Ganhos:
- Explique como o modelo de linguagem grande funciona prevendo a próxima palavra e o que isso significa para a escrita imediata
- Ele pode mostrar por que o Prompt determina tanto a qualidade da saída com um exemplo de seu próprio trabalho.
- Ao distinguir os pontos fortes e fracos do modelo, pode-se decidir quais tarefas utilizá-lo com segurança.
Introdução à Inteligência Artificial e Prompt: Como o Modelo “Pensa”
A melhor maneira de realmente aprender como escrever prompts é primeiro entender como a ferramenta funciona. Nesta unidade veremos a lógica básica do modelo de grande linguagem (abreviadamente LLM; ou seja, o sistema de inteligência artificial que produz texto), por que ele é tão útil no seu trabalho diário e onde tem seus limites. As instruções escritas sem essa base geralmente levam à pergunta "por que às vezes produzem ótimos resultados e às vezes resultados terríveis?" deixa você sozinho com a pergunta. Esta incerteza desaparecerá em grande parte quando esta unidade estiver concluída.
O que um modelo de linguagem grande realmente faz?
Em sua definição mais simples, o modelo de grande linguagem é um sistema que prevê a palavra mais provável que seguirá o texto fornecido. Ao examinar bilhões de sentenças, o modelo aprendeu o padrão “qual palavra vem depois de qual palavra”. Quando você inicia uma frase, o modelo analisa o que foi escrito até o momento e gera a continuação mais provável, depois adiciona a palavra gerada à entrada e prevê a próxima. Este ciclo continua até que a resposta seja concluída.
Vamos esclarecer o termo token usado aqui: token é a menor unidade na qual o modelo divide o texto; É aproximadamente o tamanho de uma palavra ou parte de uma palavra. O modelo progride não palavra por palavra, mas símbolo por símbolo. A consequência prática para você é que o modelo não é um ser humano que “compreende” sua intenção, mas uma máquina preditiva muito poderosa que seleciona estatisticamente a continuação mais adequada para o texto que você fornece.
A implicação mais importante desta definição é que o determinante mais poderoso da direção da saída é o texto que você fornece como entrada. Então, sua sugestão. O modelo não extrai uma resposta pronta de um banco de dados, não realiza uma pesquisa ao vivo na internet e não copia páginas (a menos que seja especificamente indicado o contrário). Ele produz apenas o texto que melhor se adapta ao contexto fornecido. Um bom input é a condição mais decisiva para um bom resultado.
Por que “mesmo modelo, resultado diferente”?
O modelo também utiliza uma pequena margem de aleatoriedade na escolha da palavra mais provável de cada vez; Portanto, ao fazer a mesma solicitação duas vezes, você pode não receber exatamente as mesmas frases. Isso não é um bug, faz parte do design. Seu trabalho é traçar uma estrutura clara o suficiente para não deixar o resultado ao acaso. Quanto mais clara a estrutura, mais próximos e mais úteis serão os resultados de dois experimentos diferentes.
Passo a passo: como uma solicitação avança no modelo?
- Lê a entrada. Cada palavra que você escreve é uma pista que orienta a previsão. Quando você diz “como um advogado sênior”, o modelo torna mais prováveis os textos mais próximos desse tom.
- Pesa o contexto. O histórico, as restrições e os exemplos fornecidos restringem a estimativa. Se o contexto estiver vazio, o modelo preenche as lacunas com suas próprias suposições.
- Produz palavra por palavra. Cada token produzido torna-se a entrada para o próximo; portanto, a orientação que você dá no início se aplica a toda a resposta.
- Ele para. Ele interrompe a produção quando a tarefa é concluída ou atinge o comprimento especificado.
Três minicasos: diferença imediata em números
Caso 1 — Profissional de marketing, assunto do email. Quando um especialista em marketing disse “sugerir um tema para a campanha”, ele obteve 5 títulos gerais e não gostou de nenhum; Ele passou 20 minutos corrigindo-o manualmente. No dia seguinte, quando disse: “O público-alvo são proprietários de PMEs com idades entre 30 e 45 anos, o produto é um software de contabilidade em nuvem, 6 unidades, cada uma com no máximo 45 caracteres, intrigante, mas discreto”, ele usou diretamente 4 dos 6 títulos. A duração diminuiu de 20 minutos para 4 minutos.
Caso 2 — Recursos humanos, texto publicitário. Um especialista de RH recebeu um texto padrão com a solicitação “escreva um trabalho de desenvolvedor de software”. Quando adicionamos o idioma real da empresa (descrição da cultura em 3 frases), 4 qualificações obrigatórias e a restrição de "escrever a faixa salarial claramente" ao prompt, a taxa de candidatos não qualificados ao anúncio diminuiu visivelmente no anúncio seguinte porque o texto estabelecia claramente a expectativa.
Caso 3 — Contabilidade, resumo do relatório. Quando um executivo de contabilidade disse que “resumiu” um relatório de despesas de 12 páginas, o modelo omitiu itens importantes. Quando ele disse: “A partir deste relatório, os 5 itens de maior despesa estão tabulados com a variação percentual em relação ao mês passado”, ele obteve exatamente a estrutura que levaria para a reunião de gestão. O conteúdo era o mesmo, as instruções eram diferentes.
Alerta Fraco/Prompt Forte
O mesmo trabalho, com duas instruções diferentes:
Alerta fraco:
Resuma este texto.[texto]
Alerta poderoso:
Resuma abaixo a ata da reunião a ser apresentada ao conselho de administração. - Máximo de 5 itens. - Cada item deverá conter uma decisão ou ação; Ignore os detalhes do bate-papo. - Escreva entre parênteses o nome das ações pelas quais o responsável é conhecido. - Use uma linguagem simples e formal. Texto: [texto]
O segundo prompt informa ao modelo o que produzir, para quem, em que formato e o que ignorar. O modelo não “pensa”, mas sim a produção da continuação correta; Você desenha a estrutura dessa continuação.
Quatro modelos copiáveis
Quatro modelos iniciais simples para colocar rapidamente em prática a lógica desta unidade. Preencha os colchetes com suas próprias informações.
1) Estrutura para fortalecer uma solicitação:
Quero que você execute esta tarefa: [tarefa]Para quem: [comprador/público]Em que formato: [comprimento, estrutura]O que pular: [o que você não quer]
2) Verificação dos limites do modelo (reflexo de verificação):
Se houver afirmações factuais (número, data, nome, fonte) em sua resposta abaixo, extraia cada uma delas como uma lista separada e marque-a como “deve ser verificada”. Resposta: [saída do modelo]
3) Experimente a mesma tarefa em dois níveis:
Explique o seguinte tópico duas vezes:A) Para um completo estranho, em linguagem cotidiana.B) Para um especialista na área, em termos técnicos.Tópico: [tópico]
4) Fazendo o modelo perceber a incerteza:
Antes de fazer o pedido que lhe apresento, faça-me 3 perguntas sobre os pontos que considera faltantes ou pouco claros; em seguida, produza de acordo com minhas respostas. Solicitação: [solicitação]
Pontos fortes e fracos do modelo
Assunto
O modelo é forte
O modelo é fraco/cauteloso
assuntos linguísticos
Escrever, resumir, traduzir, mudar o tom
Erros de jargão muito técnico/de nicho
estrutura
Converter texto em tabela, lista, esboço
Manter a consistência em textos longos
ideia
Brainstorming, gerando alternativas
Garantindo o que é “certo”
caso
Informações gerais, definição, explicação
Dados atuais/exatos, número, data, fonte
raciocínio
Bom se guiado passo a passo
Não faça cálculos complexos errados silenciosamente
Dica: Veja o modelo não como um “especialista que sabe tudo”, mas como um “assistente que escreve muito rápido, lê muito, mas tudo o que fala precisa ser verificado”. Essa visão ajusta corretamente suas expectativas e seu hábito de controle.
Atenção: O modelo pode escrever informações em uma linguagem muito confiante, mas isso não significa que as informações estejam corretas. Sempre verifique de forma independente os detalhes factuais, especialmente número, nome, data, estatuto e fonte. Voltaremos a esse assunto em detalhes na unidade 11.
Erros comuns
- Confundindo o modelo com um humano. Dar instruções incompletas dizendo "Eles vão entender de qualquer maneira". O modelo não lê sua intenção; Ele processa apenas o que você digita.
- Desistir em uma tentativa. Se o resultado inicial for ruim, culpe a ferramenta. Porém, na maioria das vezes o problema está nas instruções e uma pequena correção pode alterar o resultado.
- Usar fatos sem verificá-los. Aceitar uma estatística ou fonte produzida pelo modelo sem questionar é o hábito mais arriscado.
- Inserindo dados confidenciais sem pensar. Colar informações confidenciais sem saber como funciona a ferramenta. Existem regras para isso, como veremos na unidade de privacidade.
- Confundir aleatoriedade com um erro. Interpretar dois resultados diferentes como “o veículo está quebrado”; Porém, quando você aumenta a clareza, os resultados convergem.
Em resumo
- O grande modelo de linguagem funciona prevendo a palavra (token) que tem maior probabilidade de aparecer a seguir no texto fornecido; Ele não escolhe respostas prontas.
- O fator mais poderoso que determina a direção da saída é o prompt fornecido como entrada.
- Forte em linguagem de modelo, estrutura e ideação; é cuidadoso com fatos precisos, dados atuais e cálculos complexos.
- Devido à pequena aleatoriedade, o mesmo prompt pode fornecer resultados diferentes; À medida que a clareza aumenta, os resultados se tornam mais consistentes.
- O modelo não é “um especialista que é fiel a tudo o que diz”, mas sim “um assistente que é rápido mas que precisa de ser verificado”.
Tarefa de aplicativo
Escolha uma tarefa de escrita do seu trabalho diário que você faz regularmente (um e-mail, um resumo ou uma lista, por exemplo). Primeiro, escreva a versão mais simples de uma frase, entregue-a a uma ferramenta de IA e salve o resultado. Depois, para a mesma tarefa; Adicione as respostas às perguntas “para quem, em que formato, em que extensão e o que pular” e pergunte novamente. Coloque as duas saídas lado a lado e anote em uma frase qual adição melhora mais o resultado.
lista de verificação
- [ ] Percebi que o modelo estava “prevendo a próxima palavra” e não lendo minha intenção.
- [] Percebi que a qualidade da saída depende muito da qualidade do prompt.
- [] Consigo distinguir entre tipos de tarefas em que o modelo é forte e fraco.
- [ ] Entendo que preciso verificar detalhes factuais (número, data, nome, fonte).
- [] Posso explicar por que o mesmo prompt pode fornecer resultados diferentes.