A Amazon Web Services (AWS) publicou em 29 de setembro de 2026 a segunda parte de sua série sobre engenharia de prompts no Amazon Quick. O primeiro texto tratou de fundamentos como especificidade, definição de contexto, exemplos few-shot e o framework CRISPE para pedidos complexos.
A nova publicação desce ao nível de cada capacidade do produto. Mostra como cada uma interpreta instruções de forma diferente.
O argumento central é direto: não existe prompt universal. O mesmo texto que rende bons resultados em um componente pode produzir respostas genéricas em outro.
Um componente, um conjunto de regras
A publicação da AWS cobre cinco frentes do Amazon Quick. Quick Research, usado para análise de mercado.
Quick Flows, voltado à automação de processos. Quick Sight, para visualização de dados.
Agentes de chat, que dão acesso ao conhecimento acumulado pela equipe. E integrações de ação, que conectam fluxos entre sistemas distintos.
Em cada caso, a empresa descreve os padrões que aumentam a precisão do resultado e as armadilhas que levam a saídas rasas ou inúteis. A ideia de que os princípios gerais se aplicam a tudo permanece válida.
A execução muda conforme a ferramenta.
Quick research: objetivo, audiência e foco
No Quick Research, tudo começa pelo objetivo da pesquisa. O agente decompõe esse objetivo em subtemas, busca informações em dados corporativos e fontes externas e entrega um relatório estruturado com citações.
Um objetivo vago gera um relatório superficial. Um objetivo específico gera algo acionável.
A recomendação da documentação é declarar o que se pretende alcançar, para quem e por quê.
O exemplo usado no texto é uma análise sobre a adoção de IA generativa em sistemas hospitalares dos Estados Unidos nos 12 meses anteriores. O foco são duas áreas: apoio à decisão clínica e automação administrativa (agendamento, faturamento e gestão de registros).
O material é escrito para executivos de TI da saúde que precisam decidir onde investir. Esse nível de detalhe permite que o agente formule subperguntas melhores, escolha fontes relevantes e organize o relatório em torno da necessidade real de quem vai lê-lo.
A publicação sugere ainda que o usuário faça parte do trabalho de decomposição, listando as perguntas específicas que quer ver respondidas. E que revise o plano de pesquisa antes da execução.
O Quick Research consulta dados corporativos via Quick Index, mais de 200 veículos de notícia considerados confiáveis e bases premium como S&P Global, FactSet, IDC, dados de patentes dos Estados Unidos e PubMed. Cada base atende a um tipo de pergunta.
Restringir o conjunto de fontes reduz ruído: uma análise competitiva não precisa do PubMed, e uma revisão de literatura clínica não precisa de notícias.
Quick flows: o que, quando e onde
No Quick Flows, a diferença entre um fluxo que economiza cinco minutos e outro que economiza cinco horas costuma estar na forma como o pedido é escrito. A ferramenta converte descrições em linguagem natural em automações.
A especificidade, a estrutura e o contexto fornecidos determinam o que volta. O erro mais comum, segundo a AWS, é descrever o resultado desejado sem dizer como, quando ou para quem.
O contraste apresentado é exemplar. Em vez de pedir apenas um relatório a partir dos dados de vendas, o prompt eficaz especifica que toda segunda-feira às 8h o sistema deve puxar os dados da semana anterior do CRM.
Deve calcular a receita total e os dez produtos mais vendidos em unidades. Deve gerar um PDF de uma página e enviá-lo à lista de distribuição dos gerentes de vendas.
Cada detalhe vira um passo dentro do fluxo resultante.
A mesma lógica vale para gatilhos. Uma expressão como toda segunda-feira às 8h é clara.
Já quando chegarem novos dados é vaga. A orientação é explicitar qual sistema gera o gatilho, o que conta como dado novo e o que deve acontecer se o gatilho disparar sem dados disponíveis.
Estrutura importa em lógica condicional
Para fluxos com mais de duas ou três operações, a recomendação é escrever o prompt como uma sequência numerada. O Quick Flows suporta ramificações condicionais, laços de repetição e entradas do usuário.
Passos numerados se encaixam naturalmente na estrutura interna da ferramenta. O exemplo do texto descreve um fluxo que recebe um relatório de despesas em PDF ou imagem, extrai valor total, nome do fornecedor, data e categoria.
Encaminha o caso para aprovação no canal de Slack do time financeiro quando o total passa de US$ 500. Após o aval, registra a despesa em uma planilha do Google Sheets com todos os campos extraídos.
Por que isso importa
A série da AWS reforça que a engenharia de prompt deixou de ser um truque genérico e passou a ser uma habilidade específica por produto. Ferramentas que executam pesquisa, automação, visualização ou ação entre sistemas têm vocabulários próprios de instrução.
Quem ignora essas diferenças paga o preço em retrabalho. As regras sobre o que evitar funcionam como um checklist rápido para equipes que estão colocando agentes em produção.
Objetivos sem escopo, gatilhos ambíguos e lógica complexa escondida em texto corrido estão nessa lista.
