. Escreva uma regra “se/então”
  2. Combine múltiplos critérios
  3. Classifique uma lista inteira numa única passagem
  4. Produza múltiplas versões da mesma mensagem
  5. Aninhe condições
  6. Utilize condições como guardas
  7. A sua vez
  8. Pontos-chave

Até agora, os seus prompts seguiram um caminho linear: uma instrução, um resultado. As situações profissionais do mundo real raramente são tão dóceis. O que fazer quando a resposta certa depende de uma característica que só conhecerá após processar o caso, ou quando precisa de cobrir múltiplos cenários numa única passagem? Os prompts condicionais e ramificados absorvem esta variabilidade: em vez de escrever um prompt separado para cada cenário, escreve a regra que os discrimina uma única vez.

Escreva uma regra “se/então”

O condicional mais simples descreve os casos possíveis e a ação associada a cada um. Imagine que modera avaliações no perfil da sua empresa: os comentários chegam diariamente, misturados, e nem todos exigem a mesma resposta.

Analyze this customer review and respond appropriately.

Rules:
- If the review is positive: thank them warmly and invite
  them to leave a Google review
- If the review is negative: apologize, ask for
  details about the issue, and offer direct contact
- If the review is a question: answer factually and offer
  to take it further by email
- If the review is spam: simply state "SPAM - delete"

Review: "[PASTE REVIEW HERE]"

Este único prompt cobre quatro casos e permite-lhe processar dezenas de avaliações sem reescrever nada entre elas. A mudança é mais profunda do que parece: já não precisa de classificar previamente para escolher o prompt certo; a classificação faz agora parte da instrução.

Combine múltiplos critérios

Quando a resposta depende de duas ou três variáveis em simultâneo, escreva as suas condições como uma árvore de decisão. Um consultor de carreira não dá o mesmo conselho a um profissional júnior que muda de carreira do que a um executivo sénior que quer criar uma empresa; o prompt seguinte codifica esse discernimento de uma vez por todas.

You are a professional career counselor.
A candidate provides the following information.
Tailor your recommendations to their profile.

Candidate profile:
- Experience: [JUNIOR (0-2 years) / MID-LEVEL (3-7 years) / SENIOR (8+ years)]
- Current sector: [SECTOR]
- Goal: [ADVANCEMENT / CAREER CHANGE / START A BUSINESS]
- Constraint: [GEOGRAPHIC / SALARY / TIME / NONE]

Adaptation rules:
- If JUNIOR + ADVANCEMENT: focus on skills to acquire
  and relevant training
- If JUNIOR + CAREER CHANGE: emphasize transferable skills
  and suggest concrete bridges
- If MID-LEVEL + ADVANCEMENT: propose positioning strategies
  and targeted networking
- If MID-LEVEL + START A BUSINESS: assess feasibility and propose
  a gradual transition plan
- If SENIOR + ADVANCEMENT: steer toward leadership or
  advisory roles, with personal branding
- If SENIOR + START A BUSINESS: leverage existing expertise
  and network

If GEOGRAPHIC constraint: include remote-first options.
If SALARY constraint: prioritize fast-income options.
If TIME constraint: propose an accelerated plan.

Observe a estrutura e não o conteúdo: a interseção entre experiência e objetivo determina o substância do conselho, enquanto a restrição atua como um filtro aplicado sobre o resultado. Separar estes dois níveis em vez de combinar tudo evita escrever dezoito regras quando nove bastam — e permite-lhe adicionar uma quarta restrição amanhã sem reescrever toda a árvore.

Classifique uma lista inteira numa única passagem

O mesmo mecanismo transforma uma tarefa manual de qualificação numa única operação. Numa exportação de leads, as condições atuam como uma grelha de pontuação, e a tabela impõe um entregável que a equipa de vendas pode utilizar imediatamente, sem reformatação.

Here is a list of 10 sales leads. For each, assess
priority and propose the appropriate follow-up action.

Scoring rules:
- If the lead visited the pricing page: HOT -> propose a call
- If the lead downloaded a white paper: WARM -> send a
  personalized nurturing email
- If the lead only subscribed to the newsletter: COLD -> add
  to the automated sequence
- If the lead requested a demo: VERY HOT -> call within 24h

For each lead, produce:
| Name | Behavior | Score | Recommended action | Personalized message (2 lines) |

Leads:
1. Marie L. - visited pricing + downloaded the "ROI Guide" white paper
2. Thomas D. - subscribed to newsletter 3 months ago, no activity since
3. Sophie R. - demo request received yesterday, company of 200 employees
[...]

Uma precaução antes de colar uma lista como esta: envolve dados pessoais. Verifique o que o seu plano e as regras da sua empresa permitem. Nos planos Business, Enterprise e Edu, a OpenAI não utiliza o seu conteúdo para treinar os seus modelos por predefinição; nos planos pessoais, pode ser utilizado para treino, a menos que o tenha desativado nas suas definições de controlo de dados. Em qualquer caso, mantenha apenas a informação necessária para a classificação, por exemplo, um primeiro nome e uma inicial em vez de um nome completo e morada.

Produza múltiplas versões da mesma mensagem

Uma variante útil consiste em não pedir uma escolha, mas sim todas as ramificações de uma vez. Esta é a situação típica de um anúncio sensível que deve circular para diferentes públicos sem nunca se contradizer de um canal para outro.

We are preparing an announcement about a restructuring of the sales team.
Write 3 versions of the message based on context.

Scenario A - Team meeting (direct, transparent tone):
The announcement is made in person to the affected team.
Priority: honesty and addressing concerns.

Scenario B - Internal email to the entire company (factual, reassuring tone):
General information sent to all employees.
Priority: clarity and message stability.

Scenario C - Communication to clients (professional, confident tone):
Message intended for key clients who have a dedicated contact.
Priority: service continuity and trust.

For each scenario, produce:
1. The full message (200 words max)
2. The 3 likely questions and prepared answers
3. The main point of vigilance

Obter as três versões numa única resposta não é apenas uma poupança de tempo; é uma vitória de consistência: o modelo tem as outras duas à vista enquanto redige cada uma, o que não aconteceria se abrisse três conversas separadas.

Construa uma árvore de condições Quatro passos: descreva os casos possíveis; escreva uma regra se/então para cada um; inclua um caso padrão; teste com três entradas que acionem ramificações diferentes. SE, ENTÃO, SENÃO Construa uma árvore de condições 1 Caso Descreva os casos possíveis 2 Regras Se…, então… 3 Padrão Um caso padrão 4 Teste Três entradas diferentes Uma condição vaga como "se o tom for médio" não significa nada para o modelo: torne-a observável.
Com base no artigo "Best practices for prompt engineering with the OpenAI API" do Centro de Ajuda da OpenAI (novembro de 2026).

Aninhe condições

Para compromisos verdadeiramente complexos, aninhe condições como faria numa nota de âmbito. O exemplo abaixo faz a recomendação depender de um primeiro nível de orçamento e, depois, dentro de cada nível, de um segundo critério que não é o mesmo em toda a parte — ciclo de vendas para orçamentos extremos, maturidade do mercado para o nível intermédio.

Help me choose the best customer acquisition strategy.

Decision parameters:
- Monthly budget: [AMOUNT]
- Sales cycle: [SHORT (< 1 month) / LONG (> 3 months)]
- Market maturity: [MATURE / EMERGING]

Recommendation logic:
IF budget < 5,000 EUR:
  IF cycle SHORT -> SEO + content marketing
  IF cycle LONG -> Organic LinkedIn + email nurturing
IF budget 5,000-20,000 EUR:
  IF market MATURE -> Google Ads + retargeting
  IF market EMERGING -> Content + industry events
IF budget > 20,000 EUR:
  IF cycle SHORT -> Google Ads + LinkedIn Ads + SDR
  IF cycle LONG -> ABM (Account Based Marketing) + events

For each recommendation, detail:
1. Budget allocation by channel
2. KPIs to track
3. Expected results at 3 and 6 months

Utilize condições como guardas

As regras condicionais não servem apenas para orientar o conteúdo: podem monitorizar a qualidade do output enquanto este está a ser escrito. Cada “se” torna-se uma instrução de autocorreção que o modelo aplica ao seu próprio texto, em vez de o deixar descobrir o problema durante a revisão.

Write an 800-word blog post on e-commerce trends in 2026.

Guardrails:
- If you mention a statistic, cite the source or indicate
  "estimate" in parentheses
- If you claim a trend is "the most important," justify
  with at least 2 arguments
- If a paragraph exceeds 100 words, split it in two
- If you use a technical term, add an explanation in
  parentheses the first time
- If you can't find a concrete example for a point, flag it
  with [ADD EXAMPLE]

A sua vez

Construa e teste a sua própria árvore de decisão. Escolha uma tarefa que repete onde os cenários variam e encaixe-a nesta matriz.

[YOUR RECURRING TASK]

Conditions:
- If [CONDITION A] then [ACTION A]
- If [CONDITION B] then [ACTION B]
- If [CONDITION C] then [ACTION C]
- If no condition applies: [DEFAULT ACTION]

Apply these conditions to:
[YOUR DATA]

Depois, teste com pelo menos três entradas diferentes, escolhidas para acionar ramificações distintas. Este teste revela quase sempre um de três defeitos clássicos. Uma condição formulada em termos vagos — “se o tom for médio” — não significa nada para o modelo: substitua-a por um critério objetivo ou forneça um exemplo de cada categoria. A ausência de um caso padrão deixa o modelo a improvisar assim que uma entrada sai do quadro esperado, e é aí que surgem respostas incongruentes; a linha “senão / em todos os outros casos” nunca é supérflua. Por fim, além de seis ou sete ramificações, o prompt torna-se impossível de manter: não saberá qual produziu um determinado resultado. Simplifique ou divida-o em vários prompts encadeados.

Fontes oficiais: Best practices for prompt engineering with the OpenAI API · How your data is used to improve model performance (Centro de Ajuda da OpenAI)

Pontos-chave

  • Os prompts condicionais adaptam a resposta a diferentes casos utilizando regras “se/então”.
  • A ramificação multicritério permite lidar com situações complexas num único prompt.
  • O processamento em lote com condições automatiza a análise de listas inteiras.
  • Os prompts multicenário produzem várias versões adaptadas a diferentes contextos.
  • Inclua sempre um caso padrão e limite o número de ramificações para manter a clareza.
  • Antes de processar dados pessoais, verifique o que o seu plano e a sua empresa permitem e minimize os dados ao estritamente necessário.