O Fim da Era das IAs Tradicionais — e o Início Inevitável das Agentic AIs

Nos últimos anos, vivemos uma contradição: modelos de IA cada vez mais impressionantes nos benchmarks, mas incapazes de entregar impacto proporcional na vida real. O mundo celebrava evals super-humanos enquanto enfrentava códigos quebrados, repetições absurdas, bugs em looping e falta de generalização prática.

A verdade desconfortável emergiu:
as IAs tradicionais atingiram um limite estrutural.
E como afirmou Ilya Sutskever — cofundador da OpenAI e hoje no SSI — “tem algo estranho acontecendo”.

Este artigo explica por que essa era acabou e por que Agentic AI se tornou não só inevitável, mas prioritária.

1. Por que as IAs morreram?

1.1. A contradição que explodiu: super-humanas nos testes, frágeis na prática

Sutskever descreve o paradoxo:

“Os modelos vão muito bem nos evals... mas o impacto econômico está dramaticamente atrás.”

Somos capazes de ver:

• Modelos que resolvem olimpíadas de matemática

• Mas não conseguem corrigir o próprio bug com consistência

• Ou que alternam entre corrigir um erro e recriar o anterior em looping (“bug → fix → novo bug → fix → bug antigo”).

O diagnóstico: generalização real continua fraca, mesmo com pré-treinamento massivo.

1.2. Pré-treinamento deixou de escalar

O motor da revolução 2018–2024 foi extremamente simples:

Mais dados + mais parâmetros + mais compute = melhor modelo.

Mas como Sutskever aponta:

• Os dados “naturais” do mundo acabaram.

• Aumentar compute gera ganhos marginais.

• Escalar pré-treinamento virou um “jogo de retorno decrescente”.

Estamos oficialmente no fim da “era do scaling”.

1.3. RL virou um remendo — não uma solução

Segundo Sutskever:

• RL hoje é usado para “treinar para o eval”, não para gerar inteligência geral.

• Laboratórios criam ambientes artificiais focados em resultados de testes.

• Isso gera recompensa hackeada: modelos otimizam métricas, não comportamento real.

O resultado: habilidades estreitas, frágeis e pouco generalizáveis.
Ou como Sutskever resume:

“Os modelos são como o estudante que treinou 10.000 horas para competições. Excelente no torneio, ruim no trabalho real.”

1.4. Falta o ingrediente humano: capacidade de aprender continuamente

Humanos:

• aprendem com poucos exemplos

• corrigem-se enquanto fazem

• entendem valor e contexto

• transferem aprendizado entre domínios

Modelos:

• precisam de milhões de exemplos

• não sabem avaliar se estão indo bem ou mal

• não têm “valor functions” internas

• não têm autocorreção robusta

• não conseguem aprender de forma contínua no mundo real

Por isso, na visão de Sutskever:

“As IAs não sentem poder. Não parecem inteligentes. Continuam errando de maneiras impossíveis para humanos.”

Conclusão parcial: as IAs tradicionais morreram porque…

• Escala não resolve mais.

• Eval não significa inteligência.

• RL atual gera modelos míopes e especializados demais.

• Não existe generalização robusta.

• Não existe aprendizagem contínua real.

A era do “prompt → resposta” acabou.

2. Por que Agentic AI é o próximo passo inevitável

Agentic AI nasce para corrigir precisamente esses gargalos.

Ela não é apenas um modelo “melhorado”.
É uma arquitetura diferente, com foco em:

• objetivos, não prompts

• planejamento

• raciocínio multi-passo

• execução autônoma

• autocorreção

• governança

• aprendizado contínuo

• integração com sistemas reais

Em vez de “responder ao que o usuário pede”, ela:

Define caminhos → age → monitora → ajusta → busca metas.

É a transição de ferramenta para agente.

2.1. Por que o mundo precisa de agentes agora

Com os limites do pré-treinamento e RL atual, avançar exige:

✓ Um sistema que age no mundo real, não apenas em datasets

✓ Aprendizado contínuo (não estático)

✓ Valor functions internas

✓ Autonomia com supervisão humana

✓ Capacidade de se adaptar em loop fechado

✓ Robustez — não apenas competência em ambientes artificiais

É isso que Agentic AI entrega.

3. O argumento mais profundo: estamos entrando novamente na “era da pesquisa”

Sutskever descreve assim:

• 2012–2020: Era da Pesquisa

• 2020–2024: Era da Escala (pré-treinamento)

• 2025+: Fim da escala → volta da pesquisa fundamental

E o foco da nova era é claro:

generalização, valor functions, aprendizado contínuo e agentes autônomos.

Essa é exatamente a agenda de Agentic AI.

4. O que Ilya revela (e nunca havia sido dito tão claramente)

4.1. O modelo atual não leva à superinteligência

Ele afirma diretamente:

“O que as pessoas estão fazendo hoje vai até certo ponto… e para.”

Não é suficiente para:

• inteligência geral

• aprendizagem humana

• robustez

• entendimento do mundo

• segurança real

Por isso, ele aposta em novas abordagens — que levam direto aos princípios de agentes autônomos.

4.2. O futuro são agentes que aprendem como humanos

Sutskever é explícito:

“Superinteligência será um agente capaz de aprender como um humano — mas muito mais rápido.”

Não um modelo pré-treinado gigante.
Não um LLM.
Não um sistema estático.

Mas um agente contínuo, que aprende fazendo.

Exatamente a definição moderna de Agentic AI.

4.3. E esses agentes precisam ser implementados cedo — na prática, não na teoria

A frase mais importante:

“Você precisa mostrar a IA. Não dá para imaginar o que ela será. O mundo precisa vê-la sendo usada.”

Isso justifica por que empresas estão correndo para lançar agentes (OpenAI, Anthropic, Google, Meta, Perplexity etc.).

O mundo precisa se adaptar antes que eles se tornem muito poderosos.

5. O que isso significa para empresas, criadores e governos

5.1. As IAs tradicionais continuarão sendo úteis — mas como ferramentas

Assistentes, chatbots e geradores continuarão existindo.
Mas serão aplicativos, não o núcleo da inteligência.

O núcleo será agentic.

5.2. Agentic AI será a força de trabalho da nova economia

Ela:

• executa tarefas ponta a ponta

• opera sistemas complexos

• aprende com dados reais

• trabalha como um “estagiário super-humano”

• escala operações sem escalar pessoas

É força de trabalho digital.

5.3. Quem não adotar vai desaparecer

Empresas com força de trabalho agentic terão:

• custos 80% menores

• velocidade muito maior

• qualidade mais alta

• capacidade de operação 24/7

• vantagem competitiva acumulativa (aprendizagem)

Não existe competição possível.

6. Conclusão — a IA do passado morreu, e o futuro é agentic

A combinação de:

• estagnação do pré-treinamento

• limites absolutos do RL atual

• falta de generalização

• falta de valor functions

• incapacidade de aprender no mundo

• comportamento frágil

• alta repetição e erro circular

• baixa robustez

• economia incapaz de absorver modelos estáticos

torna a conclusão inevitável:

IAs tradicionais morreram como paradigma dominante.
Agentic AI é a nova infraestrutura de inteligência da economia global.

Ou como Sutskever disse:

“As pessoas não conseguem imaginar o que está chegando. Mas vão sentir. E será muito poderoso.”

Estamos entrando na nova era.

E quem começar agora sai anos na frente.

Assine agora

Compartilhar

Deixe um comentário

🎯 OBJETIVO DA DEMANDA

1️⃣ Defina o objetivo

Mostre o que você quer alcançar.

Ex: “Quero informar, vender, inspirar…”

2️⃣ Detalhe a meta principal

Seja claro: Informar? Engajar? Ensinar? Inspirar?

Ex: “Quero motivar líderes a darem feedbacks.”

3️⃣ Dê um exemplo

“Quero que o texto motive os líderes a darem feedbacks mais frequentes e consistentes.”

✅ Dica final:

Meta clara = conteúdo assertivo!

🎯 OBJETIVO DA DEMANDA

1️⃣ Defina o objetivo
Mostre claramente o que você quer alcançar.
Exemplo: “Quero informar, vender, inspirar…”

2️⃣ Detalhe a meta principal
Explique a meta principal para não ter dúvidas.
Exemplo: “Quero motivar líderes a darem feedbacks.”

3️⃣ Dê um exemplo prático
Mostre como isso se aplica na prática.
Exemplo: “Quero que o texto motive os líderes a darem feedbacks mais frequentes e consistentes.”

✅ Dica final:
Meta clara = conteúdo assertivo!

📣 TOM DE VOZ DESEJADO

1️⃣ Defina o tom
Descreva se quer algo formal, inspirador, técnico, direto ou empático.
Ex: “Formal, inspirador, técnico…”

2️⃣ Especifique o estilo
Diga se quer seguir o jeito de alguém ou um modelo específico.
Ex: “No estilo do João Furlan”

3️⃣ Dê um exemplo prático
Mostre como isso se aplica.
Ex: “Quero algo com um tom inspirador e direto, como os textos que o João Furlan publica no LinkedIn.”

✅ Dica final:
Tom certo = conteúdo valorizado!

📑 ESTRUTURA ESPERADA (SE HOUVER)

1️⃣ Diga qual o formato
Explique se é um post, e-mail, artigo, roteiro, legenda, carrossel, título com CTA…
Ex: “Post, e-mail, artigo…”

2️⃣ Aponte o detalhe
Mostre pontos obrigatórios que guiam o resultado, como incluir CTA no final.
Ex: “…com um CTA no fim.”

3️⃣ Dê um exemplo prático
Exemplo: “Preciso de uma legenda para um carrossel no Instagram, com um CTA no final.”

✅ Dica final:
Quanto mais claro, melhor!

📝 INSTRUÇÕES ESPECÍFICAS

1️⃣ Informe as instruções
Compartilhe links, referências ou detalhes que não podem faltar.
Ex: “Links, referências…”

2️⃣ Aponte os pontos obrigatórios
Indique termos, frases ou detalhes que precisam estar no conteúdo.
Ex: “Use os termos ‘feedback empático’ e ‘cultura de confiança’.”

3️⃣ Dê um exemplo prático
Exemplo: “Use os termos ‘feedback empático’ e ‘cultura de confiança’. E mencione o curso gratuito no final.”

✅ Dica final:
Quanto mais específico, melhor!

🧩 Como criar o Prompt Perfeito: Guia Completo

Um bom prompt não nasce do acaso. É fruto de clareza, contexto, objetivo definido e instruções específicas. Assim, você orienta a IA para gerar conteúdos mais próximos do que precisa — economizando tempo e retrabalho.

Aqui está o passo a passo prático, inspirado em técnicas de UX writing, marketing digital e comunicação assertiva:

🎯 1) Defina o Objetivo da Demanda

👉 Por que fazer isso?
A IA não adivinha sua meta final. Se você não disser se quer informar, vender, inspirar ou engajar, ela pode criar algo genérico e ineficaz.

✅ Dicas de especialistas:

• Tenha sempre 1 verbo de ação (Informar, Convencer, Inspirar, Engajar).

• Conecte o objetivo ao público: “Quero motivar líderes a darem feedbacks.”

📣 2) Escolha o Tom de Voz Desejado

👉 Por que fazer isso?
O tom dá personalidade ao texto. Define se será formal ou descontraído, empático ou técnico, direto ou inspirador. E pode até seguir o estilo de um autor ou marca específica.

✅ Dicas de especialistas:

• Mostre referências: “No estilo de João Furlan no LinkedIn.”

• Evite tons genéricos; seja claro. Ex: “Inspirador e direto.”

🗂️ 3) Especifique a Estrutura Esperada

👉 Por que fazer isso?
Conteúdos bem estruturados são mais fáceis de usar. Diga se quer post, e-mail, carrossel, roteiro, título com CTA (chamada para ação).

✅ Dicas de especialistas:

• Se tiver mais de um formato, explique cada um.

• Mostre exemplos reais: “Preciso de uma legenda para um carrossel com CTA no final.”

📌 4) Inclua Instruções Específicas

👉 Por que fazer isso?
Detalhes tornam a resposta mais alinhada. Se houver links, frases, dados ou palavras-chave obrigatórias, avise!

✅ Dicas de especialistas:

• Liste palavras obrigatórias.

• Especifique o que não pode faltar.

• Ex: “Use os termos ‘feedback empático’ e ‘cultura de confiança’. Mencione o curso gratuito no final.”

💡 Dicas extras de profissionais de IA e UX

✅ Seja direto: quanto mais claro, menos tentativas de ajuste.

✅ Evite prompts longos e confusos. Divida por tópicos numerados ou bullets.

✅ Inclua exemplos reais — a IA entende padrões a partir de exemplos.

✅ Revise a resposta. Se faltar algo, dê feedback à IA: “Melhore o tom para ficar mais inspirador.”

✅ Teste variações do mesmo prompt para encontrar a melhor abordagem.

✨ Resumo Prático

✔️ Contexto: explique quem você é, para quem é o conteúdo e onde será usado.
✔️ Objetivo claro: o que quer alcançar?
✔️ Tom de voz: como quer que soe?
✔️ Estrutura: qual formato e detalhes extras?
✔️ Exemplo: mostre como ficaria o resultado final.

📘 Fontes e Inspirações

• UX Writing Hub

• Nielsen Norman Group (NNG)

• Comunidades de Prompt Engineering (OpenAI, PromptHero, FlowGPT)

• Cases de copywriting para IA (LinkedIn, blogs de marketing e branding)

✅ Lembre-se:

Um prompt bem escrito = menos refações + respostas mais precisas.
É como dar um briefing detalhado a um redator humano — quanto mais claro, melhor!

Se quiser, posso diagramar esse conteúdo num PDF visual, criar slides ou cards carrossel prontos para seu time aprender. Quer que eu monte? 🚀

🧠 ReAct: Sinergia entre Raciocínio e Atuação em Modelos de Linguagem

Os modelos de linguagem evoluíram rapidamente em duas frentes: raciocínio lógico (com chain-of-thought prompting) e capacidade de agir (como WebGPT, SayCan). Mas, até agora, esses progressos seguiram caminhos separados. ReAct propõe: por que não unir essas duas forças?

Abstrato

ReAct é uma abordagem inovadora que intercala dois elementos fundamentais nos LLMs:

• Traços de raciocínio (“Thought…)**: ajudam o modelo a planejar, ajustar e tratar exceções.

• Ações (“Action…)**: permitem interagir com o ambiente ou APIs — como Wikipedia — e incorporar esse feedback ao raciocínio (arxiv.org, react-lm.github.io).

Benefícios observados:

Tarefa Métrica Resultado Com ReAct HotpotQA¹ Exact Match +2–6% vs CoT FEVER² Acurácia +4–8% vs CoT ALFWorld Taxa de sucesso +34 pontos WebShop Taxa de sucesso +10 pontos

¹Q&A com múltiplas etapas
²Verificação de fatos (research.google, medium.com)

Como funciona o prompting ReAct

A estrutura básica de um prompt ReAct alterna “Thought → Action → Observation” diversas vezes. Veja um exemplo simplificado de HotpotQA: (promptingguide.ai)

Question: Quem hospeda o show “Mystère” do Cirque du Soleil?

Thought: Preciso descobrir o hotel, depois o número de quartos.
Action: Search["Cirque du Soleil Mystère show"]
Observation: "Mystère" é no Treasure Island Hotel & Casino em Las Vegas.
Thought: Agora buscar o número de quartos.
Action: Search["Treasure Island Hotel and Casino number of rooms"]
Observation: [resultado do search]
Thought: Resumo final da resposta…
Action: Finish["…"]

🔍 Esse loop permite que o modelo planeje, aja, veja, e replique com base no que aprendeu.

O que acontece sem ReAct?

• Com CoT clássico: o modelo raciocina, mas pode alucinar fatos sem verificar fontes externas.

• Com “Act‑only”: consegue buscar, mas falha em sintetizar o resultado de forma estruturada (research.google).

Exemplos reais

🔍 Tarefa: verificação de afirmação

• CoT: “X é factual porque….” → erro.

• Act‑only: busca, mas não entende o contexto → resposta vaga.

• ReAct: raciocina, busca, raciocina de novo → resposta correta e fundamentada (research.google).

🕹️ Jogo ALFWorld

• Script ReAct: pensamento esparso, ações assertivas.

• Permite inspeção e ajuste humano — se o agente erra, basta editar um “Thought” e realinhar o comportamento (arxiv.org, research.google).

ReAct + fine‑tuning

• Ajuste fino com dados ReAct melhora modelos menores, superando modelos grandes apenas com prompting.

• É o formato mais eficiente de fine‑tuning para tarefas como HotpotQA (react-lm.github.io, arxiv.org).

Porque isso importa?

• Maior confiança e interpretabilidade: traços justificam ações do agente, facilitando auditoria.

• Menos alucinação e erros de trace logística: o loop de verificação corrige inconsistências.

• Versatilidade: único framework para Q&A, verificação de fatos, navegação, compras online, games de texto...

• Acelerador para agentes autônomos: ReAct pode servir como base para bots mais robustos com integração de APIs e processamento simbólico.

🔧 Orientações Práticas para Engenheiros

1. Monte few‑shots ReAct com traços humanos bem elaborados.

2. Intercale Thought → Action → Observation quantas vezes necessário.

3. Incorpore ferramentas externas (APIs, motores de busca, bases de dados).

4. Apresente caminhos de raciocínio breves, dando ao modelo margens para escolher quando pensar ou agir.

5. Utilize human‑in‑the‑loop para interceptar e ajustar raciocínios falhos.

6. Aplique fine‑tuning quando dados perforam o limite do contexto ou rendimento do prompting.

🧭 Caminhos Futuros

• Escalar para agentes que executam ações no mundo real, com físicos e robôs.

• Combinar ReAct com RLHF, Fidelidade Simbólica e Lógica Formal.

• Ampliar a base de ações: chamadas de função, APIs dinâmicas, sensores...

✅ Conclusão

ReAct representa um salto na arquitetura de agentes LLM, combinando pensamento estruturado com ação informada. Com ganhos significativos em precisão, confiança e interpretação, ele redefine o design de agentes autônomos.

Em suma: ReAct faz o seu agente pensar e agir como um humano técnico experiente.

Citações

• Yao et al. – ReAct: Synergizing Reasoning and Acting in Language Models (research.google, arxiv.org, react-lm.github.io)

• PromptingGuide e Medium – visão geral e exemplos práticos

• Estudos em ALFWorld/WebShop – sucessos e correções human‑in‑the‑loop (arxiv.org)

🚨 Vazaram os Prompts das Maiores Ferramentas de IA do Mercado: O que Isso Significa para Você?

Na madrugada do dia 23 de junho de 2025, um repositório público no GitHub expôs algo que pode transformar — ou ameaçar — o futuro da inteligência artificial: os prompts internos de dezenas de ferramentas de IA líderes no mercado foram vazados.

O repositório, chamado Agents-Prompts, reúne mais de 7.000 linhas de instruções que definem como agentes de IA de empresas como Vercel (FULL v0), Cursor, Devin, Same.dev, Lovable, Windsurf, Replit, Manus, VSCode Agent, entre outras, operam nos bastidores.

💡 Por que isso importa?

Esses prompts são o "cérebro invisível" por trás da IA. São eles que determinam como os agentes se comportam, respondem, tomam decisões e interagem com o usuário. Ao expor isso publicamente, abre-se uma janela direta para:

• Engenharia reversa de agentes comerciais

• Auditoria de viés, segurança e performance

• Inspiração (ou cópia) para novos projetos de IA

• Exposição de IP (Propriedade Intelectual) para startups e big techs

🔍 O que foi revelado?

Cada prompt detalhado no repositório mostra:

• Estruturas de raciocínio dos agentes (ex: “Tree of Thoughts”, “Step-by-step reasoning”, “Scratchpad planning”)

• Ações específicas ativadas por comandos (ex: abrir arquivos, buscar na internet, gerar código, executar testes)

• Estratégias de prompt tuning utilizadas para contornar limitações de contexto ou tokenização

• Técnicas de fallback em caso de erro ou incerteza

Alguns dos destaques incluem:

• FULL v0 (Vercel): sistema de agentes autônomos com raciocínio de múltiplas etapas.

• Cursor: IDE que usa IA para geração e edição contextual de código com compreensão do estado atual do projeto.

• Devin (ex-AI Engineer): prompts para build de pipelines CI/CD, execução de comandos no shell e deploy automático.

🧠 Oportunidade ou ameaça?

Para a comunidade open-source, é um prato cheio. Para empresas que investiram milhões em R&D, é um alerta vermelho.

Esse vazamento revela um padrão comum: muitas ferramentas estão rodando com prompts extremamente parecidos — e, pior, com segurança rasa. O diferencial de muitos agentes está mais no design e integração do que na "inteligência" em si.

✅ O que você pode fazer com isso?

1. Estudar os prompts vazados para entender como IAs comerciais realmente pensam.

2. Aprender engenharia de prompts avançada, direto da fonte das ferramentas que você já usa.

3. Desenvolver seus próprios agentes com base em arquiteturas comprovadas.

4. Fortalecer a segurança dos seus próprios sistemas e não repetir os mesmos erros.

Este vazamento marca um momento histórico para o ecossistema de IA. Pela primeira vez, podemos comparar em detalhes como diferentes agentes operam — e aprender com isso.

Na HUB IA Brasil, acreditamos que transparência e compartilhamento de conhecimento são pilares fundamentais para o avanço da inteligência artificial.

🔗 Acesse o repositório: https://github.com/m2f0/Agents-Prompts

🧪 Análise Técnica dos Prompts Vazados

Após revisar os prompts estruturais das ferramentas expostas, alguns padrões e práticas chamam atenção e merecem destaque técnico.

1. FULL v0 (Vercel)

Agente multi-passos com raciocínio encadeado

• Utiliza estrutura do tipo “Tree of Thoughts”, combinando:

  • Thought: instrução reflexiva (“O que devo considerar?”)

  • Action: escolha da próxima etapa

  • Observation: feedback do ambiente

• Prompts fortemente influenciados por Auto-GPT e ReAct

• Thought: I need to understand what the user is asking. Action: SearchDocs Observation: [result]

• Aplicação: ideal para agentes que precisam iterar ideias antes de decidir.

2. Cursor IDE

IA de copiloto contextual de código

• Prompts focam em estado do projeto:

  • Lista de arquivos abertos

  • Últimos commits

  • Código selecionado pelo usuário

• { "context": "This is the file being edited:", "selection": "user selected this method:", "goal": "Refactor this to remove duplicate logic." }

• Diferencial: integração com git diff e LSP (Language Server Protocol).

3. Manus / Lovable

Agente de autocompletar tarefas com interface amigável

• Prompt principal:

  You are a helpful assistant with access to these tools: [browser, shell, editor] User goal: “Deploy a React app to Vercel”

• Tática: prompt inicial seguido por sub-prompts por ferramenta (ex: browser, editor)

• Design: lembra um agente de terminal com múltiplos plugins.

4. Devin (ex-AI Engineer)

Agente executor real com Shell + Git + Deploy

• Exemplo de ação:

• Shell command: git clone https://github.com/user/repo.git File changed: /src/main.py

• Contém fluxos de raciocínio explícitos:

  • “O que quero mudar?”

  • “Como sei que funcionou?”

• Característica marcante: decisões baseadas em execução real do código.

5. Replit CodeGen Agent

• Prompt dividido em:

  • User Goal

  • Code Context

  • Tests Passed / Failed

  • Next Action

• Automatiza ciclo: editar código → rodar testes → avaliar saída → repetir

• Usa buffer de histórico com no máximo 10 interações.

🎯 Conclusão Técnica

Esses prompts revelam que:

• A engenharia de prompts já é uma engenharia de software por si só.

• Os agentes mais poderosos utilizam raciocínio iterativo e ferramentas internas como memória, histórico, e percepção de ambiente (shell, editor, etc.).

• A complexidade dos agentes não está na linguagem natural, mas na orquestração de passos e ferramentas.

Se você deseja criar ou aprimorar agentes, estudar esses prompts é essencial.

📘 Recomendações para Engenheiros e Pesquisadores

• Estude e implemente variações dos padrões Thought → Action → Observation

• Use buffers de contexto com resumo progressivo

• Estruture prompts como scripts de raciocínio, não apenas instruções simples

• Use memória estruturada (ex: JSON, YAML ou custom scratchpads)

  Compartilhar

  ---

  Curta, comente e compartilhe. Obrigado.

• 🇨🇳 DeepSeek ajuda exército chinês usando chips via intermediários

• 🤖 Tesla inicia testes de robotáxis autônomos gratuitos em Austin

• 🌐 Nvidia anuncia nuvem de IA industrial na Europa, com crescimento x10

• 🍌 Balanças com IA já identificam bananas nos mercados brasileiros

• ⚠️ Atenção às fraudes: golpistas usam deepfakes com IA para enganar

Curtiu? Dê like, siga o HUB IA Brasil e compartilhe este briefing com sua rede!
#HUBIABrasil #IA #Tesla #Nvidia #DeepSeek #Inovação #SegurançaDigital

Fonte da imagem: Gao et al., (2022)

Vejamos um exemplo usando LangChain e OpenAI GPT-3. Estamos interessados em desenvolver um aplicativo simples que seja capaz de interpretar a pergunta que está sendo feita e fornecer uma resposta aproveitando o interpretador Python.

Read more

• 🤖 Nvidia + Foxconn lançam humanoides na linha de produção de servidores IA em Houston

• 📚 BBC vs Perplexity AI: disputa por uso não autorizado de conteúdo

• 🌵 SoftBank propõe hub de US$ 1 trilhão em Arizona para IA e robótica

• 🌐 ONU alerta: IA deve respeitar direitos humanos com avaliações e reparação

👀 Quer estar sempre por dentro do futuro tecnológico?
Curta, siga o HUB IA Brasil e compartilhe com sua rede!

#HUBIABrasil #InteligenciaArtificial #IA #Robótica #DireitosHumanos #Inovação #Tecnologia

👉 Fique por dentro do futuro da tecnologia com nosso conteúdo! Curta, siga, compartilhe.
#HUBIABrasil #IA #BigTech #Regulamentação #ÉticaDigital

⚙️ OpenAI fecha contrato de US$ 200 milhões com o Departamento de Defesa dos EUA
🎾 Wimbledon estreia assistente de IA em tempo real para fãs
🌍 Jovens estão usando ChatGPT e Gemini como fontes de notícias
🇩🇪 Alemanha inicia construção de supercomputador de IA com Nvidia
🇧🇷 UFSC desenvolve sistema de IA para monitoramento de rodovias em MG

🎙️ Narrado pelo apresentador digital Mario, direto do futuro para sua timeline!

👉 Assista agora, curta, siga o HUB IA Brasil e compartilhe com sua rede.
Juntos, vamos construir uma comunidade inteligente! 💡🤖

#HUBIABrasil #InteligenciaArtificial #IAHoje #OpenAI #Wimbledon #IAnoBrasil #Supercomputador #NotíciasIA #Tecnologia

Compartilhar

Assine agora

Prompt:

Classifique o texto em neutro, negativo ou positivo.
Texto: Acho que as férias estão boas.
Sentimento:

Saída:

Neutro

Observe que no prompt acima não fornecemos nenhum exemplo ao modelo -- esses são os recursos de tiro zero em ação.

O ajuste de instrução demonstrou melhorar o aprendizado de tiro zero Wei et al. (2022). O ajuste de instrução é essencialmente o conceito de modelos de ajuste fino em conjuntos de dados descritos por meio de instruções. Além disso, RLHF (aprendizado por reforço a partir de feedback humano) foi adotado para escalar o ajuste de instruções em que o modelo é alinhado para melhor atender às preferências humanas. Este desenvolvimento recente alimenta modelos como o ChatGPT. Discutiremos todas essas abordagens e métodos nas próximas seções.

Quando o tiro zero não funciona, é recomendável fornecer demonstrações ou exemplos no prompt que levam ao prompt de poucos tiros. Na próxima seção, demonstramos a solicitação de poucos disparos.

Assine agora

Compartilhar

Assine agora

Curta, comente e compartilhe.

Muitas vezes, a melhor maneira de aprender conceitos é através de exemplos. Abaixo, abordamos alguns exemplos de como prompts bem elaborados podem ser usados para executar diferentes tipos de tarefas.

Resumo de texto

Uma das tarefas padrão na geração de linguagem natural é o resumo de texto. A sumarização de texto pode incluir preferências e domínios diferentes. Na verdade, uma das aplicações mais promissoras dos modelos de linguagem é a capacidade de resumir artigos e conceitos em resumos rápidos e fáceis de ler. Vamos tentar uma tarefa básica de resumo usando prompts.

Digamos que estou interessado em aprender sobre antibióticos, poderia tentar um prompt como este:

Prompt:

Explique os antibióticosA:

Saída:

Os antibióticos são um tipo de medicamento usado para tratar infecções bacterianas. Eles funcionam matando as bactérias ou impedindo-as de se reproduzir, permitindo que o sistema imunológico do corpo combata a infecção. Os antibióticos são geralmente tomados por via oral na forma de comprimidos, cápsulas ou soluções líquidas, ou às vezes administrados por via intravenosa. Eles não são eficazes contra infecções virais e usá-los de forma inadequada pode levar à resistência aos antibióticos.

O "A:" é um formato de prompt explícito usado para responder perguntas. Eu usei isso aqui para dizer ao modelo que há um futuro esperado. Neste exemplo, não está claro como isso é útil ou não, mas deixaremos isso para exemplos posteriores. Vamos apenas supor que isso é muita informação e queremos resumi-la ainda mais. Na verdade, podemos instruir o modelo a resumir em uma frase da seguinte forma:

Prompt:

Os antibióticos são um tipo de medicamento usado para tratar infecções bacterianas. Eles funcionam matando as bactérias ou impedindo-as de se reproduzir, permitindo que o sistema imunológico do corpo combata a infecção. Os antibióticos são geralmente tomados por via oral na forma de comprimidos, cápsulas ou soluções líquidas, ou às vezes administrados por via intravenosa. Eles não são eficazes contra infecções virais e usá-los de forma inadequada pode levar à resistência aos antibióticos.**Explique o que foi dito acima em uma frase**:

Saída:

Os antibióticos são medicamentos usados para tratar infecções bacterianas, matando as bactérias ou impedindo-as de se reproduzir, mas não são eficazes contra vírus e o uso excessivo pode levar à resistência aos antibióticos.

Sem prestar muita atenção à precisão da saída acima, algo que abordaremos em um guia posterior, o modelo tentou resumir o parágrafo em uma frase. Você pode ficar esperto com as instruções, mas deixaremos isso para um capítulo posterior. Sinta-se à vontade para fazer uma pausa aqui e experimentar para ver se obtém melhores resultados.

Extração de Informações

Embora os modelos de linguagem sejam treinados para executar a geração de linguagem natural e tarefas relacionadas, eles também são muito capazes de realizar classificação e uma série de outras tarefas de processamento de linguagem natural (NLP).

Aqui está um exemplo de um prompt que extrai informações de um determinado parágrafo.

Prompt:

As declarações de contribuição do autor e os agradecimentos em trabalhos de pesquisa devem indicar clara e especificamente se, e em que medida, os autores usaram tecnologias de IA, como ChatGPT, na preparação de seus manuscritos e análises. Eles também devem indicar quais LLMs foram usados. Isso alertará os editores e revisores para examinar os manuscritos com mais cuidado em busca de possíveis vieses, imprecisões e créditos de origem impróprios. Da mesma forma, os periódicos científicos devem ser transparentes sobre o uso de LLMs, por exemplo, ao selecionar manuscritos enviados.**Mencione o produto baseado em modelo de linguagem grande mencionado no parágrafo acima**:

Saída:

O produto baseado em modelo de linguagem grande mencionado no parágrafo acima é o ChatGPT.

Existem muitas maneiras de melhorar os resultados acima, mas isso já é muito útil.

Até agora deve ser óbvio que você pode pedir ao modelo para executar diferentes tarefas simplesmente instruindo-o sobre o que fazer. Esse é um recurso poderoso que os desenvolvedores de produtos de IA já estão usando para criar produtos e experiências poderosos.

Fonte do parágrafo: ChatGPT: cinco prioridades para pesquisa

Resposta a perguntas

Uma das melhores maneiras de fazer com que o modelo responda a respostas específicas é melhorar o formato do prompt. Conforme abordado anteriormente, um prompt pode combinar instruções, contexto, entrada e indicadores de saída para obter melhores resultados.

Embora esses componentes não sejam necessários, torna-se uma boa prática, pois quanto mais específico você for com a instrução, melhores resultados obterá. Abaixo está um exemplo de como isso ficaria seguindo um prompt mais estruturado.

Prompt:

Responda a pergunta com base no contexto abaixo. Mantenha a resposta curta e concisa. Responda "Não tenho certeza sobre a resposta" se não tiver certeza da resposta.Contexto: Teplizumab tem suas raízes em uma empresa farmacêutica de Nova Jersey chamada Ortho Pharmaceutical. Lá, os cientistas geraram uma versão inicial do anticorpo, apelidada de OKT3. Originalmente proveniente de camundongos, a molécula foi capaz de se ligar à superfície das células T e limitar seu potencial de morte celular. Em 1986, foi aprovado para ajudar a prevenir a rejeição de órgãos após transplantes renais, tornando-se o primeiro anticorpo terapêutico permitido para uso humano.Pergunta: De onde veio originalmente o OKT3?Responder:

Saída:

Camundongos.

Contexto obtido da Nature.

Classificação de texto

Até agora, usamos instruções simples para executar uma tarefa. Como um engenheiro de prompt, você precisará melhorar o fornecimento de melhores instruções. Mas isso não é tudo! Você também descobrirá que, para casos de uso mais difíceis, apenas fornecer instruções não será suficiente. É aqui que você precisa pensar mais sobre o contexto e os diferentes elementos que pode usar em um prompt. Outros elementos que você pode fornecer são input data ou examples.

Vamos tentar demonstrar isso fornecendo um exemplo de classificação de texto.

Prompt:

Classifique o texto em neutro, negativo ou positivo.Texto: Acho que a comida estava boa.Sentimento:

Saída:

Neutro

Demos a instrução para classificar o texto e o modelo respondeu com 'Neutro' que está correto. Não há nada de errado nisso, mas digamos que o que realmente precisamos é que o modelo dê o rótulo no formato exato que queremos. Portanto, em vez de Neutral, queremos que retorne neutral. Como alcançamos isso? Existem diferentes maneiras de fazer isso. Nós nos preocupamos com a especificidade aqui, portanto, quanto mais informações pudermos fornecer, melhores serão os resultados. Podemos tentar fornecer exemplos para especificar o comportamento correto. Vamos tentar de novo:

Prompt:

Classifique o texto em neutro, negativo ou positivo.Texto: Acho que as férias estão boas.Sentimento: neutroTexto: Acho que a comida estava boa.Sentimento:

Saída:

neutro

Perfeito! Desta vez, o modelo retornou neutro, que é o rótulo específico que eu estava procurando. Parece que o exemplo fornecido no prompt ajudou o modelo a ser específico em sua saída. Para destacar por que às vezes ser específico é importante, confira este exemplo e identifique o problema:

Prompt:

Classifique o texto em neutro, negativo ou positivo.Texto: Acho que as férias estão boas.Sentimento:

Saída:

Neutro

Qual é o problema aqui?

Conversação

Talvez uma das coisas mais interessantes que você pode conseguir com a engenharia imediata seja instruir o sistema LLM sobre como se comportar, sua intenção e sua identidade. Isso é particularmente útil quando você está construindo sistemas de conversação, como chatbots de atendimento ao cliente.

Por exemplo, vamos criar um sistema de conversação capaz de gerar respostas mais técnicas e científicas às perguntas. Observe como estamos dizendo explicitamente como se comportar por meio da instrução. Às vezes, isso é chamado de solicitação de função.

Prompt:

A seguir, uma conversa com um assistente de pesquisa de IA. O tom assistente é técnico e científico.Humano: Olá, quem é você?AI: Saudações! Eu sou um assistente de pesquisa de IA. Como posso te ajudar hoje?Humano: Você pode me falar sobre a criação de buracos negros?IA:

Saída:

Claro! Buracos negros são regiões do espaço-tempo onde a força gravitacional é tão forte que nada, nem mesmo a luz, consegue escapar dela. Eles são criados quando uma estrela muito massiva morre e seu núcleo colapsa sobre si mesmo, formando uma singularidade de densidade infinita. A intensa gravidade da singularidade atrai toda a matéria e radiação ao seu redor, criando o buraco negro.

Nosso assistente de pesquisa de IA parece um pouco técnico demais, certo? Ok, vamos mudar esse comportamento e instruir o sistema a dar respostas mais acessíveis.

Prompt:

A seguir, uma conversa com um assistente de pesquisa de IA. As respostas do assistente devem ser fáceis de entender mesmo por alunos do ensino fundamental.Humano: Olá, quem é você?AI: Saudações! Eu sou um assistente de pesquisa de IA. Como posso te ajudar hoje?Humano: Você pode me falar sobre a criação de buracos negros?IA:

Saída:

Claro! Os buracos negros são criados quando uma estrela muito massiva fica sem combustível e colapsa sobre si mesma. A gravidade da estrela é tão forte que nada, nem mesmo a luz, pode escapar de sua atração. Isso cria um ponto no espaço-tempo com uma intensa força gravitacional chamada buraco negro.

Acho que fizemos algum progresso. Você pode continuar melhorando. Tenho certeza que se você adicionar mais exemplos você pode obter resultados ainda melhores.

Geração de Código

Uma aplicação em que os LLMs são bastante eficazes é a geração de código. O Copilot é um ótimo exemplo disso. Há um grande número de tarefas de geração de código que você pode executar com prompts inteligentes. Vejamos alguns exemplos abaixo.

Primeiro, vamos tentar um programa simples que saúda o usuário.

Prompt:

/*Pergunte ao usuário o nome dele e diga "Olá"*/

Saída:

let name = prompt("Qual é o seu nome?");console.log(`Olá, ${name}!`);

Você pode ver que nem precisamos especificar a linguagem a ser usada.

Vamos mudar um pouco os níveis. Quero mostrar a você como os LLMs podem ser poderosos com um pouco mais de esforço no design dos prompts.

Prompt:

"""Tabela departamentos, colunas = [DepartmentId, DepartmentName]Alunos da tabela, colunas = [DepartmentId, StudentId, StudentName]Crie uma consulta MySQL para todos os alunos do Departamento de Ciência da Computação"""

Saída:

SELECT AlunoId, AlunoNomeDE alunosWHERE DepartmentId IN (SELECT DepartmentId FROM departamentos WHERE DepartmentName = 'Ciência da Computação');

Isso é muito impressionante. Nesse caso, fornecemos dados sobre o esquema do banco de dados e solicitamos que ele gerasse uma consulta MySQL válida.

Raciocínio

Talvez uma das tarefas mais difíceis para um LLM hoje seja aquela que requer alguma forma de raciocínio. O raciocínio é uma das áreas que mais me entusiasma devido aos tipos de aplicativos complexos que podem surgir dos LLMs.

Houve algumas melhorias em tarefas envolvendo capacidades matemáticas. Dito isso, é importante observar que os LLMs atuais lutam para executar tarefas de raciocínio, portanto, isso requer técnicas de engenharia de prompt ainda mais avançadas. Abordaremos essas técnicas avançadas no próximo guia. Por enquanto, abordaremos alguns exemplos básicos para mostrar as capacidades aritméticas.

Prompt:

Quanto é 9.000 * 9.000?

Saída:

81.000.000

Vamos tentar algo mais difícil.

Prompt:

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

Saída

Não, os números ímpares neste grupo somam um número ímpar: 119.

Isso é incorreto! Vamos tentar melhorar isso melhorando o prompt.

Prompt:

Os números ímpares neste grupo somam um número par: 15, 32, 5, 13, 82, 7, 1.Resolva dividindo o problema em etapas. Primeiro, identifique os números ímpares, some-os e indique se o resultado é par ou ímpar.

Saída:

Números ímpares: 15, 5, 13, 7, 1Total 4141 é um número ímpar.

Muito melhor, certo? A propósito, tentei isso algumas vezes e o sistema às vezes falha. Se você fornecer instruções melhores combinadas com exemplos, isso pode ajudar a obter resultados mais precisos.

Continuaremos a incluir mais exemplos de aplicativos comuns nesta seção do guia.

Para conhecer mais sobre prompts, faça o nosso curso e faça download dos ebooks:

• + de 1.000 Prompts.

• Utilizando o ChatGPT para Transformar sua Vida.

Read more