Formato de Prompt para Claude, GPT e Gemini: O Que Muda em Cada Modelo (2026)

Nas primeiras 1.018 avaliações do PromptEval, declarar o formato de saída de forma explícita valeu +29 pontos na média, o maior salto de qualquer decisão isolada. O detalhe que quase ninguém conta: a forma de declarar esse formato, e de separar as partes do prompt, é justamente onde os guias oficiais de OpenAI, Anthropic e Google discordam. Um prompt que tira nota alta no Claude pode cair no GPT se depender de uma convenção que só o Claude entende.

Este é o guia de referência de formato de prompt para Claude, GPT e Gemini em 2026. Cada recomendação abaixo vem do guia oficial do próprio provedor, com o link da fonte, porque no resto do nicho isso é afirmado sem fonte, e os guias mudaram bastante este ano.

O mesmo prompt, três comportamentos

Escreva um prompt de classificação de tickets, cole no Claude, no GPT e no Gemini com temperatura zero. Você não recebe a mesma resposta. Não porque um modelo é "melhor", mas porque cada um foi treinado com convenções de formatação diferentes, e o seu prompt provavelmente depende, sem você perceber, do padrão de um deles.

A causa raiz é simples. Quando o prompt não diz explicitamente como separar instrução de contexto, ou qual formato de saída usar, o modelo preenche a lacuna com o hábito que aprendeu no treino. O hábito do Claude não é o hábito do GPT. Um prompt que "adivinha certo" em um modelo adivinha diferente no outro. A consistência entre modelos é, por isso, um sinal de robustez do prompt: quanto menos ele depende do padrão de uma casa, mais previsível fica em qualquer uma.

O que o guia oficial de cada provedor recomenda

A tabela abaixo é o núcleo deste guia. Cada célula sai do guia de prompting publicado pelo próprio provedor, com o link da fonte na última coluna. Use como checklist antes de mandar o mesmo prompt para dois modelos.

Elemento	GPT (OpenAI)	Claude (Anthropic)	Gemini (Google)
Delimitar seções	Markdown: cabeçalhos, listas, blocos de código	Tags XML nomeadas (<instrucoes>, <contexto>)	Prefixos claros e frases completas
Exemplos few-shot	Úteis; formate como blocos separados	Recomendados dentro de tags <example>	Peso central; podem substituir instruções
Raciocínio passo a passo	Ajuda modelos não-reasoning; redundante em reasoning	Use <thinking> antes da resposta	Instrua explicitamente quando a tarefa exige
Instrução em contexto longo	Repita a instrução no início e no fim	Contexto primeiro, tarefa por último	Instrução após o bloco de dados
Formato de saída	Markdown; para JSON, use response_format	Declare a forma; tool use para JSON estrito	Declare a forma; response_mime_type para JSON
Fonte oficial	developers.openai.com	platform.claude.com	ai.google.dev

Convenções conferidas contra os guias oficiais em setembro de 2026. Fontes primárias linkadas acima; as URLs migraram este ano (mais sobre isso adiante).

Claude: tags XML como estrutura de verdade

A recomendação que define o Claude é a de envolver partes do prompt em tags XML nomeadas. Não é enfeite. O Claude foi treinado tratando <instrucoes>, <contexto>, <documento> e <example> como fronteiras semânticas: ele sabe onde termina uma seção e começa a outra, e trata cada uma com o peso certo.

Isso importa mais quando o prompt mistura instrução, dado do usuário e exemplos. Sem a fronteira explícita, um input que contém frases parecidas com comando ("ignore o texto acima") pode ser lido como instrução. Com a tag, o Claude sabe que aquilo é conteúdo a processar, não ordem a seguir.

Para raciocínio, o guia sugere uma tag <thinking> onde o Claude expõe o passo a passo antes da resposta final. Para JSON confiável em produção, a rota do Claude não é pedir JSON no texto, é usar tool use, que restringe a saída à estrutura definida.

GPT: Markdown limpo e cues de raciocínio

O guia do GPT-5 resolve o mesmo problema de separação com outra sintaxe: Markdown semanticamente correto. Cabeçalhos para seções, listas para passos, blocos de código com crase para trechos literais, tabelas quando fizer sentido. Onde o Claude usa <instrucoes>, o GPT usa ## Instruções. A função é idêntica, marcar a fronteira; a convenção é diferente.

Duas recomendações do guia mudam a forma de escrever para o GPT:

• Raciocínio depende do modelo. Para modelos rápidos e não-reasoning, pedir raciocínio passo a passo ainda ajuda em tarefas de múltiplos passos. Para os modelos de reasoning da linha GPT-5, que já raciocinam internamente, a instrução é redundante e pode até degradar a resposta. O guia é explícito sobre não tratar as duas famílias igual.
• Contexto longo pede reforço. A instrução principal deve aparecer no início e ser repetida no fim, depois do bloco de contexto. Instrução solta no meio de muito texto perde peso.

Para saída estruturada, o caminho do GPT é o parâmetro response_format com json_schema em modo estrito, que garante o formato no nível de decodificação, não só na redação do prompt. Se você está lidando com formato de saída de forma mais ampla, o guia de prompts específicos cobre quando o texto basta e quando você precisa do parâmetro nativo.

Gemini: exemplos que fazem o trabalho da instrução

O guia do Gemini dá aos exemplos few-shot um peso que os outros dois não dão. A frase do próprio guia é direta: se os exemplos mostram o padrão com clareza, você pode até remover instruções do prompt. Para tarefas com formato específico ou tom sutil, mostrar dois ou três pares de input e output faz mais do que descrever a regra em palavras.

O guia também favorece frases completas e linguagem que soa como um pedido a um colega, em vez de comandos truncados. E ressalva um ponto que evita erro: exemplos sem instrução clara podem fazer o modelo captar um padrão que você não quis ensinar. Exemplo e instrução andam juntos.

Se você quer entender a técnica em si antes de aplicá-la em qualquer modelo, o guia de few-shot prompting com exemplos em português mostra quantos exemplos usar e quando eles atrapalham.

Chain-of-thought não é uma regra única

Este é o ponto que mais gera prompt quebrado ao trocar de modelo. "Pense passo a passo" virou conselho universal, e não é. A regra real, tirada dos três guias, tem duas camadas:

1. Modelo de reasoning? Ele já raciocina internamente. Pedir raciocínio explícito é redundante e pode piorar. Vale para os modelos de reasoning do GPT-5, o pensamento estendido do Claude e o Gemini com thinking ativado.
2. Modelo rápido, não-reasoning? A instrução de raciocínio ainda rende em tarefas de múltiplos passos: análise, classificação com critério complexo, debugging.

Ou seja, o mesmo trecho "pense passo a passo" pode ajudar num modelo e ser peso morto em outro. Se o seu prompt roda em modelos das duas famílias, essa linha precisa ser condicional, não fixa. A mecânica por trás disso está em como funciona o chain-of-thought prompting.

O guia que você leu ano passado mudou de lugar

Um detalhe prático que derruba muito prompt "de referência": as fontes migraram em 2026. A documentação de prompting da OpenAI está em developers.openai.com, com guias separados por versão (GPT-5, 5.1, 5.2), não mais no domínio antigo. A da Anthropic vive em platform.claude.com, não em docs.anthropic.com. Se o seu processo interno linka a URL antiga, ela redireciona ou quebra, e o conteúdo pode ter sido reescrito.

Isso não é curiosidade de organização de docs. Uma convenção que era recomendada e deixou de ser continua no seu prompt salvo, silenciosa, até alguém reparar que a saída mudou. O Prompt Watch do PromptEval existe por isso: um resumo semanal por email avisa quando um guia oficial muda e algum prompt salvo deixa de conformar. Manter o formato em dia é uma tarefa recorrente, não um acerto único.

Como adaptar um prompt de um provedor para outro

A boa notícia: você quase nunca reescreve o conteúdo. Adaptar é trocar a embalagem, mantendo o que o prompt pede. O procedimento em quatro passos:

1. Separe conteúdo de convenção. O papel, a tarefa, as restrições e o formato de saída ficam iguais. Só muda como as seções são marcadas.
2. Troque os delimitadores. Indo para o Claude, transforme cabeçalhos Markdown em tags XML. Indo para o GPT, faça o inverso. Indo para o Gemini, garanta que os exemplos estejam claros e as frases completas.
3. Ajuste o raciocínio. Remova "pense passo a passo" se o destino é um modelo de reasoning; adicione se é um modelo rápido e a tarefa tem vários passos.
4. Verifique antes de enviar. Rode o prompt adaptado pelo lint de formato para ver, por provedor, quais regras do guia oficial ele cumpre.

O passo quatro é o que fecha o loop sem adivinhação. O Verificador de Formato de Prompt roda no seu navegador, sem cadastro e sem mandar o prompt para lugar nenhum: ele confere o texto contra 18 regras documentadas dos guias de OpenAI, Anthropic e Google e mostra ✓/✕ por provedor, com o link da fonte de cada regra. É o jeito de baixa fricção de conferir a adaptação. Quando quiser ir além do formato e ver a nota de 0 a 100 nas quatro dimensões (clareza, especificidade, estrutura e robustez), o avaliador completo é o passo dois, e o recurso de compatibilidade por provedor ainda mostra o "Adaptar para o provedor" com antes e depois conferível pelo mesmo lint.

Erros comuns ao levar um prompt entre modelos

Copiar o prompt cheio de tags XML para o GPT. O GPT lê XML, mas o guia dele pede Markdown. Tags nomeadas em excesso viram ruído que o modelo não trata como fronteira semântica da mesma forma que o Claude. Converta para cabeçalhos.

Confiar que few-shot pesa igual em todo lugar. Nas 1.018 avaliações do PromptEval, exemplos apareceram em só 5,2% dos prompts, apesar de valerem +10 pontos na média. No Gemini, onde o guia dá peso central aos exemplos, ignorá-los custa mais caro que nos outros.

Deixar "pense passo a passo" fixo. Em modelo de reasoning, isso é redundância que pode degradar a saída. Trate o raciocínio como uma linha condicional ao modelo, não como boilerplate.

Pedir JSON só no texto do prompt. Para produção, os três provedores oferecem um caminho nativo (response_format no GPT, tool use no Claude, response_mime_type no Gemini) que garante o formato no nível de decodificação. Instrução textual sozinha falha em uma fração das chamadas, e é justamente aí que a robustez do prompt aparece nos testes de estrutura de prompt.

Perguntas Frequentes