🎯 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.

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

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

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

Read more

Read more

Usando uma ideia semelhante, o modelo também pode ser usado para gerar conhecimento antes de fazer uma previsão? Isso é o que é tentado no artigo de Liu et al. 2022 -- gerar conhecimento para ser usado como parte do prompt. Em particular, quão útil isso é para tarefas como raciocínio de senso comum?

Vamos tentar um prompt simples:

Prompt:

Parte do golfe é tentar obter um total de pontos mais alto do que outros. Sim ou não?

Saída:

Sim.

Esse tipo de erro revela as limitações dos LLMs para realizar tarefas que exigem mais conhecimento sobre o mundo. Como melhoramos isso com a geração de conhecimento?

Primeiro, geramos alguns "conhecimentos":

Prompt:

Entrada: A Grécia é maior que o México.Conhecimento: A Grécia tem aproximadamente 131.957 quilômetros quadrados, enquanto o México tem aproximadamente 1.964.375 quilômetros quadrados, tornando o México 1.389% maior que a Grécia.Entrada: Os óculos sempre embaçam.Conhecimento: A condensação ocorre nas lentes dos óculos quando o vapor de água do seu suor, respiração e umidade ambiente atinge uma superfície fria, esfria e então se transforma em minúsculas gotas de líquido, formando uma película que você vê como névoa. Suas lentes estarão relativamente frias em comparação com sua respiração, especialmente quando o ar externo estiver frio.Entrada: Um peixe é capaz de pensar.Conhecimento: Os peixes são mais inteligentes do que parecem. Em muitas áreas, como a memória, seus poderes cognitivos igualam ou excedem os dos vertebrados “superiores”, incluindo primatas não humanos. As memórias de longo prazo dos peixes os ajudam a acompanhar as relações sociais complexas.Entrada: Um efeito comum de fumar muitos cigarros durante a vida é uma chance maior do que o normal de contrair câncer de pulmão.Conhecimento: Aqueles que consumiram consistentemente menos de um cigarro por dia ao longo da vida tiveram nove vezes mais risco de morrer de câncer de pulmão do que os que nunca fumaram. Entre as pessoas que fumavam entre um e 10 cigarros por dia, o risco de morrer de câncer de pulmão era quase 12 vezes maior do que entre os que nunca fumaram.Entrada: Uma pedra tem o mesmo tamanho de uma pedrinha.Conhecimento: Um seixo é um clastro de rocha com um tamanho de partícula de 4 a 64 milímetros com base na escala de sedimentologia Udden-Wentworth. Os seixos são geralmente considerados maiores que os grânulos (2 a 4 milímetros de diâmetro) e menores que os seixos (64 a 256 milímetros de diâmetro).Entrada: Parte do golfe é tentar obter um total de pontos mais alto do que outros. Conhecimento:

Conhecimento 1:

O objetivo do golfe é jogar uma série de buracos com o menor número de tacadas. Uma partida de golfe normalmente consiste em 18 buracos. Cada buraco é jogado uma vez na rodada em um campo de golfe padrão. Cada tacada é contada como um ponto, e o número total de tacadas é usado para determinar o vencedor do jogo.

Conhecimento 2:

O golfe é um esporte de precisão com tacos e bolas no qual os jogadores concorrentes (ou golfistas) usam muitos tipos de tacos para acertar as bolas em uma série de buracos em um campo usando o menor número de tacadas. O objetivo é completar o percurso com a menor pontuação, que é calculada somando o número total de tacadas dadas em cada buraco. O jogador com a pontuação mais baixa ganha o jogo.

Estamos usando o prompt fornecido no artigo de Liu et al. 2022.

Assine agora

O próximo passo é integrar o conhecimento e obter uma previsão. Reformatei a pergunta no formato QA para orientar o formato da resposta.

Prompt:

Pergunta: Parte do golfe é tentar obter um total de pontos mais alto do que outros. Sim ou não?Conhecimento: O objetivo do golfe é jogar uma série de buracos com o menor número de tacadas. Uma partida de golfe normalmente consiste em 18 buracos. Cada buraco é jogado uma vez na rodada em um campo de golfe padrão. Cada tacada é contada como um ponto, e o número total de tacadas é usado para determinar o vencedor do jogo. Explique e responda:

Resposta 1 (confiança muito alta):

Não, o objetivo do golfe não é obter um total de pontos mais alto do que os outros. Em vez disso, o objetivo é jogar uma série de buracos com o menor número de tacadas. O número total de tacadas é usado para determinar o vencedor do jogo, não o número total de pontos.

Pergunta: Parte do golfe é tentar obter um total de pontos mais alto do que outros. Sim ou não?Conhecimento: O golfe é um esporte de precisão com taco e bola no qual os jogadores concorrentes (ou golfistas) usam muitos tipos de tacos para acertar as bolas em uma série de buracos em um campo usando o menor número de tacadas. O objetivo é completar o percurso com a menor pontuação, que é calculada somando o número total de tacadas dadas em cada buraco. O jogador com a pontuação mais baixa ganha o jogo. Explique e responda:

Resposta 2 (a confiança é muito menor):

Sim, parte do golfe é tentar obter um total de pontos mais alto do que outros. Cada jogador tenta completar o percurso com a menor pontuação, que é calculada somando o total número de tacadas dadas em cada buraco. O jogador com a pontuação mais baixa ganha o jogo.

Algumas coisas realmente interessantes aconteceram com este exemplo. Na primeira resposta a modelo estava muito confiante mas na segunda nem tanto. Simplifiquei o processo para fins de demonstração, mas há mais alguns detalhes a serem considerados ao chegar à resposta final.

Compartilhar

Vamos tentar o seguinte exemplo para raciocínio aritmético:

Prompt:

Quando eu tinha 6 anos, minha irmã tinha metade da minha idade. Agora

Tenho 70 anos, quantos anos tem minha irmã?

Saída:

35

A saída está errada! Como podemos melhorar isso com autoconsistência? Vamos experimentar. Usaremos os exemplares de poucos disparos de Wang et al. 2022 (Tabela 17):

P: Há 15 árvores no bosque. Os trabalhadores do bosque plantarão árvores no bosque hoje. Depois que eles terminarem,

haverá 21 árvores. Quantas árvores os trabalhadores do bosque plantaram hoje?

R: Começamos com 15 árvores. Mais tarde, temos 21 árvores. A diferença deve ser o número de árvores que plantaram.

Então, eles devem ter plantado 21 - 15 = 6 árvores. A resposta é 6.

P: Se houver 3 carros no estacionamento e mais 2 carros chegarem, quantos carros haverá no estacionamento?

R: Já existem 3 carros no estacionamento. mais 2 chegam. Agora são 3 + 2 = 5 carros. A resposta é 5.

P: Leah comeu 32 chocolates e sua irmã 42. Se elas comeram 35, quantos pedaços sobraram no total?

R: Leah tinha 32 chocolates e a irmã de Leah tinha 42. Isso significa que originalmente havia 32 + 42 = 74

chocolates. 35 foram comidos. No total, eles ainda têm 74 - 35 = 39 chocolates. A resposta é 39.

P: Jason tinha 20 pirulitos. Ele deu alguns pirulitos para Denny. Agora Jason tem 12 pirulitos. quantos pirulitos

Jason deu a Denny?

R: Jason tinha 20 pirulitos. Como ele só tem 12 agora, deve ter dado o resto para Denny. O número de

pirulitos que ele deu a Denny devem ter sido 20 - 12 = 8 pirulitos. A resposta é 8.

P: Shawn tem cinco brinquedos. No Natal, ele ganhou dois brinquedos de sua mãe e de seu pai. quantos brinquedos cabe

ele tem agora?

A: Ele tem 5 brinquedos. Ele ganhou 2 da mãe, então depois disso ele tem 5 + 2 = 7 brinquedos. Então ele ganhou mais 2 do pai, então

no total ele tem 7 + 2 = 9 brinquedos. A resposta é 9.

P: Havia nove computadores na sala do servidor. Mais cinco computadores foram instalados a cada dia, de

segunda a quinta. Quantos computadores estão agora na sala do servidor?

R: São 4 dias de segunda a quinta. 5 computadores foram adicionados a cada dia. Isso significa que no total 4 * 5 =

20 computadores foram adicionados. No começo havia 9 computadores, então agora são 9 + 20 = 29 computadores.

A resposta é 29.

P: Michael tinha 58 bolas de golfe. Na terça-feira, ele perdeu 23 bolas de golfe. Na quarta-feira, ele perdeu mais 2. Quantos

bolas de golfe ele tinha no final da quarta-feira?

R: Michael inicialmente tinha 58 bolas. Ele perdeu 23 na terça-feira, então depois disso ele tem 58 - 23 = 35 bolas. Sobre

Quarta-feira ele perdeu mais 2 então agora ele tem 35 - 2 = 33 bolas. A resposta é 33.

P: Olivia tem $ 23. Ela comprou cinco bagels por US$ 3 cada. Quanto dinheiro ela tem sobrando?

R: Ela comprou 5 bagels por US$ 3 cada. Isso significa que ela gastou 5

P: Quando eu tinha 6 anos, minha irmã tinha metade da minha idade. Agora tenho 70 anos, quantos anos tem minha irmã?

A:

Saída 1:

Quando eu tinha 6 anos, minha irmã tinha metade da minha idade, então ela tinha 3. Agora eu tenho 70, então ela tem 70 - 3 = 67. A resposta é 67.

Saída 2:

Quando o narrador tinha 6 anos, sua irmã tinha metade de sua idade, que é 3. Agora que o narrador tem 70 anos, sua irmã teria 70 - 3 = 67 anos. A resposta é 67.

Saída 3:

Quando eu tinha 6 anos, minha irmã tinha metade da minha idade, então ela tinha 3. Agora eu tenho 70, então ela tem 70/2 = 35. A resposta é 35.

O cálculo da resposta final envolve algumas etapas (confira o artigo para obter os detalhes), mas, para simplificar, podemos ver que já existe uma resposta majoritária emergindo, de modo que ela se tornaria essencialmente a resposta final.

Fonte da imagem: Wei et al. (2022)

Introduzido em Wei et al. (2022), a solicitação de cadeia de pensamento (CoT) permite recursos de raciocínio complexos por meio de etapas intermediárias de raciocínio. Você pode combiná-lo com prompts de poucos tiros para obter melhores resultados em tarefas mais complexas que exigem raciocínio antes de responder.

Prompt:

Os números ímpares neste grupo somam um número par: 4, 8, 9, 15, 12, 2, 1.

R: Somando todos os números ímpares (9, 15, 1) dá 25. A resposta é Falso.

Os números ímpares neste grupo somam um número par: 17, 10, 19, 4, 8, 12, 24.

R: Somando todos os números ímpares (17, 19) dá 36. A resposta é Verdadeiro.

Os números ímpares neste grupo somam um número par: 16, 11, 14, 4, 8, 13, 24.

R: Somando todos os números ímpares (11, 13) dá 24. A resposta é Verdadeiro.

Os números ímpares neste grupo somam um número par: 17, 9, 10, 12, 13, 4, 2.

R: Somando todos os números ímpares (17, 9, 13) dá 39. A resposta é Falso.

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

A:

Saída:

Somando todos os números ímpares (15, 5, 13, 7, 1) dá 41. A resposta é Falso.

Uau! Podemos ver um resultado perfeito quando fornecemos a etapa de raciocínio. Na verdade, podemos resolver essa tarefa fornecendo ainda menos exemplos, ou seja, apenas um exemplo parece suficiente:

Prompt:

Os números ímpares neste grupo somam um número par: 4, 8, 9, 15, 12, 2, 1.

R: Somando todos os números ímpares (9, 15, 1) dá 25. A resposta é Falso.

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

A:

Saída:

Somando todos os números ímpares (15, 5, 13, 7, 1) dá 41. A resposta é Falso.

Tenha em mente que os autores afirmam que esta é uma habilidade emergente que surge com modelos de linguagem suficientemente grandes.

Assine agora

Como a 'Chain of Thought' revoluciona o raciocínio em IA

Prompt COT Zero-Shot

Fonte da imagem: Kojima et al. (2022)

Uma ideia recente que surgiu mais recentemente é a ideia de zero-shot CoT (Kojima et al. 2022) que envolve essencialmente adicionar "Vamos pensar passo a passo" para a solicitação original. Vamos tentar um problema simples e ver como o modelo funciona:

Prompt:

Fui ao mercado e comprei 10 maçãs. Dei 2 maçãs ao vizinho e 2 ao reparador. Então fui comprar mais 5 maçãs e comi 1. Com quantas maçãs fiquei?

Saída:

Primeiro, você começou com 10 maçãs.

Você deu 2 maçãs para o vizinho e 2 para o reparador, então você tinha 6 maçãs sobrando.

Então você comprou mais 5 maçãs, então agora você tinha 11 maçãs.

Finalmente, você comeu 1 maçã, então ficaria com 10 maçãs.

É impressionante que esse prompt simples seja eficaz nessa tarefa. Isso é particularmente útil onde você não tem muitos exemplos para usar no prompt.

Compartilhar

Por favor, curta comente e compartilhe. Assim você nos ajuda a continuar trazendo conteúdo gratuito e de qualidade para vocês.

Conciderem assinar o nosso blog para ter acesso exclusivo a Downloads (Ebooks, programas e etc.), Workshops gravados, todos as aulas e posts, e aulas particulares online onde tiramos suas dúvidas e prestamos consultorias.

Embora os modelos de linguagem grande demonstrem recursos notáveis de disparo zero, eles ainda ficam aquém em tarefas mais complexas ao usar a configuração de disparo zero. O pr…

Read more

Os LLMs hoje treinados em grandes quantidades de dados e sintonizados para seguir instruções são capazes de executar tarefas de tiro zero. Tentamos alguns exemplos de tiro zero …

Read more

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, um…

Read more

Ao começar a criar prompts, você deve ter em mente que é realmente um processo iterativo que requer muita experimentação para obter os melhores resultados. Usar um playground simples como OpenAI ou Cohere's é um bom ponto de partida.

Você pode começar com prompts simples e continuar adicionando mais elementos e contexto à medida que busca melhores resultados. O controle de versão do seu prompt ao longo do caminho é vital por esse motivo. Ao ler o guia, você verá muitos exemplos em que a especificidade, a simplicidade e a concisão geralmente lhe darão melhores resultados.

Quando você tem uma grande tarefa que envolve muitas subtarefas diferentes, pode tentar dividir a tarefa em subtarefas mais simples e continuar aumentando conforme obtém melhores resultados. Isso evita adicionar muita complexidade ao processo de design do prompt no início.

A instrução

Você pode criar prompts eficazes para várias tarefas simples usando comandos para instruir o modelo sobre o que deseja alcançar, como "Escrever", "Classificar", "Resumir", "Traduzir", "Ordenar" etc.

Tenha em mente que você também precisa experimentar muito para ver o que funciona melhor. Experimente instruções diferentes com palavras-chave, contextos e dados diferentes e veja o que funciona melhor para seu caso de uso e tarefa específicos. Normalmente, quanto mais específico e relevante for o contexto para a tarefa que você está tentando executar, melhor. Abordaremos a importância da amostragem e da adição de mais contexto nos próximos guias.

Outros recomendam que as instruções sejam colocadas no início do prompt. Também é recomendado que algum separador claro como "###" seja usado para separar a instrução e o contexto.

Por exemplo:

Prompt:

### Instrução ###Traduza o texto abaixo para o espanhol:Texto: "olá!"

Saída:

¡Hola!

Especificidade

Seja muito específico sobre a instrução e a tarefa que deseja que o modelo execute. Quanto mais descritivo e detalhado for o prompt, melhores serão os resultados. Isso é particularmente importante quando você tem um resultado desejado ou estilo de geração que está buscando. Não há tokens ou palavras-chave específicas que levem a melhores resultados. É mais importante ter um bom formato e um prompt descritivo. Na verdade, fornecer exemplos no prompt é muito eficaz para obter a saída desejada em formatos específicos.

Ao criar prompts, você também deve ter em mente o tamanho do prompt, pois há limitações em relação a quão grande ele pode ser. Pensar em quão específico e detalhado você deve ser é algo a se considerar. Incluir muitos detalhes desnecessários não é necessariamente uma boa abordagem. Os detalhes devem ser relevantes e contribuir para a tarefa em mãos. Isso é algo que você precisará experimentar muito. Incentivamos muita experimentação e iteração para otimizar os prompts de seus aplicativos.

Como exemplo, vamos tentar um prompt simples para extrair informações específicas de um texto.

Prompt:

Extraia o nome dos lugares no texto a seguir.Formato desejado:Local: <lista_de_nomes_de_empresa_separados_por_vírgula>Input: "Embora estes desenvolvimentos sejam encorajadores para os investigadores, muito ainda é um mistério. “Muitas vezes temos uma caixa preta entre o cérebro e o efeito que vemos na periferia”, diz Henrique Veiga-Fernandes, neuroimunologista do Centro Champalimaud para o Desconhecido em Lisboa. “Se queremos utilizá-lo no contexto terapêutico, precisamos de facto de perceber o mecanismo."

Saída:

Local: Centro Champalimaud para o Desconhecido, Lisboa

O texto de entrada é obtido neste artigo da Nature(opens in a new tab).

Evite Imprecisões

Dadas as dicas acima sobre como ser detalhado e melhorar o formato, é fácil cair na armadilha de querer ser muito inteligente sobre os prompts e potencialmente criar descrições imprecisas. Geralmente é melhor ser específico e direto. A analogia aqui é muito semelhante à comunicação eficaz - quanto mais direta, mais eficaz a mensagem é transmitida.

Por exemplo, você pode estar interessado em aprender o conceito de engenharia de prompt. Você pode tentar algo como:

Explique o conceito de engenharia de prompt. Mantenha a explicação curta, apenas algumas frases, e não seja muito descritivo.

Não está claro no prompt acima quantas frases usar e qual estilo. Você ainda pode obter uma boa resposta com o prompt acima, mas o melhor prompt seria aquele que é muito específico, conciso e direto ao ponto. Algo como:

Use 2 a 3 frases para explicar o conceito de engenharia de prompt a um aluno do ensino médio.

Fazer ou não fazer?

Outra dica comum ao criar prompts é evitar dizer o que não fazer, mas dizer o que fazer. Isso incentiva mais especificidade e concentra-se nos detalhes que levam a boas respostas do modelo.

Aqui está um exemplo de um chatbot de recomendação de filme falhando exatamente no que eu não quero que ele faça por causa de como escrevi a instrução -- focando no que não fazer.

Prompt:

O agente a seguir recomenda filmes para um cliente. NÃO PEÇA INTERESSES. NÃO PEÇA INFORMAÇÕES PESSOAIS.Cliente: Por favor, recomende um filme baseado nos meus interesses.Agente:

Saída:

Claro, posso recomendar um filme baseado em seus interesses. Que tipo de filme você gostaria de assistir? Você prefere ação, comédia, romance ou outra coisa?

Aqui está um prompt melhor:

Prompt:

O agente a seguir recomenda filmes para um cliente. O agente é responsável por recomendar um filme dos principais filmes de tendências globais. Deve abster-se de perguntar aos usuários sobre suas preferências e evitar pedir informações pessoais. Se o agente não tiver um filme para recomendar, ele deve responder "Desculpe, não foi possível encontrar um filme para recomendar hoje.".Cliente: Por favor, recomende um filme baseado nos meus interesses.Agente:

Saída:

Desculpe, não tenho nenhuma informação sobre seus interesses. No entanto, aqui está uma lista dos principais filmes de tendências globais no momento: [lista de filmes]. Espero que encontre algo que goste!

Vamos começar analisando um exemplo básico de um prompt simples:

Prompt

O céu é

Saída:

azulO céu é azul em um dia claro. Em um dia nublado, o céu pode ser cinza ou branco.

Como você pode ver, o modelo de linguagem gera uma continuação de strings que fazem sentido no contexto "O céu é". A saída pode ser inesperada ou distante da tarefa que queremos realizar.

Este exemplo básico também destaca a necessidade de fornecer mais contexto ou instruções sobre o que especificamente queremos alcançar.

Vamos tentar melhorar um pouco:

Prompt:

Complete a sentença:O céu é

Saída:

tão lindo.

Isto é melhor? Bem, dissemos ao modelo para completar a frase para que o resultado fique muito melhor, pois segue exatamente o que dissemos para fazer ("complete a frase"). Essa abordagem de projetar prompts ideais para instruir o modelo a executar uma tarefa é chamada de engenharia de prompt.

O exemplo acima é uma ilustração básica do que é possível com LLMs hoje. Os LLMs de hoje são capazes de executar todos os tipos de tarefas avançadas que variam de resumo de texto a raciocínio matemático e geração de código.

Formatação de prompt

Tentamos um prompt muito simples acima. Um prompt padrão tem o seguinte formato:

<Pergunta>?

ou

<Instrução>

Isso pode ser formatado em um formato de resposta a perguntas (QA), que é padrão em muitos conjuntos de dados de QA, como segue:

Q: <Pergunta>?A:

Quando você faz uma solicitação direta ao modelo, sem fornecer nenhum exemplo ou explicação adicional, isso é chamado de prompt zero-shot. Nesse caso, o modelo precisa entender e responder com base apenas na instrução fornecida. Alguns modelos de linguagem avançados conseguem lidar bem com esse tipo de prompt, mas a qualidade da resposta pode variar dependendo da complexidade da tarefa e do quanto ela é conhecida pelo modelo. Em tarefas mais difíceis ou específicas, incluir exemplos costuma trazer melhores resultados

.

Dado o formato padrão acima, uma técnica popular e eficaz para solicitação é chamada de prompt de poucos tiros, onde fornecemos exemplos (ou seja, demonstrações). Os prompts de poucos tiros podem ser formatados da seguinte maneira:

<Pergunta>?<Resposta><Pergunta>?<Resposta><Pergunta>?<Resposta><Pergunta>?

A versão do formato QA ficaria assim:

Q: <Pergunta>?A: <Resposta>Q: <Pergunta>?A: <Resposta>Q: <Pergunta>?A: <Resposta>Q: <Pergunta>?A:

Lembre-se de que não é necessário usar o formato QA. O formato do prompt depende da tarefa em mãos. Por exemplo, você pode executar uma tarefa de classificação simples e fornecer exemplares que demonstrem a tarefa da seguinte forma:

Prompt:

Isso é incrível! // PositivoIsto é mau! // NegativoUau, esse filme foi radical! // PositivoQue espetáculo horrível! //

Saída:

Negativo

Os prompts de poucos tiros permitem o aprendizado no contexto, que é a capacidade dos modelos de linguagem de aprender tarefas dadas algumas demonstrações.

Para tarefas complexas que exigem exploração ou planejamento estratégico, técnicas tradicionais ou simples de estímulo são insuficientes. Yao et el. (2023)(opens in a new tab) e Long (2023)(opens in a new tab) propuseram recentemente a "Tree of Thoughts" (ToT), uma estrutura que generaliza o estímulo de cadeia de pensamento e incentiva a exploração de pensamentos que servem como etapas intermediárias para a resolução de problemas gerais com modelos de linguagem.

A ToT mantém uma árvore de pensamentos, onde os pensamentos representam sequências coerentes de linguagem que servem como etapas intermediárias para a resolução de um problema. Essa abordagem permite que um modelo de linguagem (LM) avalie o progresso dos pensamentos intermediários em direção à resolução de um problema por meio de um processo de raciocínio deliberado. A capacidade do LM de gerar e avaliar pensamentos é combinada com algoritmos de busca (por exemplo, busca em largura e busca em profundidade) para permitir a exploração sistemática de pensamentos com planejamento de lookahead e retrocesso.

Read more

A engenharia de prompts é uma disciplina relativamente nova que visa desenvolver e otimizar prompts e utilizar eficientemente modelos de linguagem (LMs) para uma ampla variedade de aplicativos e tópicos de pesquisa. As habilidades de engenharia de prompt ajudam a entender melhor os recursos e as limitações dos modelos de linguagem grandes (LLMs).

Os pesquisadores usam a engenharia de prompt para melhorar a capacidade dos LLMs em uma ampla gama de tarefas comuns e complexas, como resposta a perguntas e raciocínio aritmético. Os desenvolvedores usam engenharia de prompt para projetar técnicas de prompt robustas e eficazes que fazem interface com LLMs e outras ferramentas.

A engenharia de prompts não é apenas projetar e desenvolver prompts. Abrange uma ampla gama de habilidades e técnicas que são úteis para interagir e desenvolver com LLMs. É uma habilidade importante para interagir, construir e entender os recursos dos LLMs. Você pode usar a engenharia de prompt para melhorar a segurança dos LLMs e criar novos recursos, como aumentar os LLMs com conhecimento de domínio e ferramentas externas

Motivados pelo grande interesse em desenvolver com LLMs, criamos este novo guia de engenharia rápida que contém todos os artigos mais recentes, guias de aprendizagem, modelos, palestras, referências, novos recursos de LLM e ferramentas relacionadas à engenharia de prompt.

Download dos Ebooks de Engenharia de Prompts:

Utilizando o ChatGPT para Transformar Sua Vida

+ de 1.000 prompts

Mapas Mentais para criar prompts eficientes

Curta, comente e compartilhe. Sua ajuda é muito importante para que possamos continuar trazando conteúdo gratuíto.