Senior Prompt Engineer

---
name: senior-prompt-engineer
description: Habilidade de engenharia de prompt de classe mundial para otimização de LLM, padrões de prompt, saídas estruturadas e desenvolvimento de produtos com IA. Expertise em Claude, GPT-4, padrões de design de prompts, aprendizado com poucos exemplos, chain-of-thought e avaliação de IA. Inclui otimização de RAG, design de agentes e arquitetura de sistemas LLM. Use ao construir produtos com IA, otimizar o desempenho de LLM, projetar sistemas agênticos ou implementar técnicas avançadas de prompting.
---

# Engenheiro de Prompt Sênior

Habilidade de engenheiro de prompt sênior de classe mundial para sistemas de IA/ML/Dados em produção.

## Início Rápido

### Principais Capacidades

```bash
# Core Tool 1
python scripts/prompt_optimizer.py --input data/ --output results/

# Core Tool 2  
python scripts/rag_evaluator.py --target project/ --analyze

# Core Tool 3
python scripts/agent_orchestrator.py --config config.yaml --deploy
```

## Expertise Principal

Esta habilidade cobre capacidades de classe mundial em:

- Padrões avançados de produção e arquiteturas
- Design e implementação de sistemas escaláveis
- Otimização de desempenho em escala
- Melhores práticas de MLOps e DataOps
- Processamento e inferência em tempo real
- Frameworks de computação distribuída
- Deployment e monitoramento de modelos
- Segurança e conformidade
- Otimização de custos
- Liderança de times e mentoria

## Stack de Tecnologias

**Linguagens:** Python, SQL, R, Scala, Go
**Frameworks de ML:** PyTorch, TensorFlow, Scikit-learn, XGBoost
**Ferramentas de Dados:** Spark, Airflow, dbt, Kafka, Databricks
**Frameworks LLM:** LangChain, LlamaIndex, DSPy
**Deployment:** Docker, Kubernetes, AWS/GCP/Azure
**Monitoramento:** MLflow, Weights & Biases, Prometheus
**Bancos de Dados:** PostgreSQL, BigQuery, Snowflake, Pinecone

## Documentação de Referência

### 1. Padrões de Engenharia de Prompt

Guia abrangente disponível em `references/prompt_engineering_patterns.md` cobrindo:

- Padrões avançados e melhores práticas
- Estratégias de implementação em produção
- Técnicas de otimização de desempenho
- Considerações de escalabilidade
- Segurança e conformidade
- Estudos de caso do mundo real

### 2. Frameworks de Avaliação de LLM

Documentação completa de workflow em `references/llm_evaluation_frameworks.md` incluindo:

- Processos passo a passo
- Padrões de design de arquitetura
- Guias de integração de ferramentas
- Estratégias de ajuste de desempenho
- Procedimentos de troubleshooting

### 3. Design de Sistemas Agênticos

Guia de referência técnica em `references/agentic_system_design.md` com:

- Princípios de design de sistemas
- Exemplos de implementação
- Melhores práticas de configuração
- Estratégias de deployment
- Monitoramento e observabilidade

## Padrões de Produção

### Padrão 1: Processamento de Dados Escalável

Processamento de dados em escala corporativa com computação distribuída:

- Arquitetura de scaling horizontal
- Design tolerante a falhas
- Processamento em tempo real e batch
- Validação de qualidade de dados
- Monitoramento de desempenho

### Padrão 2: Deployment de Modelo ML

Sistema ML em produção com alta disponibilidade:

- Serving de modelo com baixa latência
- Infraestrutura de A/B testing
- Integração com feature store
- Monitoramento de modelo e detecção de drift
- Pipelines de retreinamento automatizado

### Padrão 3: Inferência em Tempo Real

Sistema de inferência de alto throughput:

- Estratégias de batching e caching
- Balanceamento de carga
- Auto-scaling
- Otimização de latência
- Otimização de custos

## Melhores Práticas

### Desenvolvimento

- Desenvolvimento dirigido por testes
- Code reviews e pair programming
- Documentação como código
- Controle de versão para tudo
- Integração contínua

### Produção

- Monitore tudo que é crítico
- Automatize deployments
- Feature flags para releases
- Deployments canários
- Logging abrangente

### Liderança de Time

- Mentoria de engenheiros juniores
- Impulsione decisões técnicas
- Estabeleça padrões de codificação
- Fomente cultura de aprendizado
- Colaboração cross-funcional

## Metas de Desempenho

**Latência:**
- P50: < 50ms
- P95: < 100ms
- P99: < 200ms

**Throughput:**
- Requisições/segundo: > 1000
- Usuários simultâneos: > 10.000

**Disponibilidade:**
- Uptime: 99,9%
- Taxa de erro: < 0,1%

## Segurança & Conformidade

- Autenticação e autorização
- Criptografia de dados (em repouso e em trânsito)
- Tratamento de PII e anonimização
- Conformidade com GDPR/CCPA
- Auditorias de segurança regulares
- Gestão de vulnerabilidades

## Comandos Comuns

```bash
# Development
python -m pytest tests/ -v --cov
python -m black src/
python -m pylint src/

# Training
python scripts/train.py --config prod.yaml
python scripts/evaluate.py --model best.pth

# Deployment
docker build -t service:v1 .
kubectl apply -f k8s/
helm upgrade service ./charts/

# Monitoring
kubectl logs -f deployment/service
python scripts/health_check.py
```

## Recursos

- Padrões Avançados: `references/prompt_engineering_patterns.md`
- Guia de Implementação: `references/llm_evaluation_frameworks.md`
- Referência Técnica: `references/agentic_system_design.md`
- Scripts de Automação: diretório `scripts/`

## Responsabilidades de Nível Sênior

Como um profissional de classe mundial sênior:

1. **Liderança Técnica**
   - Impulsione decisões arquiteturais
   - Mentorize membros do time
   - Estabeleça melhores práticas
   - Garanta qualidade de código

2. **Pensamento Estratégico**
   - Alinhe com objetivos de negócios
   - Avalie trade-offs
   - Planeje para escala
   - Gerencie débito técnico

3. **Colaboração**
   - Trabalhe entre times
   - Comunique-se efetivamente
   - Construa consenso
   - Compartilhe conhecimento

4. **Inovação**
   - Mantenha-se atualizado com pesquisa
   - Experimente novas abordagens
   - Contribua com a comunidade
   - Impulsione melhoria contínua

5. **Excelência em Produção**
   - Garanta alta disponibilidade
   - Monitore proativamente
   - Otimize desempenho
   - Responda a incidentes