Guia Completo de Técnicas de Prompting para Inteligência Artificial - UC - Unidade Central

Guia Completo de Técnicas de Prompting para Inteligência Artificial

Sumário

1. Introdução
2. Zero-Shot Prompting
3. Few-Shot Prompting
4. Chain-of-Thought Prompting
5. Role Prompting
6. Técnicas Avançadas
7. Exemplos Práticos
8. Melhores Práticas
9. Conclusão

Introdução

A arte de criar prompts eficazes para modelos de inteligência artificial tem se tornado uma habilidade cada vez mais valiosa no mundo atual. Com o avanço dos modelos de linguagem, a maneira como formulamos nossas instruções e perguntas determina significativamente a qualidade das respostas que recebemos.

Este guia abrangente explora as diversas técnicas de prompting disponíveis, desde as mais básicas até as mais avançadas, oferecendo uma visão detalhada de como cada abordagem funciona, quando utilizá-la e como maximizar seus resultados.

O prompt engineering, ou engenharia de prompts, é a prática de desenvolver e otimizar prompts para obter os melhores resultados possíveis de modelos de IA. Não se trata apenas de fazer perguntas, mas de estruturar a comunicação de forma que o modelo compreenda exatamente o que é esperado e possa gerar respostas que atendam às necessidades específicas.

Ao longo deste guia, você aprenderá sobre diferentes técnicas de prompting, suas características, vantagens e limitações, além de exemplos práticos e melhores práticas para criar prompts eficazes. Seja você um iniciante curioso sobre como melhorar suas interações com IA ou um profissional buscando técnicas avançadas para casos de uso específicos, este guia oferece insights valiosos para aprimorar sua comunicação com modelos de linguagem.

Vamos começar explorando as técnicas fundamentais e progressivamente avançar para abordagens mais sofisticadas, fornecendo exemplos concretos e orientações práticas ao longo do caminho.

Zero-Shot Prompting

Definição e Conceitos

O Zero-shot prompting é a forma mais simples e direta de interagir com modelos de inteligência artificial. Nesta técnica, fornecemos ao modelo uma instrução direta para realizar uma tarefa sem fornecer nenhum exemplo ou demonstração prévia. Isso significa que o modelo precisa confiar inteiramente em seu conhecimento pré-treinado para descobrir como completar a tarefa solicitada.

Quando usamos Zero-shot prompting, estamos essencialmente testando a capacidade do modelo de generalizar seu conhecimento para tarefas que não foram explicitamente demonstradas no prompt. O modelo deve interpretar a instrução e aplicar seu conhecimento interno para gerar uma resposta apropriada.

Características Principais

• Simplicidade: Não requer exemplos ou demonstrações
• Economia de tokens: Usa menos tokens que técnicas baseadas em exemplos
• Dependência do conhecimento interno: Confia totalmente no conhecimento pré-treinado do modelo
• Versatilidade: Pode ser aplicado a uma ampla variedade de tarefas
• Rapidez de implementação: Não exige preparação de exemplos

Exemplos Práticos

Exemplo 1: Classificação de Sentimento

Classifique o sentimento do seguinte texto como positivo, negativo ou neutro.
Texto: Eu acho que as férias foram ok.
Sentimento:

Neste exemplo, pedimos ao modelo para classificar o sentimento de um texto sem fornecer exemplos prévios de como essa classificação deve ser feita. O modelo deve usar seu conhecimento interno sobre análise de sentimento para determinar que "ok" geralmente indica um sentimento neutro.

Exemplo 2: Geração de Conteúdo

Escreva um poema curto sobre o pôr do sol.

Aqui, solicitamos ao modelo que crie um poema sem fornecer exemplos de poemas ou especificar um estilo particular. O modelo deve usar seu conhecimento sobre poesia e pores do sol para gerar um conteúdo apropriado.

Exemplo 3: Resposta a Perguntas

Quais são os principais fatores que contribuem para as mudanças climáticas?

Neste caso, pedimos ao modelo que forneça informações sobre um tópico específico sem dar exemplos de respostas. O modelo deve acessar seu conhecimento interno sobre mudanças climáticas para formular uma resposta informativa.

Exemplo 4: Tradução

Traduza a seguinte frase para o francês:
"O gato está dormindo na janela."

Este exemplo solicita uma tradução sem fornecer exemplos de traduções anteriores. O modelo deve aplicar seu conhecimento de ambos os idiomas para realizar a tarefa.

Quando Utilizar

O Zero-shot prompting é mais adequado nas seguintes situações:

Tarefas simples e bem definidas: Quando a tarefa é clara e não requer muita nuance ou contexto específico.

Tarefas comuns: Para tarefas que o modelo provavelmente encontrou frequentemente durante seu treinamento, como classificação básica, tradução ou respostas a perguntas gerais.

Testes iniciais: Como uma primeira abordagem para verificar se o modelo pode realizar a tarefa sem necessidade de exemplos.

Economia de tokens: Quando há limitações de contexto ou custo associado ao número de tokens.

Interações conversacionais: Em diálogos onde fornecer exemplos seria pouco natural ou desnecessário.

Limitações

Apesar de sua simplicidade e utilidade, o Zero-shot prompting apresenta algumas limitações importantes:

Desempenho variável: O desempenho pode ser inconsistente, especialmente em tarefas complexas ou específicas.

Ambiguidade: Sem exemplos, o modelo pode interpretar a tarefa de maneiras diferentes da intencionada.

Falta de controle sobre o formato: Pode ser difícil controlar precisamente o formato ou estilo da resposta.

Dependência do conhecimento prévio: Se o modelo não foi bem treinado em um domínio específico, o desempenho será fraco.

Dificuldade com tarefas complexas: Tarefas que exigem raciocínio em várias etapas ou conhecimento especializado podem não ser bem executadas.

Estratégias para Melhorar o Zero-Shot Prompting

Mesmo sem fornecer exemplos, existem estratégias para melhorar o desempenho do Zero-shot prompting:

Instruções claras e específicas: Forneça instruções detalhadas sobre o que você espera.

Especificar o formato desejado: Indique claramente o formato que você deseja para a resposta.

Contextualização: Forneça contexto relevante para ajudar o modelo a entender melhor a tarefa.

Decomposição de tarefas: Divida tarefas complexas em subtarefas mais simples.

Uso de delimitadores: Utilize delimitadores claros para separar diferentes partes do prompt.

Few-Shot Prompting

Definição e Conceitos

Few-shot prompting é uma técnica poderosa que consiste em fornecer ao modelo de IA alguns exemplos (geralmente de dois a cinco) de pares de entrada-saída antes de apresentar a tarefa real. Esta abordagem permite que o modelo aprenda diretamente a partir dos exemplos incorporados no prompt, um processo conhecido como Aprendizagem em Contexto (In-Context Learning ou ICL).

Diferentemente do Zero-shot prompting, onde o modelo deve confiar inteiramente em seu conhecimento pré-treinado, o Few-shot prompting oferece um contexto específico para a tarefa, permitindo que o modelo reconheça padrões e aplique-os à nova entrada. Isso é particularmente útil para tarefas onde o formato ou estilo da resposta é importante, ou quando queremos direcionar o modelo para um tipo específico de raciocínio.

Características Principais

• Exemplos demonstrativos: Fornece múltiplos exemplos de pares entrada-saída
• Aprendizagem em contexto: Permite que o modelo aprenda padrões a partir dos exemplos fornecidos
• Adaptabilidade: Funciona bem para uma ampla variedade de tarefas
• Controle de formato: Oferece maior controle sobre o formato e estilo da resposta
• Escalabilidade: O desempenho geralmente melhora com mais exemplos (3-shot, 5-shot, etc.)

Exemplos Práticos

Exemplo 1: Classificação de Sentimento

Classifique o sentimento do seguinte texto como positivo, negativo ou neutro.

Texto: O produto é terrível. 
Sentimento: Negativo

Texto: Super útil, vale a pena. 
Sentimento: Positivo

Texto: Não funciona! 
Sentimento:

Neste exemplo, fornecemos dois exemplos de classificação de sentimento antes de apresentar o texto que queremos classificar. O modelo pode aprender o padrão a partir dos exemplos e aplicá-lo ao novo caso.

Exemplo 2: Geração de Definições

Palavra: Algoritmo
Definição: Um conjunto de regras ou instruções bem definidas para resolver um problema ou realizar uma tarefa.

Palavra: Fotossíntese
Definição: Processo pelo qual plantas e alguns outros organismos usam a luz solar para sintetizar alimentos a partir de dióxido de carbono e água.

Palavra: Blockchain
Definição:

Aqui, mostramos ao modelo como definir termos técnicos através de dois exemplos, antes de pedir a definição de um terceiro termo.

Exemplo 3: Tradução com Estilo Específico

Inglês: The weather is beautiful today.
Português (formal): O clima está magnífico no dia de hoje.

Inglês: I would like to schedule a meeting.
Português (formal): Eu gostaria de agendar uma reunião.

Inglês: Please send me the documents as soon as possible.
Português (formal):

Este exemplo demonstra como usar few-shot prompting para controlar não apenas a tradução, mas também o estilo (formal) da resposta.

Exemplo 4: Uso de Palavras Inventadas

Um "whatpu" é um pequeno animal peludo nativo da Tanzânia. Um exemplo de frase que usa a palavra whatpu é:
Estávamos viajando pela África e vimos esses whatpus muito fofos.

"Farduddle" significa pular para cima e para baixo muito rápido. Um exemplo de frase que usa a palavra farduddle é:

Este exemplo mostra como o few-shot prompting pode ajudar o modelo a entender e usar corretamente palavras inventadas ou conceitos novos.

Quando Utilizar

O Few-shot prompting é particularmente útil nas seguintes situações:

Tarefas com formato específico: Quando você precisa que a resposta siga um formato ou estrutura particular.

Tarefas de classificação ou categorização: Para ajudar o modelo a entender as categorias e critérios de classificação.

Geração de conteúdo com estilo específico: Quando você deseja controlar o tom, estilo ou voz do conteúdo gerado.

Tarefas com nuances: Para tarefas que envolvem sutilezas ou distinções que podem não ser óbvias sem exemplos.

Introdução de novos conceitos: Quando você precisa que o modelo trabalhe com termos ou conceitos que podem não estar em seu treinamento.

Melhoria de desempenho: Quando o zero-shot prompting não produz resultados satisfatórios.

Limitações

Apesar de sua eficácia, o Few-shot prompting apresenta algumas limitações:

Consumo de tokens: Requer mais tokens que o zero-shot prompting, o que pode ser um problema com limites de contexto ou custos.

Seleção de exemplos: A qualidade e representatividade dos exemplos escolhidos afetam significativamente o desempenho.

Generalização limitada: Pode não generalizar bem para casos muito diferentes dos exemplos fornecidos.

Viés de exemplo: Os exemplos podem introduzir vieses não intencionais no comportamento do modelo.

Complexidade de design: Criar bons exemplos pode exigir mais tempo e esforço que prompts zero-shot.

Estratégias para Melhorar o Few-Shot Prompting

Para maximizar a eficácia do few-shot prompting, considere estas estratégias:

Diversidade de exemplos: Inclua exemplos que cubram diferentes aspectos ou casos da tarefa.

Ordem dos exemplos: A ordem pode afetar o desempenho; experimente diferentes arranjos.

Número de exemplos: Teste diferentes quantidades (2-shot, 3-shot, 5-shot) para encontrar o equilíbrio ideal entre desempenho e consumo de tokens.

Relevância contextual: Escolha exemplos que sejam relevantes para o contexto específico da tarefa.

Consistência de formato: Mantenha um formato consistente em todos os exemplos para facilitar o reconhecimento de padrões.

Exemplos representativos: Use exemplos que representem bem o tipo de saída que você espera.

Dicas Avançadas

Rótulos aleatórios: Pesquisas mostram que mesmo com rótulos aleatórios (mas mantendo o formato), o few-shot prompting ainda pode ser eficaz.

Distribuição de rótulos: Usar uma distribuição de rótulos que reflita a realidade pode melhorar o desempenho.

Combinação com outras técnicas: Few-shot prompting pode ser combinado com Chain-of-Thought para tarefas de raciocínio complexo.

Chain-of-Thought Prompting

Definição e Conceitos

Chain-of-Thought (CoT) Prompting é uma técnica avançada que permite aos modelos de IA demonstrar seu raciocínio passo a passo antes de chegar a uma resposta final. Introduzida por pesquisadores, esta técnica habilita capacidades de raciocínio complexo através de etapas intermediárias de pensamento.

Diferentemente do Zero-shot ou Few-shot prompting tradicional, que focam principalmente na resposta final, o Chain-of-Thought incentiva o modelo a "pensar em voz alta", decompondo problemas complexos em etapas menores e mais gerenciáveis. Isso é particularmente valioso para tarefas que exigem raciocínio matemático, lógico ou multietapas.

Características Principais

• Raciocínio explícito: Mostra o processo de pensamento completo, não apenas a resposta final
• Decomposição de problemas: Divide problemas complexos em etapas menores e mais gerenciáveis
• Maior precisão: Melhora significativamente o desempenho em tarefas de raciocínio complexo
• Transparência: Permite verificar o raciocínio do modelo, facilitando a identificação de erros
• Versatilidade: Pode ser combinado com Zero-shot ou Few-shot prompting

Variações do Chain-of-Thought

Few-shot Chain-of-Thought

Nesta variação, fornecemos ao modelo alguns exemplos de raciocínio passo a passo antes de apresentar o problema que queremos resolver. Os exemplos demonstram não apenas as respostas corretas, mas também o processo de raciocínio completo.

Zero-shot Chain-of-Thought

Uma descoberta surpreendente é que simplesmente adicionar a frase "Vamos pensar passo a passo" ao final de um prompt pode induzir o modelo a mostrar seu raciocínio, mesmo sem exemplos prévios. Esta técnica simples mas poderosa é conhecida como Zero-shot Chain-of-Thought.

Automatic Chain-of-Thought (Auto-CoT)

Esta variação busca eliminar o esforço manual na criação de exemplos para Chain-of-Thought. O processo envolve duas etapas principais:

1. Agrupamento de questões em clusters
2. Seleção de questões representativas de cada cluster para gerar cadeias de raciocínio usando Zero-shot CoT

Exemplos Práticos

Exemplo 1: Problema Matemático com Few-shot CoT

Problema: Se João tem 5 maçãs e dá 2 para Maria, com quantas maçãs João fica?
Solução: João começa com 5 maçãs. Ele dá 2 maçãs para Maria. Então, 5 - 2 = 3. João fica com 3 maçãs.

Problema: Uma loja vende cadernos por R$4,00 cada e canetas por R$2,50 cada. Se Ana comprou 3 cadernos e 5 canetas, quanto ela gastou no total?
Solução: Ana comprou 3 cadernos a R$4,00 cada, então gastou 3 × R$4,00 = R$12,00 em cadernos. Ela também comprou 5 canetas a R$2,50 cada, então gastou 5 × R$2,50 = R$12,50 em canetas. O gasto total foi de R$12,00 + R$12,50 = R$24,50.

Problema: Os números ímpares neste grupo somam um número par: 15, 32, 5, 13, 82, 7, 1. 
Solução:

Exemplo 2: Zero-shot Chain-of-Thought

Fui ao mercado e comprei 10 maçãs. Dei 2 maçãs ao vizinho e 2 ao técnico de reparos. Depois fui e comprei mais 5 maçãs e comi 1. Com quantas maçãs fiquei?

Vamos pensar passo a passo.

Exemplo 3: Problema de Lógica

Em uma sala há 5 pessoas: Ana, Bruno, Carlos, Diana e Eduardo. Se sabemos que:
1. Ana é mais alta que Bruno
2. Carlos é mais baixo que Diana, mas mais alto que Ana
3. Eduardo não é nem o mais alto nem o mais baixo
Quem é a pessoa mais alta da sala?

Vamos resolver passo a passo.

Quando Utilizar

O Chain-of-Thought Prompting é particularmente útil nas seguintes situações:

Problemas matemáticos: Cálculos, álgebra, aritmética e outros problemas numéricos.

Raciocínio lógico: Problemas que envolvem dedução, inferência ou análise de condições.

Tarefas multietapas: Qualquer tarefa que beneficie de uma abordagem passo a passo.

Verificação de respostas: Quando é importante verificar o raciocínio, não apenas a resposta final.

Problemas complexos: Situações onde Zero-shot ou Few-shot prompting simples produzem respostas incorretas.

Ensino e explicação: Quando você deseja que o modelo explique conceitos de forma detalhada e estruturada.

Limitações

Apesar de sua eficácia, o Chain-of-Thought apresenta algumas limitações:

Consumo de tokens: O raciocínio detalhado consome significativamente mais tokens que respostas diretas.

Possibilidade de erros intermediários: Um erro em uma etapa intermediária pode se propagar e levar a uma conclusão incorreta.

Nem sempre necessário: Para tarefas simples, pode adicionar complexidade desnecessária.

Habilidade emergente: Funciona melhor com modelos maiores e mais avançados; modelos menores podem não se beneficiar tanto.

Qualidade dos exemplos: No Few-shot CoT, a qualidade dos exemplos de raciocínio afeta significativamente o desempenho.

Estratégias para Melhorar o Chain-of-Thought

Para maximizar a eficácia do Chain-of-Thought, considere estas estratégias:

Decomposição clara: Incentive o modelo a decompor o problema em etapas bem definidas.

Verificação intermediária: Peça ao modelo para verificar cada etapa do raciocínio.

Combinação com Self-Consistency: Gere múltiplos caminhos de raciocínio e escolha a resposta mais consistente.

Exemplos diversos: No Few-shot CoT, use exemplos que cubram diferentes tipos de raciocínio.

Instruções explícitas: Seja claro sobre o tipo de raciocínio que você espera ver.

Aplicações Práticas

O Chain-of-Thought tem se mostrado valioso em diversas aplicações:

• Educação: Explicação passo a passo de conceitos e problemas
• Programação: Decomposição de problemas de codificação
• Análise de dados: Interpretação detalhada de tendências e padrões
• Tomada de decisão: Avaliação estruturada de opções e consequências
• Diagnóstico: Análise sistemática de sintomas e causas

Role Prompting

Definição e Conceitos

Role Prompting (Prompting de Papel ou Função) é uma técnica poderosa que consiste em atribuir um papel ou persona específica ao modelo de IA. Ao definir claramente um papel para o modelo assumir, conseguimos moldar suas respostas de maneira mais contextualizada, especializada e adequada à situação.

Esta técnica funciona porque direciona o modelo a filtrar seu conhecimento e capacidades através da lente de um especialista ou profissional específico, resultando em respostas que refletem a expertise, o tom e o estilo de comunicação associados a esse papel.

Características Principais

• Especialização contextual: Direciona o modelo a responder como um especialista em determinada área
• Personalização de tom e estilo: Permite controlar o estilo de comunicação da resposta
• Maior profundidade: Tende a gerar respostas mais detalhadas e específicas
• Consistência: Mantém uma abordagem coerente ao longo da interação
• Adaptabilidade: Pode ser aplicada a praticamente qualquer domínio ou área de conhecimento

Exemplos Práticos

Exemplo 1: Consultor de Negócios

Você é um consultor de negócios especializado em startups de tecnologia com 15 anos de experiência no Vale do Silício. 

Como posso otimizar a estratégia de marketing digital para minha pequena empresa de desenvolvimento de software que está começando a entrar no mercado de soluções para e-commerce?

Exemplo 2: Professor de História

Você é um professor de história especializado no período da Roma Antiga, com particular interesse nas guerras púnicas e na expansão do império.

Explique a importância estratégica e as consequências de longo prazo das Guerras Púnicas para o desenvolvimento do Império Romano.

Exemplo 3: Redator Criativo

Você é um redator criativo premiado, especializado em anúncios publicitários para o setor de bebidas. Seu estilo é conhecido por ser envolvente, memorável e levemente humorístico.

Crie um slogan e um breve texto publicitário para o lançamento de um novo refrigerante de limão que se posiciona como uma alternativa saudável e refrescante para o verão.

Exemplo 4: Médico Especialista

Você é um médico especializado em saúde mental, com foco em estresse e ansiedade relacionados ao ambiente de trabalho.

Quais são as melhores práticas baseadas em evidências para profissionais que trabalham em ambientes de alta pressão lidarem com o estresse crônico e prevenirem o burnout?

Comparação: Prompt Genérico vs. Role Prompting

Prompt Genérico

Quais são as melhores práticas para reduzir o estresse no ambiente de trabalho?

Resultado típico: Uma resposta geral com dicas básicas sobre gerenciamento de estresse, sem profundidade ou contexto específico.

Role Prompting

Você é um médico especializado em saúde mental, com foco em estresse e ansiedade relacionados ao ambiente de trabalho.

Quais são as melhores práticas baseadas em evidências para profissionais que trabalham em ambientes de alta pressão lidarem com o estresse crônico e prevenirem o burnout?

Resultado típico: Uma resposta detalhada e contextualizada, com recomendações específicas baseadas em pesquisas médicas, terminologia apropriada e uma abordagem mais estruturada e profissional.

Quando Utilizar

O Role Prompting é particularmente útil nas seguintes situações:

Necessidade de expertise específica: Quando você precisa de conhecimento especializado em uma área particular.

Controle de tom e estilo: Quando o estilo de comunicação é tão importante quanto o conteúdo.

Respostas contextualizadas: Quando você precisa que as respostas considerem um contexto profissional específico.

Consistência em interações longas: Para manter uma abordagem coerente ao longo de uma conversa extensa.

Simulação de perspectivas: Quando você quer explorar como diferentes especialistas abordariam o mesmo problema.

Conteúdo criativo especializado: Para gerar conteúdo que reflita o estilo e conhecimento de um tipo específico de criador.

Papéis Comumente Úteis

Alguns papéis que frequentemente produzem resultados valiosos incluem:

• Especialistas técnicos: Programadores, engenheiros, cientistas de dados
• Profissionais de saúde: Médicos, psicólogos, nutricionistas
• Educadores: Professores, tutores, especialistas em pedagogia
• Profissionais criativos: Escritores, redatores publicitários, roteiristas
• Consultores de negócios: Estrategistas, especialistas em marketing, analistas financeiros
• Pesquisadores acadêmicos: Especialistas em metodologia, revisores de literatura
• Especialistas em comunicação: Jornalistas, relações públicas, comunicação de crise

Estratégias para Melhorar o Role Prompting

Para maximizar a eficácia do Role Prompting, considere estas estratégias:

Seja específico sobre a expertise: Defina claramente a área de especialização, nível de experiência e contexto profissional.

Adicione credenciais: Mencione qualificações, anos de experiência ou realizações relevantes para o papel.

Defina o público-alvo: Especifique para quem o especialista estaria falando (ex: "explicando para um iniciante").

Estabeleça restrições: Defina limitações apropriadas para o papel (ex: "baseando-se apenas em pesquisas revisadas por pares").

Combine com outras técnicas: Role Prompting funciona bem quando combinado com Chain-of-Thought ou Few-Shot Prompting.

Refine iterativamente: Se a resposta não atingir o nível de especialização desejado, refine o papel ou adicione mais contexto.

Limitações

Apesar de sua eficácia, o Role Prompting apresenta algumas limitações:

Conhecimento limitado do modelo: O modelo só pode simular expertise dentro dos limites de seu treinamento.

Falsa confiança: Pode gerar respostas que parecem autoritativas mesmo quando incorretas.

Viés de papel: Certos papéis podem trazer vieses associados a estereótipos profissionais.

Complexidade adicional: Adiciona mais tokens ao prompt, o que pode ser um problema com limites de contexto.

Variabilidade de resultados: A eficácia pode variar dependendo do papel escolhido e de como é descrito.

Aplicações Práticas

O Role Prompting tem aplicações valiosas em diversos contextos:

• Educação: Simulação de tutores especializados em diferentes disciplinas
• Negócios: Obtenção de perspectivas especializadas para tomada de decisão
• Saúde: Exploração de abordagens para questões de bem-estar (com as devidas ressalvas)
• Criatividade: Geração de conteúdo em estilos específicos
• Pesquisa: Estruturação de informações de maneira acadêmica ou científica
• Comunicação: Adaptação de mensagens para diferentes públicos e contextos

Técnicas Avançadas

Meta Prompting

Definição e Conceitos

Meta Prompting é uma técnica avançada que se concentra nos aspectos estruturais e sintáticos das tarefas e problemas, em vez de seus detalhes específicos de conteúdo. O objetivo é construir uma forma mais abstrata e estruturada de interagir com modelos de linguagem, enfatizando a forma e o padrão da informação em vez de métodos tradicionais centrados no conteúdo.

Características principais

1. Orientado à estrutura: Prioriza o formato e o padrão dos problemas e soluções em vez do conteúdo específico.
2. Focado na sintaxe: Usa a sintaxe como um modelo orientador para a resposta ou solução esperada.
3. Exemplos abstratos: Emprega exemplos abstraídos como estruturas, ilustrando a estrutura de problemas e soluções sem focar em detalhes específicos.
4. Versátil: Aplicável em vários domínios, capaz de fornecer respostas estruturadas para uma ampla gama de problemas.
5. Abordagem categórica: Baseia-se na teoria dos tipos para enfatizar a categorização e o arranjo lógico dos componentes em um prompt.

Exemplo Prático

Em vez de fornecer exemplos específicos de problemas matemáticos, forneça a estrutura abstrata:

Problema: [Descrição do problema matemático]
Passo 1: Identificar as variáveis e valores conhecidos
Passo 2: Estabelecer a relação matemática entre as variáveis
Passo 3: Aplicar a fórmula ou método apropriado
Passo 4: Calcular o resultado
Resposta: [Resultado final]

Agora, resolva:
Problema: Um trem viaja a 120 km/h. Quanto tempo levará para percorrer 450 km?

Quando Utilizar

• Para tarefas de raciocínio complexo
• Para resolução de problemas matemáticos
• Para desafios de codificação
• Para consultas teóricas
• Quando se deseja respostas estruturadas e padronizadas

Self-Consistency

Definição e Conceitos

Self-Consistency é uma técnica avançada que se baseia no Chain-of-Thought para melhorar o desempenho de modelos de linguagem em tarefas complexas. A ideia é gerar múltiplos caminhos de raciocínio diversos para o mesmo problema e selecionar a resposta mais consistente entre eles.

Como Funciona

1. Utiliza o Chain-of-Thought para gerar múltiplos caminhos de raciocínio para o mesmo problema
2. Amostra diversas soluções possíveis
3. Identifica a resposta mais consistente entre as várias soluções geradas
4. Seleciona a resposta final com base na maioria ou na consistência lógica

Exemplo Prático

Problema: Se João tem o dobro da idade de Maria, e Maria tem 15 anos, qual é a idade de João?

Solução 1: Se Maria tem 15 anos e João tem o dobro da idade de Maria, então João tem 2 × 15 = 30 anos.

Solução 2: Maria tem 15 anos. João tem o dobro da idade de Maria. Isso significa que a idade de João é 2 vezes a idade de Maria. Então, a idade de João é 2 × 15 = 30 anos.

Solução 3: Seja M a idade de Maria e J a idade de João. Sabemos que M = 15 e J = 2M. Substituindo, temos J = 2 × 15 = 30. Portanto, João tem 30 anos.

Resposta final: 30 anos (consistente em todas as soluções)

Quando Utilizar

• Para problemas complexos que podem ter múltiplas abordagens
• Quando a precisão é crucial
• Para tarefas de raciocínio matemático ou lógico
• Quando uma única cadeia de pensamento pode não ser suficiente

Tree of Thoughts (Árvore de Pensamentos)

Definição e Conceitos

Tree of Thoughts é uma técnica que injeta planejamento deliberado e exploração no processo de resolução de problemas, decompondo cada problema em uma árvore de pensamentos. Esta abordagem permite explorar múltiplos caminhos de raciocínio e avaliar diferentes abordagens antes de chegar a uma conclusão.

Como Funciona

1. Divide o problema em etapas ou "pensamentos" intermediários
2. Cria uma estrutura de árvore onde cada nó representa um estado de pensamento
3. Explora diferentes caminhos na árvore
4. Avalia e seleciona os caminhos mais promissores
5. Chega a uma solução final após explorar múltiplas possibilidades

Exemplo Prático

Problema: Qual é a melhor estratégia para uma startup de tecnologia entrar no mercado competitivo?

Pensamento Inicial: Precisamos considerar várias abordagens para entrar no mercado.

Ramo 1: Estratégia de nicho
- Pensamento 1.1: Identificar um nicho específico não atendido pelos concorrentes.
- Pensamento 1.2: Desenvolver uma solução altamente especializada para esse nicho.
- Pensamento 1.3: Construir uma reputação forte nesse segmento específico.
- Conclusão do Ramo 1: Permite diferenciação e menor competição direta, mas limita o tamanho inicial do mercado.

Ramo 2: Estratégia de preço
- Pensamento 2.1: Oferecer um produto similar aos concorrentes, mas com preço mais acessível.
- Pensamento 2.2: Otimizar custos para manter a viabilidade financeira.
- Pensamento 2.3: Atrair clientes sensíveis a preço dos concorrentes estabelecidos.
- Conclusão do Ramo 2: Permite rápida aquisição de clientes, mas pode iniciar uma guerra de preços e reduzir margens.

Ramo 3: Estratégia de inovação disruptiva
- Pensamento 3.1: Desenvolver uma solução fundamentalmente diferente e inovadora.
- Pensamento 3.2: Educar o mercado sobre a nova abordagem.
- Pensamento 3.3: Criar uma nova categoria de produto/serviço.
- Conclusão do Ramo 3: Alto potencial de crescimento e diferenciação, mas maior risco e necessidade de educação do mercado.

Avaliação Final: Considerando o cenário atual de tecnologia, a estratégia de inovação disruptiva (Ramo 3) oferece o melhor equilíbrio entre diferenciação e potencial de crescimento, apesar dos riscos associados.

Quando Utilizar

• Para problemas complexos que requerem planejamento
• Quando existem múltiplas abordagens possíveis
• Para tarefas que exigem exploração de diferentes caminhos
• Quando a resolução direta do problema é difícil ou impossível

Retrieval Augmented Generation (RAG)

Definição e Conceitos

Retrieval Augmented Generation (RAG) é uma técnica que combina recuperação de informações com geração de texto. O modelo acessa fontes externas de conhecimento para completar tarefas, o que melhora a consistência factual e reduz o problema de "alucinação" (geração de informações incorretas).

Como Funciona

1. O modelo recebe uma entrada (prompt)
2. Um componente de recuperação busca informações relevantes em uma fonte externa (ex: Wikipedia)
3. As informações recuperadas são concatenadas com o prompt original
4. O modelo de geração de texto produz uma resposta baseada tanto no prompt quanto nas informações recuperadas

Exemplo Prático

Prompt: Quais são os principais fatores que contribuem para o aquecimento global?

[Sistema recupera informações de fontes confiáveis sobre aquecimento global]

Resposta aumentada: De acordo com o consenso científico atual, os principais fatores que contribuem para o aquecimento global são:

1. Emissões de gases de efeito estufa: Principalmente dióxido de carbono (CO2) da queima de combustíveis fósseis, metano (CH4) da agricultura e decomposição de resíduos, e óxido nitroso (N2O) de fertilizantes.

2. Desmatamento: A redução de florestas diminui a capacidade do planeta de absorver CO2 da atmosfera.

3. Uso da terra: Mudanças no uso da terra, como urbanização e agricultura intensiva, afetam o albedo terrestre e os ciclos de carbono.

4. Processos industriais: Certos processos industriais produzem gases de efeito estufa como subprodutos.

5. Feedback positivo: Mecanismos como o derretimento do permafrost que libera metano, criando ciclos de retroalimentação que intensificam o aquecimento.

Estudos recentes do IPCC (Painel Intergovernamental sobre Mudanças Climáticas) indicam que as atividades humanas são inequivocamente a causa principal do aquecimento observado desde meados do século XX.

Quando Utilizar

• Para tarefas que exigem informações factuais precisas e atualizadas
• Quando a consistência factual é crucial
• Para reduzir "alucinações" do modelo
• Para acessar conhecimento que pode estar além do treinamento do modelo
• Para gerar conteúdo baseado em fontes específicas

Outras Técnicas Avançadas

Prompt Chaining

• Conecta múltiplos prompts em sequência, usando a saída de um prompt como entrada para o próximo
• Permite decompor problemas complexos em etapas mais gerenciáveis

Automatic Reasoning and Tool-use

• Permite que o modelo use ferramentas externas (como calculadoras, APIs, etc.)
• Facilita o raciocínio através do uso de recursos adicionais

Active-Prompt

• Adapta prompts dinamicamente com base no feedback
• Refina iterativamente os prompts para melhorar os resultados

Directional Stimulus Prompting

• Direciona o modelo para áreas específicas de seu espaço latente
• Influencia o tipo de conteúdo gerado sem instruções explícitas

Comparação entre Técnicas Avançadas

Exemplos Práticos

Zero-Shot Prompting

Exemplo 1: Análise de Sentimento

Classifique o sentimento do seguinte texto como positivo, negativo ou neutro.
Texto: Apesar de alguns problemas iniciais, o produto acabou superando minhas expectativas.

Por que funciona: Instrução clara e direta que especifica exatamente o que se espera (classificação em três categorias) e fornece o texto a ser analisado.

Exemplo 2: Geração de Conteúdo Criativo

Escreva um poema curto sobre a relação entre tecnologia e natureza.

Por que funciona: Define claramente o formato (poema curto) e o tema, mas deixa espaço para criatividade.

Exemplo 3: Extração de Informações

Identifique os principais pontos discutidos no seguinte texto:

[Texto longo sobre um determinado assunto]

Por que funciona: Instrução clara sobre a tarefa (identificar pontos principais) com o contexto necessário.

Few-Shot Prompting

Exemplo 1: Classificação Personalizada

Classifique o texto em uma das categorias: Tecnologia, Saúde, Educação, Entretenimento.

Texto: Os novos smartphones utilizam inteligência artificial para otimizar o consumo de bateria.
Categoria: Tecnologia

Texto: Estudos mostram que exercícios regulares podem reduzir o risco de doenças cardíacas.
Categoria: Saúde

Texto: A implementação de metodologias ativas tem transformado a experiência em sala de aula.
Categoria: 

Por que funciona: Fornece exemplos claros do padrão entrada-saída esperado, estabelecendo o formato e as categorias possíveis.

Exemplo 2: Geração de Títulos

Artigo: 10 maneiras de reduzir o consumo de plástico no dia a dia
Título SEO: Como Reduzir o Consumo de Plástico: 10 Dicas Práticas e Eficientes

Artigo: Os benefícios da meditação para profissionais com alta carga de trabalho
Título SEO: Meditação para Profissionais Ocupados: Benefícios Comprovados e Técnicas Rápidas

Artigo: O impacto da inteligência artificial no mercado de trabalho nos próximos 5 anos
Título SEO:

Por que funciona: Demonstra o padrão de transformação de um título simples para um título otimizado para SEO, com exemplos que mostram a estrutura desejada.

Chain-of-Thought Prompting

Exemplo 1: Problema Matemático

Problema: Uma loja vende camisetas por R$25 cada e calças por R$50 cada. Se um cliente comprou um total de 7 peças e gastou R$275, quantas camisetas e quantas calças foram compradas?

Solução: Vamos chamar de c o número de camisetas e de p o número de calças.
Sabemos que o total de peças é 7, então: c + p = 7
Também sabemos que o valor total gasto foi R$275, então: 25c + 50p = 275
Da primeira equação, podemos dizer que c = 7 - p
Substituindo na segunda equação: 25(7 - p) + 50p = 275
Simplificando: 175 - 25p + 50p = 275
Simplificando mais: 175 + 25p = 275
Então: 25p = 100
Portanto: p = 4
E como c + p = 7, temos: c = 7 - 4 = 3
Verificando: 3 camisetas a R$25 cada = R$75 e 4 calças a R$50 cada = R$200. Total: R$275 ✓
Resposta: O cliente comprou 3 camisetas e 4 calças.

Por que funciona: Demonstra um processo de raciocínio passo a passo, definindo variáveis, estabelecendo equações, resolvendo-as e verificando a resposta.

Exemplo 2: Análise Lógica

Problema: Em uma competição, Ana, Bruno, Carlos e Diana terminaram em posições diferentes. Sabemos que:
- Ana não ficou em primeiro nem em último
- Bruno ficou em uma posição melhor que Carlos
- Diana não ficou em posição adjacente a Bruno
Em que ordem eles terminaram a competição?

Raciocínio: Vamos analisar as possibilidades.
Temos 4 pessoas (Ana, Bruno, Carlos e Diana) e 4 posições (1º, 2º, 3º e 4º).
Sabemos que Ana não ficou em 1º nem em 4º, então Ana só pode estar em 2º ou 3º.
Bruno ficou em posição melhor que Carlos, então Bruno < Carlos (onde menor número significa melhor posição).
Diana não ficou em posição adjacente a Bruno, ou seja, se Bruno está na posição x, Diana não pode estar nas posições x-1 ou x+1.

Vamos considerar os casos onde Ana está em 2º:
- Se Ana = 2º, então Bruno pode ser 1º e Carlos pode ser 3º ou 4º.
  - Se Bruno = 1º e Carlos = 3º, Diana deve ser 4º. Verificando: Diana (4º) não é adjacente a Bruno (1º). ✓
  - Se Bruno = 1º e Carlos = 4º, Diana deve ser 3º. Verificando: Diana (3º) não é adjacente a Bruno (1º). ✓

Vamos considerar os casos onde Ana está em 3º:
- Se Ana = 3º, então Bruno pode ser 1º ou 2º, e Carlos deve estar depois de Bruno.
  - Se Bruno = 1º e Carlos = 2º, Diana deve ser 4º. Verificando: Diana (4º) não é adjacente a Bruno (1º). ✓
  - Se Bruno = 1º e Carlos = 4º, Diana deve ser 2º. Verificando: Diana (2º) não é adjacente a Bruno (1º). ✓
  - Se Bruno = 2º e Carlos = 4º, Diana deve ser 1º. Verificando: Diana (1º) é adjacente a Bruno (2º). ✗

Temos três possibilidades válidas. Vamos verificar cada uma com todas as condições:
1. Bruno (1º), Ana (2º), Carlos (3º), Diana (4º)
2. Bruno (1º), Ana (2º), Diana (3º), Carlos (4º)
3. Bruno (1º), Diana (2º), Ana (3º), Carlos (4º)

A opção 1 satisfaz todas as condições: Ana não está em 1º nem em 4º, Bruno está em posição melhor que Carlos, e Diana não está adjacente a Bruno.

Resposta: Bruno (1º), Ana (2º), Carlos (3º), Diana (4º)

Role Prompting

Exemplo 1: Consultor de Marketing Digital

Você é um consultor sênior de marketing digital com 15 anos de experiência em otimização de conversão e estratégias de crescimento para e-commerces. Você já trabalhou com mais de 200 empresas, desde startups até grandes varejistas, e é conhecido por suas abordagens inovadoras e orientadas por dados.

Analise a seguinte situação e forneça recomendações estratégicas:

Uma loja online de produtos naturais e orgânicos está enfrentando uma taxa de abandono de carrinho de 78%. O site tem bom tráfego, mas a conversão está em apenas 1,2%. A empresa tem um orçamento limitado e precisa priorizar ações de maior impacto.

Por que funciona: Define claramente a expertise, experiência e reputação do papel, além de fornecer um contexto específico para a resposta. Isso direciona o modelo a fornecer recomendações especializadas e práticas.

Exemplo 2: Professor de Física

Você é um professor de física com doutorado em física teórica e 20 anos de experiência ensinando conceitos complexos para estudantes do ensino médio. Você é conhecido por sua habilidade de explicar ideias difíceis usando analogias e exemplos do cotidiano, tornando a física acessível e interessante.

Explique o conceito de entropia para um estudante de 16 anos que está tendo dificuldades para entender a Segunda Lei da Termodinâmica.

Por que funciona: Estabelece não apenas a expertise (professor de física com doutorado), mas também a habilidade específica (explicar conceitos complexos usando analogias) e o público-alvo (estudante de 16 anos com dificuldades específicas).

Técnicas Avançadas

Exemplo 1: Meta Prompting

Forneça uma estrutura para analisar casos de negócios com os seguintes componentes:

[Identificação do Problema]
- Descrição do problema principal
- Identificação de sintomas vs. causas raiz

[Análise do Contexto]
- Fatores internos relevantes
- Fatores externos impactantes

[Alternativas de Solução]
- Opção A: [descrição]
- Opção B: [descrição]
- Opção C: [descrição]

[Avaliação de Alternativas]
- Critérios de avaliação
- Análise de prós e contras
- Riscos associados

[Recomendação]
- Solução proposta
- Plano de implementação
- Métricas de sucesso

Agora, aplique esta estrutura para analisar o seguinte caso: Uma empresa de software está enfrentando alta rotatividade de funcionários e queda na produtividade após implementar um modelo de trabalho 100% presencial.

Por que funciona: Fornece uma estrutura abstrata que enfatiza o formato e a organização lógica, não o conteúdo específico. Isso direciona o modelo a seguir um padrão de pensamento estruturado.

Exemplo 2: Self-Consistency

Problema: Em um baralho padrão de 52 cartas, qual é a probabilidade de tirar um ás e depois uma carta de copas (sem reposição)?

Solução 1:
Primeiro, calculamos a probabilidade de tirar um ás: 4/52 = 1/13.
Depois, calculamos a probabilidade de tirar uma carta de copas: 13/51.
Mas precisamos considerar que se o primeiro ás for de copas, então restam 12 cartas de copas; se não for de copas, restam 13 cartas de copas.
Probabilidade de tirar um ás de copas: 1/52.
Probabilidade de tirar um ás que não é de copas: 3/52.
Se tirarmos um ás de copas, a probabilidade de tirar outra carta de copas é 12/51.
Se tirarmos um ás que não é de copas, a probabilidade de tirar uma carta de copas é 13/51.
Probabilidade total = (1/52 × 12/51) + (3/52 × 13/51) = (12 + 39)/(52 × 51) = 51/(52 × 51) = 1/52.

Solução 2:
Temos 4 ases e 13 cartas de copas em um baralho de 52 cartas.
Probabilidade de tirar um ás: 4/52.
Após tirar um ás, temos 51 cartas restantes.
Se o ás for de copas (1 em 4 ases), restam 12 cartas de copas.
Se o ás não for de copas (3 em 4 ases), restam 13 cartas de copas.
Probabilidade de tirar uma carta de copas após um ás de copas: 12/51.
Probabilidade de tirar uma carta de copas após um ás que não é de copas: 13/51.
Probabilidade total = (4/52) × [(1/4 × 12/51) + (3/4 × 13/51)]
                    = (4/52) × [(12/204) + (39/204)]
                    = (4/52) × (51/204)
                    = (4 × 51)/(52 × 204)
                    = 204/(52 × 204)
                    = 1/52.

Analisando as soluções, vemos que ambas chegam ao mesmo resultado de 1/52, o que aumenta nossa confiança na resposta.

Resposta final: 1/52

Por que funciona: Explora múltiplos caminhos de raciocínio para o mesmo problema e verifica a consistência entre as soluções, aumentando a confiabilidade da resposta final.

Melhores Práticas

Princípios Fundamentais

1. Clareza e Especificidade

A clareza é talvez o princípio mais importante na criação de prompts eficazes. Quanto mais claro e específico for seu prompt, melhores serão os resultados.

Recomendações:

• Seja explícito sobre o que você deseja
• Especifique o formato, tom, estilo e comprimento desejados
• Evite ambiguidades e instruções vagas
• Use linguagem direta e objetiva

Exemplo de prompt vago:

Fale sobre inteligência artificial.

Exemplo de prompt claro e específico:

Escreva um texto de 300 palavras sobre os avanços recentes em inteligência artificial generativa, focando em aplicações práticas para pequenas empresas. Use linguagem acessível para um público não técnico e inclua 3 exemplos concretos.

2. Estruturação Adequada

A estrutura do prompt pode influenciar significativamente a qualidade da resposta. Um prompt bem estruturado guia o modelo através de um processo de pensamento lógico.

Recomendações:

• Organize o prompt em seções ou partes distintas
• Use marcadores ou numeração para separar instruções múltiplas
• Coloque as informações mais importantes no início ou no final (evite o meio)
• Utilize delimitadores (como aspas, colchetes, etc.) para separar diferentes elementos

Exemplo de prompt bem estruturado:

Preciso criar um e-mail para clientes sobre uma nova política de devolução. Por favor, siga estas diretrizes:

1. Tom: Profissional mas amigável
2. Comprimento: Máximo de 200 palavras
3. Estrutura:
   - Saudação personalizada (use [NOME] como placeholder)
   - Parágrafo introdutório anunciando a mudança
   - Pontos principais da nova política em tópicos
   - Parágrafo de encerramento com call-to-action
4. Informações importantes:
   - Novo prazo de devolução: 30 dias (antes era 14)
   - Necessário comprovante de compra
   - Produtos devem estar em condição original

3. Contextualização Adequada

Fornecer contexto relevante ajuda o modelo a entender melhor o que você está buscando e a gerar respostas mais apropriadas.

Recomendações:

• Inclua informações de fundo relevantes
• Especifique o público-alvo ou a finalidade do conteúdo
• Forneça exemplos do tipo de resposta que você espera
• Mencione restrições ou limitações importantes

Exemplo de prompt com boa contextualização:

Contexto: Sou professor de ciências do 8º ano e estou preparando uma aula sobre mudanças climáticas para alunos de 13-14 anos. Muitos dos meus alunos têm dificuldade em entender conceitos científicos abstratos.

Tarefa: Crie uma analogia ou metáfora simples que explique como o efeito estufa funciona, de forma que adolescentes possam compreender facilmente. A explicação deve ser cientificamente precisa, mas acessível e envolvente.

Técnicas Avançadas

1. Iteração e Refinamento

Raramente o primeiro prompt produzirá exatamente o que você deseja. A iteração é uma parte essencial do processo de criação de prompts eficazes.

Recomendações:

• Comece com um prompt básico e refine gradualmente
• Analise as respostas para identificar onde o modelo está falhando
• Ajuste um elemento de cada vez para isolar o impacto das mudanças
• Mantenha um registro das versões de prompts e seus resultados

Exemplo de processo iterativo:

Prompt inicial: "Escreva um poema sobre a natureza."

Análise: Muito vago, resultou em um poema genérico.

Prompt refinado: "Escreva um soneto sobre como as florestas tropicais estão sendo afetadas pelas mudanças climáticas. Use linguagem vívida e sensorial."

Análise: Melhor, mas ainda falta especificidade no tom.

Prompt final: "Escreva um soneto em português no estilo de Camões sobre a resiliência das florestas tropicais diante das mudanças climáticas. Use metáforas que contrastem a fragilidade e a força da natureza, com um tom que comece sombrio mas termine esperançoso."

2. Combinação de Técnicas

As técnicas de prompting não são mutuamente exclusivas. Combiná-las pode produzir resultados superiores.

Recomendações:

• Combine Role Prompting com Chain-of-Thought para obter análises especializadas e detalhadas
• Use Few-Shot com Self-Consistency para tarefas complexas
• Integre Meta Prompting com Role Prompting para estruturar respostas de especialistas

Exemplo de combinação de técnicas:

Você é um economista especializado em mercados emergentes, com 20 anos de experiência em análise macroeconômica e publicações em revistas renomadas como The Economist e Financial Times.

Analise os possíveis impactos econômicos da recente política monetária do Brasil nos próximos 12 meses.

Estruture sua análise da seguinte forma:
1. Resumo da situação atual
2. Análise de fatores-chave
3. Cenários possíveis (otimista, realista, pessimista)
4. Recomendações para investidores

Para cada ponto, pense passo a passo, considerando múltiplos fatores e suas interações antes de chegar a conclusões.

Evitando Erros Comuns

1. Sobrecarga de Instruções

Incluir muitas instruções ou restrições em um único prompt pode confundir o modelo e resultar em respostas que ignoram parte das diretrizes.

Recomendações:

• Priorize as instruções mais importantes
• Divida tarefas complexas em subtarefas
• Use formatação clara para separar diferentes instruções
• Considere usar prompts sequenciais para tarefas muito complexas

2. Instruções Contraditórias

Instruções que se contradizem confundem o modelo e resultam em respostas inconsistentes.

Recomendações:

• Revise o prompt para identificar possíveis contradições
• Estabeleça prioridades claras quando houver requisitos potencialmente conflitantes
• Seja explícito sobre como resolver aparentes contradições

3. Falta de Especificidade

Prompts vagos ou genéricos demais resultam em respostas igualmente genéricas e muitas vezes não atendem às necessidades reais.

Recomendações:

• Especifique o formato, tom, comprimento e nível de detalhe desejados
• Inclua exemplos concretos do tipo de resposta que você espera
• Forneça contexto suficiente sobre o propósito e o público-alvo
• Seja específico sobre o que deve ser incluído ou excluído

Considerações Éticas

1. Vieses e Representatividade

Os modelos de IA podem perpetuar ou amplificar vieses presentes nos dados de treinamento. É importante criar prompts que incentivem respostas equilibradas e representativas.

Recomendações:

• Solicite explicitamente perspectivas diversas e equilibradas
• Evite suposições implícitas sobre gênero, raça, cultura, etc.
• Peça ao modelo para considerar diferentes pontos de vista
• Revise criticamente as respostas em busca de vieses não intencionais

2. Transparência e Precisão

É importante garantir que o conteúdo gerado por IA seja preciso e que sua origem seja transparente quando necessário.

Recomendações:

• Solicite que o modelo indique quando não tem informações suficientes
• Peça citações ou referências para afirmações factuais importantes
• Instrua o modelo a evitar afirmações excessivamente confiantes em áreas incertas
• Considere solicitar que o modelo apresente múltiplas perspectivas

Conclusão

A arte de criar prompts e