Se você já abriu o ChatGPT e digitou "escreva um código para X" e recebeu algo genérico que não serve, o problema provavelmente estava no prompt. A IA não lê mentes — ela responde exatamente ao que você pergunta. E quando você pergunta bem, o resultado muda completamente.
Este guia reúne 40 prompts para programação organizados por tarefa: escrever código, debugar, refatorar, criar testes e documentar, além de SQL, Git e agentes de código. Cada modelo é direto ao ponto e tem variáveis em [colchetes] para você adaptar ao seu contexto.
Resposta Rápida (TL;DR): Um bom prompt de programação informa a linguagem e a versão, traz o código ou o erro relevante, explica o que deveria acontecer e pede um formato de saída (só a função, o diff ou a explicação linha a linha). Os 40 modelos abaixo cobrem escrever, debugar, refatorar, testar e documentar código, além de SQL, Git e agentes como Claude Code, Cursor e Copilot. Funcionam no ChatGPT, no Claude e no Gemini.
Fora do código, a lista de prompts para ChatGPT organiza mais de 100 modelos por tarefa. No Gemini, use os prompts para o Gemini. Para a operação da empresa, há prompts para negócios.
Escolha a categoria:
- Escrever código — 7 prompts
- Debugar e corrigir erros — 6 prompts
- Refatorar e otimizar — 6 prompts
- Testes automatizados — 5 prompts
- Documentação e code review — 6 prompts
- SQL, Git e terminal — 5 prompts
- Agentes de código (Claude Code, Cursor e Copilot) — 5 prompts
- Como fazer um prompt para programação — os três princípios, com exemplo
Como Fazer um Prompt para Programação
A diferença entre uma resposta inútil e uma que resolve está no contexto que você entrega. Compare:
- Prompt fraco: "Meu código não funciona, arruma."
- Prompt forte: "Python 3.12 com pandas 2.2. A função abaixo deveria somar as vendas por mês, mas devolve NaN quando há dias sem venda. Entrada de exemplo: [dados]. Saída esperada: [resultado]. Explique a causa em duas frases e mostre só a função corrigida."
Por trás do prompt forte estão três princípios:
1. Especifique a linguagem e versão. "Python 3.11", "TypeScript 5 com React 18" ou "SQL no PostgreSQL 16" eliminam ambiguidade e evitam que a IA use sintaxe depreciada.
2. Dê contexto suficiente. Cole o trecho de código problemático, descreva o que ele deveria fazer e o que está acontecendo de errado. Quanto mais contexto, melhor a resposta.
3. Peça o formato que você quer. Se quiser apenas a função, diga isso. Se quiser explicação linha a linha, peça. Se quiser múltiplas alternativas, solicite. A IA entrega o que você pede — não o que você assume que ela vai deduzir.
Se quiser aprofundar essa técnica, o guia de engenharia de prompt explica como estruturar instruções para qualquer tipo de tarefa.
Prompts para Escrever Código
Estes prompts servem para criar funções, componentes, scripts e estruturas do zero.
Escreva uma função em [linguagem] que [describe o que deve fazer].
A função deve receber [parâmetros e tipos] e retornar [tipo de retorno].
Inclua tratamento de erros para [casos de erro específicos].
Não adicione dependências externas além de [bibliotecas permitidas].
Crie um componente [React/Vue/Svelte] chamado [NomeDoComponente] que:
- Recebe as props: [lista de props com tipos]
- Exibe [o que deve renderizar]
- Emite o evento [nome do evento] quando [condição]
Use [TypeScript/JavaScript] e siga o padrão [Composition API/Hooks/etc].
Escreva um script [Python/Node.js/Bash] que:
1. Leia [fonte de dados: arquivo CSV, API, banco de dados]
2. Processe os dados fazendo [transformação específica]
3. Salve o resultado em [destino: arquivo JSON, banco de dados, stdout]
Adicione logs para acompanhar o progresso.
Implemente a classe [NomeDaClasse] em [linguagem] com os seguintes métodos:
- [método1(parâmetros)]: [o que faz]
- [método2(parâmetros)]: [o que faz]
Use o padrão [Singleton/Factory/Observer] se aplicável.
Crie uma API REST em [framework: Express, FastAPI, Laravel] com os endpoints:
- GET /[recurso] — lista todos os registros
- POST /[recurso] — cria um novo registro com o body [campos esperados]
- PUT /[recurso]/:id — atualiza por ID
- DELETE /[recurso]/:id — remove por ID
Use [ORM/banco de dados] para persistência.
Escreva uma query SQL para [PostgreSQL/MySQL/SQLite] que:
[Descreva o que a query deve retornar]
As tabelas disponíveis são: [lista de tabelas com colunas principais]
Ordene por [coluna] e limite a [N] resultados.
Gere um arquivo de configuração [Docker Compose/YAML/JSON] para um ambiente com:
- Serviço 1: [nome e imagem]
- Serviço 2: [nome e imagem]
Os serviços precisam se comunicar via [rede/variáveis de ambiente].
Exponha a porta [porta] no host.
Prompts para Debugar e Corrigir Erros
Encontrar o bug é metade da batalha. Estes prompts ajudam a diagnosticar e corrigir problemas com mais precisão.
O código abaixo em [linguagem] está lançando o erro:
[cole a mensagem de erro completa]
Código:
[cole o trecho de código]
O que está causando o erro e como corrigir? Explique a causa raiz antes de mostrar a solução.
Este código deveria [descreva o comportamento esperado], mas está [descreva o que acontece].
Entrada de teste: [valor de entrada]
Saída esperada: [valor esperado]
Saída atual: [valor atual]
[cole o código]
Identifique o bug e corrija sem alterar a assinatura da função.
Analise o stack trace abaixo e identifique o arquivo e linha onde o erro tem origem:
[cole o stack trace]
O projeto usa [linguagem/framework]. Qual a causa provável e como reproduzir o problema localmente para confirmar?
O código abaixo funciona, mas às vezes retorna resultados inconsistentes em produção.
Suspeito de [race condition/memory leak/problema de concorrência].
[cole o código]
Quais são os cenários que podem causar esse comportamento não determinístico?
Após o deploy, os logs mostram este erro recorrente:
[cole o log de erro]
O ambiente é [descrição do ambiente: Node 20, Linux, 4 workers].
Liste as 3 causas mais prováveis em ordem de probabilidade e como investigar cada uma.
Este código funcionava até a última alteração. Abaixo está o diff entre a versão que funcionava e a atual:
[cole a saída do git diff]
O sintoma agora é: [descreva o erro ou o comportamento errado]. Aponte qual mudança do diff provavelmente causou a regressão e sugira a correção mínima, sem reverter o restante.
Debugar se torna mais eficiente quando você entende como os modelos de IA processam contexto. Vale checar as opções disponíveis no GitHub Copilot por tokens antes de escolher qual ferramenta usar para isso.
Prompts para Refatorar e Otimizar
Refatoração é onde a IA brilha — ela não tem preguiça de reescrever código legado.
Refatore o código abaixo em [linguagem] para:
- Melhorar a legibilidade
- Reduzir duplicação de código
- Seguir os princípios SOLID
Não altere o comportamento externo — os mesmos inputs devem gerar os mesmos outputs.
[cole o código]
Este código em [linguagem] está lento para entradas grandes (N > [valor]).
Analise a complexidade atual e reescreva para reduzir de [O(n²)] para [O(n log n) ou melhor].
Explique a otimização escolhida.
[cole o código]
Converta este código de [linguagem/versão antiga] para [linguagem/versão nova]:
[cole o código]
Mantenha a mesma lógica, mas use as APIs e sintaxe modernas. Aponte as diferenças entre as versões.
Este código usa callbacks aninhados (callback hell). Reescreva usando [async/await ou Promises]:
[cole o código]
Mantenha o tratamento de erros equivalente.
Identifique code smells no trecho abaixo e proponha refatorações específicas com nome do padrão aplicado:
[cole o código]
Para cada problema encontrado: descreva o problema, o padrão de refatoração aplicável e mostre o código corrigido.
Reduza o consumo de memória deste código [Python/JavaScript] que processa [tipo de dado] em grandes volumes:
[cole o código]
Considere uso de generators, streaming ou processamento em chunks se aplicável.
Prompts para Testes Automatizados
Criar testes é uma das tarefas mais subestimadas — e onde a IA economiza mais tempo.
Escreva testes unitários em [Jest/pytest/JUnit/Go test] para a função abaixo.
Cubra: happy path, entradas inválidas, valores limítrofes e casos de erro.
Use [describe/it blocks / classes de teste] e adicione mensagens descritivas em cada assertion.
[cole a função]
Crie testes de integração para o endpoint [METHOD /caminho] que:
- Testa resposta 200 com body válido
- Testa resposta 400 para campos obrigatórios ausentes
- Testa resposta 401 sem autenticação
- Testa resposta 404 para recurso inexistente
Use [supertest/httpx/RestAssured] e mock o [banco de dados/serviço externo] com [biblioteca de mock].
Gere casos de teste para a seguinte especificação:
[descreva a funcionalidade em linguagem natural]
Para cada caso, informe: entrada, comportamento esperado e tipo de teste (positivo/negativo/boundary).
Formato: tabela Markdown.
Este teste está falhando intermitentemente (flaky test):
[cole o código do teste]
Quais são as causas mais comuns de flakiness para esse tipo de teste e como torná-lo determinístico?
Adicione mocks para as dependências externas neste teste, substituindo chamadas reais à [API/banco de dados/serviço]:
[cole o código do teste]
Use a biblioteca [jest.mock/unittest.mock/Mockito] e certifique que o mock respeita o contrato da dependência real.
Prompts para Documentação e Code Review
Documentar código é chato. A IA faz bem esse trabalho repetitivo.
Gere JSDoc/docstring para todas as funções públicas do arquivo abaixo.
Para cada função inclua: descrição em uma frase, @param com tipo e descrição, @returns com tipo e descrição, @throws para erros lançados e um @example de uso.
[cole o código]
Escreva um README.md para o projeto com as seções:
- Descrição em 2-3 frases
- Pré-requisitos
- Instalação (passo a passo)
- Como usar (com exemplos de código)
- Variáveis de ambiente (tabela)
- Como contribuir
Contexto do projeto: [descreva o que o projeto faz]
Faça um code review do diff abaixo como se fosse um desenvolvedor sênior experiente.
Aponte: bugs potenciais, problemas de segurança, violações de boas práticas, melhorias de performance e sugestões de legibilidade.
Seja específico: cite a linha e explique o porquê de cada observação.
[cole o diff]
Crie um CHANGELOG.md no formato Keep a Changelog para as seguintes mudanças desta versão [X.Y.Z]:
[liste as mudanças em linguagem natural]
Categorize em: Added, Changed, Deprecated, Removed, Fixed, Security.
Explique este código para um desenvolvedor júnior que nunca trabalhou com [tecnologia]:
[cole o código]
Use analogias simples. Explique o "por que" além do "o que". Aponte os conceitos que precisam de estudo adicional.
Gere comentários inline para o código abaixo, explicando apenas as partes não óbvias.
Não comente o que já está claro pelo nome das variáveis e funções.
[cole o código]
Para ter acesso a mais de 300 prompts filtráveis por área, acesse a biblioteca de prompts do Turbina IA.
Prompts para SQL, Git e Terminal
Banco de dados, controle de versão e linha de comando são onde um erro custa caro. Estes prompts pedem explicação junto com a solução — e, quando há risco, uma versão que só lê antes de alterar.
Esta query em [PostgreSQL/MySQL] está lenta em uma tabela com [N] milhões de linhas:
[cole a query]
Plano de execução (EXPLAIN ANALYZE): [cole aqui]
Explique onde está o gargalo, sugira índices ou reescritas e estime o impacto de cada mudança. Avise se algum índice novo pode deixar as escritas mais lentas.
Escreva uma migração para [banco] que [alteração, ex.: adiciona a coluna status com valor padrão na tabela pedidos] sem travar a tabela em produção. Inclua o script de reversão (down) e explique em que ordem aplicar a migração e o deploy do código.
Com base no diff abaixo, escreva uma mensagem de commit no padrão Conventional Commits: título de até 72 caracteres no imperativo e corpo explicando o porquê da mudança, não o como.
[cole a saída do git diff --staged]
Fiz [o que aconteceu, ex.: um git reset --hard e perdi commits / um merge errado na main]. Explique passo a passo como recuperar o estado anterior com segurança, quais comandos são apenas de leitura e em que momento existe risco de perder trabalho.
Saída atual do git status e do git log --oneline -10: [cole aqui]
Escreva um comando de terminal para [tarefa, ex.: encontrar todos os arquivos .log com mais de 100 MB e compactá-los] no [macOS / Linux / PowerShell]. Explique cada parte do comando e mostre primeiro uma versão que só lista o que seria afetado, sem alterar nada.
Prompts para Agentes de Código (Claude Code, Cursor e Copilot)
Agentes de código leem o projeto, editam vários arquivos e rodam comandos sozinhos. Isso muda o tipo de prompt que funciona: em vez de pedir um trecho de código, você define o escopo, o critério de pronto e o que o agente não pode tocar — a mesma lógica do spec-driven development, que vem substituindo o "vibe coding".
Antes de escrever qualquer código, leia o projeto e me devolva uma especificação para [funcionalidade]: arquivos que vão mudar, novas funções e seus contratos (entrada, saída e erros), os casos de teste que provam que funciona e o que fica fora do escopo. Espere minha aprovação antes de implementar.
Implemente [funcionalidade] em etapas pequenas. Depois de cada etapa, rode [comando de testes, ex.: npm test] e só avance se tudo passar. Não altere arquivos fora de [pasta ou módulo]. No final, resuma o que mudou em cada arquivo e o que ainda falta.
Analise este repositório e escreva um arquivo de instruções para agentes de código ([CLAUDE.md / AGENTS.md / regras do Cursor]) com: os comandos para instalar, rodar, testar e fazer lint; a estrutura de pastas em 5 a 10 linhas; as convenções de código que você identificou (nomes, padrões, bibliotecas preferidas); e o que o agente nunca deve fazer (ex.: alterar migrações já aplicadas). No máximo 60 linhas.
Revise o diff abaixo, gerado por um agente de IA, procurando o que agentes costumam errar: testes alterados para passar em vez de corrigir o código, erros engolidos sem tratamento, dependências novas sem necessidade, código morto, segredos ou caminhos fixos e mudanças fora do escopo pedido. Liste cada problema com arquivo, linha e correção sugerida.
[cole o diff]
Investigue por que [sintoma, ex.: o login falha só em produção] sem alterar nenhum arquivo. Leia o código relevante, rode apenas comandos de leitura e me devolva: a causa mais provável, as evidências que a sustentam, duas hipóteses alternativas e o menor teste que confirmaria cada uma.
Um cuidado: não peça ao agente que siga instruções de issues, relatórios de bug ou páginas de terceiros sem ler antes. Textos maliciosos escondidos nesses lugares já foram usados para sequestrar o Claude Code e o Cursor.
Perguntas Frequentes
Quais são os melhores prompts para programação?
Os que entregam contexto completo: linguagem e versão, o trecho de código, o erro exato e o resultado esperado. Na prática, os que mais economizam tempo são os de debug com entrada e saída esperada, os de testes unitários com casos-limite, os de code review de diff e, para quem usa agentes, o de especificação antes da implementação. Todos estão nesta lista, separados por tarefa.
Como fazer um prompt para gerar código?
Diga a linguagem e a versão, descreva a entrada e a saída da função, liste os casos de erro que ela deve tratar e as bibliotecas que podem (ou não) ser usadas. Peça também o formato: só o código, código com testes ou código com explicação. Se o resultado vier errado, devolva a mensagem de erro completa em vez de pedir "tente de novo".
Qual IA é melhor para programação: ChatGPT, Claude ou Gemini?
ChatGPT (com o Codex), Claude (com o Claude Code) e Gemini estão entre os melhores para código em 2026, e a liderança nos benchmarks muda a cada lançamento. O teste que importa é o seu próprio código: rode o mesmo prompt nos três. Para ver planos e recursos lado a lado, use o comparador de IAs; se for usar os modelos via API, a calculadora de custos mostra quanto cada um custa no seu volume de uso.
Posso usar esses prompts no GitHub Copilot?
Sim. A maioria funciona no chat do Copilot no VS Code. Adapte o contexto para incluir o arquivo atual quando necessário — o Copilot tem acesso ao seu workspace, o que pode melhorar a resposta.
Como incluir código longo sem ultrapassar o limite de tokens?
Recorte apenas a parte relevante e descreva o restante em texto. Se o arquivo for grande, explique a estrutura geral e cole só a função ou classe específica. Os principais modelos de 2026 aceitam até cerca de 1 milhão de tokens de contexto, o bastante para vários arquivos inteiros, mas colar só o necessário ainda gera respostas mais focadas — e custa menos quando você paga por token.
A IA comete erros em código? Como verificar?
Sim, sempre. Trate o código gerado como sugestão de um desenvolvedor sem contexto do seu projeto — revise, teste e valide. Para bugs críticos ou lógica complexa, nunca coloque em produção sem revisão humana.
Vale a pena usar IA para programação no dia a dia?
Para tarefas repetitivas (boilerplate, testes, documentação, conversão de código), o ganho de produtividade é real. Para arquitetura e decisões de design, a IA serve como consultor — mas a decisão final precisa ser sua. Veja mais em IA para desenvolvedores.
Onde encontro mais prompts prontos para ChatGPT?
Na biblioteca de prompts do Turbina IA você encontra modelos organizados por área. Também temos mais de 100 prompts para ChatGPT cobrindo outras categorias além de programação.
Fontes e Referências
- OpenAI Prompt Engineering Guide — guia oficial da OpenAI com boas práticas para construção de prompts
- Google — Prompting Guide 101 — referência de prompting aplicada a contextos profissionais
- Anthropic Prompt Library — biblioteca de prompts oficiais da Anthropic com exemplos para código e análise
