Controle de versões para prompts
Versionamento no estilo Git, versionamento semântico e gerenciamento do registro de alterações dos prompts.
Controle de versões para prompts é uma aula grátis de AI Prompt Engineering no CoddyKit. Esta é a aula 2 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Prompt Engineering, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Prompt Engineering inclui 4 aulas no total.
Por que controlar versões de prompts?
Os prompts evoluem continuamente — uma pequena alteração na redação pode mudar drasticamente o comportamento do modelo. Sem controle de versões, as equipes perdem o controle do que mudou, quando e por quê. Tratar os prompts como código permite obter histórico, rollback, colaboração e rastreabilidade de autoria.
Controle de versões de prompts com Git
Armazenar arquivos de prompt no Git é a estratégia de versionamento mais simples. Cada prompt é um arquivo de texto simples; cada commit do Git registra todas as alterações. As ramificações representam experimentos; as etiquetas marcam os lançamentos de produção.
# Initialize a prompt repo
git init prompt-library
cd prompt-library
mkdir -p prompts/summarize-article
# First version
cat > prompts/summarize-article/prompt.txt << 'PROMPT'
Summarize the article in {num_sentences} sentences.
Article:
{article_text}
PROMPT
git add prompts/summarize-article/prompt.txt
git commit -m 'feat(summarize-article): initial prompt v1.0.0'
git tag v1.0.0
# Experiment on a branch
git checkout -b experiment/add-focus-area
# ... edit prompt ...
git commit -m 'feat(summarize-article): add focus_area variable'
git tag v1.1.0-rc1Versionamento semântico para prompts
Adote o versionamento semântico (MAJOR.MINOR.PATCH) adaptado à semântica dos prompts:
- PATCH (1.0.0 → 1.0.1): correção de erro de digitação ou alteração de espaços em branco — saída inalterada
- MINOR (1.0.0 → 1.1.0): nova variável opcional ou redação aprimorada — compatível com versões anteriores
- MAJOR (1.0.0 → 2.0.0): nova variável obrigatória, formato de saída alterado ou mudança de comportamento incompatível
# semver.py — helper to validate version bumps
import re
def parse_semver(v):
m = re.match(r'^(\d+)\.(\d+)\.(\d+)$', v)
if not m:
raise ValueError(f'Invalid semver: {v}')
return tuple(int(x) for x in m.groups())
def classify_bump(old, new):
o = parse_semver(old)
n = parse_semver(new)
if n[0] > o[0]:
return 'MAJOR'
elif n[1] > o[1]:
return 'MINOR'
elif n[2] > o[2]:
return 'PATCH'
else:
raise ValueError('New version must be greater than old')
print(classify_bump('1.0.0', '1.1.0')) # MINOR
print(classify_bump('1.1.0', '2.0.0')) # MAJOR
print(classify_bump('2.0.0', '2.0.1')) # PATCHFormato do registro de alterações
Cada versão de um prompt deve ter um registro de alterações estruturado para que as equipes entendam o que mudou e por quê. Siga o formato Keep a Changelog adaptado para prompts.
# CHANGELOG.md for prompts/summarize-article/
## [2.0.0] - 2024-08-10
### Breaking Changes
- Renamed variable 'text' to 'article_text' (update all call sites)
- Output now always includes a headline sentence before the summary
### Changed
- Improved instruction specificity to reduce hallucination rate by ~12%
## [1.1.0] - 2024-07-01
### Added
- New optional variable 'focus_area' to direct summary emphasis
- Fallback instruction when 'focus_area' is not provided
### Changed
- Reworded opening instruction for clarity
## [1.0.0] - 2024-06-01
### Added
- Initial prompt: basic summarization with 'num_sentences' controlEtiquetando lançamentos de produção
As etiquetas do Git marcam o commit exato implantado em produção. Use etiquetas anotadas para armazenar as notas de versão junto com a etiqueta. Assim, fica fácil reconstruir exatamente qual prompt estava ativo em qualquer momento.
# Annotated git tag with release notes
git tag -a v2.0.0 -m 'Release 2.0.0
Breaking: renamed variable text -> article_text
Improved: reduced hallucination rate by 12%
Author: alice@company.com
Reviewed-by: bob@company.com'
# Push tags to remote
git push origin --tags
# List all tags with dates
git tag -l --sort=version:refname -n9
# v1.0.0 Initial prompt
# v1.1.0 Add focus_area variable
# v2.0.0 Release 2.0.0 — Breaking: renamed variable ...
# View exact prompt at a tag
git show v1.1.0:prompts/summarize-article/prompt.txtProcedimentos de rollback
Quando uma nova versão de prompt causa uma regressão de qualidade, o rollback precisa ser rápido. Há duas estratégias: rollback do código (implantar novamente o artefato antigo) e rollback do registro (alternar o sinalizador is_active sem fazer uma nova implantação).
# Strategy 1: Registry rollback (fastest — no redeploy needed)
def rollback_prompt(registry, prompt_id, target_version):
print(f'Rolling back {prompt_id} to {target_version}...')
registry.activate_version(prompt_id, target_version)
print(f'Rollback complete. {prompt_id} now serving {target_version}')
# Strategy 2: Git-based rollback with audit trail
# Create a revert commit (do NOT force-push, keep history clean)
git revert HEAD --no-commit # stage the revert
git commit -m 'revert(summarize-article): roll back to v1.1.0 due to quality regression'
git tag v2.0.1-hotfix
# Then trigger re-deployment of the reverted artifact
# This preserves full history — nobody loses track of what happenedFerramentas de comparação de prompts
Revisar alterações em prompts exige ferramentas de comparação especializadas. O git diff simples funciona para texto, mas as ferramentas de comparação semântica destacam alterações estruturais nas variáveis e nas instruções.
# prompt_diff.py — highlight variable changes between versions
import re
def extract_variables(template):
return set(re.findall(r'\{(\w+)\}', template))
def diff_prompts(old_template, new_template):
old_vars = extract_variables(old_template)
new_vars = extract_variables(new_template)
added = new_vars - old_vars
removed = old_vars - new_vars
kept = old_vars & new_vars
print('Variables added:', added or 'none')
print('Variables removed:', removed or 'none')
print('Variables kept:', kept)
old_lines = set(old_template.splitlines())
new_lines = set(new_template.splitlines())
print('New lines:', new_lines - old_lines)
print('Removed lines:', old_lines - new_lines)
old = 'Summarize in {num_sentences} sentences.\n\n{text}'
new = 'Summarize in {num_sentences} sentences focused on {focus_area}.\n\n{article_text}'
diff_prompts(old, new)Estratégia de ramificação para experimentos com prompts
Imite as convenções de ramificação de software no desenvolvimento de prompts:
main— somente prompts prontos para produçãoexperiment/<name>— variantes de testes A/B em desenvolvimentohotfix/<issue>— correções emergenciais para produçãorelease/<version>— preparação de candidatos a lançamento
Exija revisão de código (solicitação de pull) antes de mesclar alterações de prompts em main — assim como no código da aplicação.
# Typical prompt development workflow
# 1. Create experiment branch
git checkout -b experiment/tone-formal
# 2. Edit and test prompt locally
python test_prompt.py --prompt prompts/summarize-article/prompt.txt \
--eval-set evals/summarize-100.jsonl
# 3. Open PR with eval results in description
gh pr create --title 'experiment: formal tone improves ROUGE by 8%' \
--body 'Eval results attached. ROUGE-L: 0.61 -> 0.66'
# 4. After approval, merge and tag
git checkout main && git merge experiment/tone-formal
git tag v1.2.0 && git push origin main --tagsCI de validação automática de versões
Um fluxo de CI para alterações em prompts deve validar automaticamente: se o incremento do versionamento semântico está correto, se o registro de alterações foi atualizado, se todas as variáveis do modelo estão documentadas e se a pontuação de eval não sofreu regressão.
# .github/workflows/prompt-ci.yml
# name: Prompt Validation
# on: [pull_request]
# jobs:
# validate:
# runs-on: ubuntu-latest
# steps:
# - uses: actions/checkout@v4
# - name: Check semver bump
# run: python scripts/check_semver.py
# - name: Validate template syntax
# run: python scripts/validate_templates.py
# - name: Run eval suite
# run: python scripts/run_evals.py --threshold 0.95
# scripts/validate_templates.py
import glob, json, sys
errors = []
for f in glob.glob('prompts/**/*.yaml', recursive=True):
with open(f) as fh:
data = fh.read()
if '{' not in data:
errors.append(f'{f}: no variables found (may be intentional — double check)')
if errors:
print('Warnings:', errors)
print('Template validation complete')Imutabilidade das versões etiquetadas
Um princípio fundamental: as versões etiquetadas são imutáveis. Depois que v2.0.0 for etiquetada, seu modelo nunca deverá ser alterado. As correções devem ser incluídas em novas versões (v2.0.1). Isso garante a reprodutibilidade — sempre será possível recriar o estado exato da produção a partir de uma etiqueta.
# Enforce immutability in the registry
def register(self, prompt_id, version, template, ...):
with self.conn.cursor() as cur:
# Check if version already exists
cur.execute(
'SELECT id FROM prompt_versions '
'WHERE prompt_id=%s AND version=%s',
(prompt_id, version)
)
if cur.fetchone():
raise ValueError(
f'Version {version} of {prompt_id} already exists. '
'Versions are immutable. Create a new version instead.'
)
# Proceed with insertion
cur.execute(
'INSERT INTO prompt_versions '
'(prompt_id, version, template, author, tags, model) '
'VALUES (%s, %s, %s, %s, %s, %s)',
(prompt_id, version, template, author, tags, model)
)
self.conn.commit()Vinculando prompts a resultados de eval
Cada versão de prompt deve estar vinculada aos seus resultados de avaliação para que as equipes possam comparar a qualidade entre versões. Armazene os metadados de eval junto ao artefato do prompt.
# Attach eval results to a prompt version
ALTER TABLE prompt_versions ADD COLUMN eval_results JSONB;
# Python: record eval scores
def attach_eval_results(self, prompt_id, version, results):
with self.conn.cursor() as cur:
cur.execute(
'UPDATE prompt_versions SET eval_results=%s '
'WHERE prompt_id=%s AND version=%s',
(json.dumps(results), prompt_id, version)
)
self.conn.commit()
# Example eval results structure
eval_results = {
'dataset': 'cnn-dailymail-100',
'date_run': '2024-08-10',
'metrics': {
'rouge_l': 0.66,
'bertscore_f1': 0.89,
'human_quality_avg': 4.2
},
'sample_size': 100,
'runner': 'alice@company.com'
}
registry.attach_eval_results('summarize-article', '1.2.0', eval_results)Verificação rápida
Quando se deve incrementar a versão MAJOR de um prompt?
Resumo do controle de versões
O controle de versões de prompts reproduz o controle de versões de software, com adaptações específicas para prompts:
- Versionamento semântico: PATCH/MINOR/MAJOR indicam o impacto da alteração
- Etiquetas do Git: etiquetas imutáveis e anotadas para lançamentos de produção
- Registros de alterações: histórico estruturado por versão para possibilitar auditorias
- Rollback: alternância do sinalizador no registro (rápida) ou reversão no Git (auditada)
- Validação de CI: verificações automatizadas de versionamento semântico, validação de modelos e proteção contra regressões na avaliação
- Imutabilidade: as versões etiquetadas nunca mudam — as correções sempre criam novas versões
Perguntas Frequentes
A aula “Controle de versões para prompts” é grátis?
Sim — o texto completo de “Controle de versões para prompts” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Prompt Engineering, atualize para CoddyKit PRO. O curso de AI Prompt Engineering inclui 4 aulas no total.
O que vou aprender em “Controle de versões para prompts”?
Versionamento no estilo Git, versionamento semântico e gerenciamento do registro de alterações dos prompts. Você pratica AI Prompt Engineering com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar AI Prompt Engineering?
Nenhuma experiência prévia é necessária. AI Prompt Engineering no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 4.
Quanto tempo leva a aula “Controle de versões para prompts”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de AI Prompt Engineering?
Sim. Cada aula de AI Prompt Engineering inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Arquitetura de registro de prompts
- Controle de versões para prompts
- Estratégias de implantação e reversão
- Monitorando o desempenho dos prompts em produção