Ganhos:
- Reconhece os erros de prompt mais comuns a partir de exemplos reais
- Pode aplicar uma correção prática e repetível para cada erro
- Percebe que uma saída ruim geralmente é causada por um prompt incorreto
Neste módulo, aprendemos as técnicas para escrever bons prompts, um por um. Agora vamos reforçar isso de um ângulo diferente: observando os erros mais comuns e suas soluções. A grande maioria dos resultados ruins da IA se deve a solicitações incorretas, e não à inadequação do modelo. Se você reconhecer erros nesta unidade, poderá diagnosticar e corrigir problemas rapidamente em seus próprios prompts; Em vez de dizer "A IA não pode fazer isso", você pode dizer "deixe-me corrigir meu prompt assim".
Por que é importante reconhecer erros?
Quando um resultado não atende às suas expectativas, você pode reagir de duas maneiras: culpar a ferramenta ou questionar o prompt. O usuário experiente faz o último. Porque na maioria das vezes a origem do problema é óbvia e o resultado muda com uma pequena correção. A seguir veremos os oito erros mais comuns, seus sintomas e soluções.
Os oito erros mais comuns
Erro
sintoma
Solução
ambigüidade
Resposta genérica, "tamanho único"
Dê instruções mensuráveis
Contexto zero
Saída que não se ajusta à situação
Adicione quem/por que/histórico
Não especificando formato
Saída em formato errado
Forçar formato
ausência de restrições
Conteúdo excessivo e desviante
Adicione uma lista de "não faça"
sobrecarga
Modelo ignora algumas solicitações
Divida o trabalho, priorize
não confirmação
Usando informações falsas
Verifique os fatos com a fonte
Expectativa de um tiro
Não desista na primeira saída
Iterar
instrução contraditória
saída inconsistente
Alinhar restrições
Método de diagnóstico passo a passo
Quando uma saída corrompida chegar, siga esta ordem:
- A missão está clara? O verbo é concreto, significa a única coisa que você deseja?
- O contexto é suficiente? O modelo conhece a situação?
- O formato foi mencionado? O formato está do jeito que você deseja?
- Há alguma restrição? Está escrito o que não é desejado?
- Carreguei muito? Eu pedi 5 trabalhos diferentes em uma solicitação?
- Eu verifiquei? O número, nome e data foram verificados?
Essas seis perguntas detectam quase todos os erros.
Quatro modelos de revisão copiáveis
1) Removendo ambiguidade:
Torne esta instrução mensurável: [instrução vaga] Traduza cada ponto vago em um número, quantidade ou critério concreto.
2) Dividindo a sobrecarga:
Não faça esta tarefa de uma só vez. Prossiga nesta ordem e pare ao terminar cada etapa, aguarde minha confirmação:1) [subtarefa 1]2) [subtarefa 2]3) [subtarefa 3]
3) Limite de ajuste:
Basta confiar nas informações que forneci abaixo. Se não houver informação, escreva “sem dados”; não adivinhe ou adicione. Indique de qual linha vem cada afirmação importante que você usa. Fonte: [texto]
4) Resolvendo a contradição:
Verifique se há alguma contradição nas instruções que lhe dei. Se sim, liste os pontos conflitantes e me pergunte qual priorizar; então produza de acordo.
Alerta Fraco/Prompt Forte
Fraco (muitos erros combinados):
Escreva um plano abrangente para nossa empresa sobre marketing, orçamento e recrutamento e pronto.
Poderoso (bugs corrigidos):
Função: Você é um especialista em desenvolvimento de negócios que assessora PMEs. Contexto: Uma empresa de software com 12 pessoas; a meta é de 20 novos clientes neste trimestre. Tarefa: Escrever SOMENTE o plano de marketing (não inclui orçamento e contratação). Formato: lista de ações de 5 pontos; cada item: ação + responsável + critérios. Restrição: Orçamento de publicidade paga 0; Recomendo apenas canais orgânicos. Não forneça métricas falsas; Justifique a sugestão.
A versão poderosa divide a sobrecarga (amontoando três tópicos em um prompt), substitui ambiguidade ("boa sorte") por critérios e adiciona formatação e restrição.
Três Mini Estojos
Caso 1 — Sobrecarga. Um gerente solicitou um resumo do relatório, plano de apresentação e e-mail em um único prompt; O modelo fez todos os três pela metade. Ao dividir o trabalho em três prompts separados, cada saída ficou completa e utilizável. O tempo total foi menor do que lutar com um único prompt complexo.
Caso 2 — Não confirmação. Uma equipe de conteúdo publicou uma “estatística do setor” fornecida pelo modelo sem verificá-la; O número estava errado e eles tiveram que fazer uma correção. Depois, adotaram a regra “dê a cada número a sua fonte, eu vou verificar a fonte” e eliminaram esse risco.
Caso 3 — Instrução conflitante. Quando um profissional de marketing disse “é muito curto, mas conta todos os recursos”, o modelo ignorou alguns recursos. Quando tornei a instrução não contraditória como "descreva os 3 recursos mais importantes em 60 palavras", o resultado foi curto e completo.
Dica: execute seu prompt nas “seis perguntas de diagnóstico” antes de ir ao ar. Essa verificação de 30 segundos torna desnecessária a maioria das rodadas de iteração desde o início.
Cuidado: O erro mais perigoso é a "não validação" porque é ignorada porque o resultado parece suave e convincente. O modelo pode corresponder a um número, nome ou fonte com grande confiança. Verificar de forma independente qualquer fato a ser publicado ou utilizado como base para decisão. Aprofundaremos esse tema na próxima unidade.
Erro invisível: saída "quase correta"
Alguns erros são fáceis de detectar: a saída vem no formato errado, sai do tópico ou aparece em branco. Mas o erro mais insidioso é que o resultado está quase correto. O texto é fluente, a estrutura é suave, o tom é preciso; Há apenas um número errado, uma restrição negligenciada ou um pequeno erro lógico. Esses tipos de resultados são perigosos porque escapam à inspeção porque “parecem bons”.
Dois hábitos protegem contra isso. Primeiro, não use o resultado sem lê-lo: não importa o quão apressado você esteja, leia-o antes de enviá-lo. Em segundo lugar, fazer com que o modelo verifique sua saída: “verifique se você seguiu todas as restrições que lhe dei” ou “liste todos os números neste texto” trará erros ocultos à superfície. Essas duas etapas levam alguns segundos, mas o custo de decisões incorretas causadas por resultados “quase corretos” é muito maior.
Evitando erros: design acima do controle
Em vez de procurar erros na saída, o usuário experiente tenta evitá-los desde o início, no prompt. Esta é uma diferença de mentalidade. Transforme cada erro recorrente em uma “regra permanente”: se o modelo continuar adicionando comentários em um trabalho de resumo, agora defina a restrição “não adicionar comentários” para cada prompt de resumo. Se o modelo sempre produzir muitos itens em um trabalho de lista, coloque a restrição "exatamente X itens" no seu modelo. Dessa forma, em vez de detectar o mesmo erro repetidamente, você evita que ele ocorra. Um prompt bem projetado substitui dezenas de correções subsequentes; Isso transforma o diagnóstico de erros de um fardo em uma ferramenta de aprendizado e melhoria.
Erros comuns
- Culpando o intermediário. Dizer "A IA não consegue" em vez de procurar o problema no prompt.
- Colocar muito trabalho em um único prompt. Comprimir cinco tarefas separadas em uma instrução e executá-las pela metade.
- Ignorando a verificação. Supondo que a saída fluente esteja correta.
- Dando restrição contraditória. Exigências autoconflitantes, como “breve, mas abrangente”.
- Tentando novamente sem diagnosticar. Repetir o mesmo erro sem descobrir o que está quebrado.
Em resumo
- A maioria dos resultados ruins é um problema com o prompt, não com o modelo; pode ser diagnosticado e corrigido.
- Os erros mais comuns: ambiguidade, contexto zero, falta de formato, falta de restrições, sobrecarga, falta de verificação, expectativa única e contradição.
- Seis questões de diagnóstico (tarefa, contexto, formato, restrição, carga, verificação) detectam a maioria dos erros.
- A divisão de trabalhos complexos proporciona resultados mais rápidos e de maior qualidade do que carregá-los em um único prompt.
- O erro mais insidioso é a não verificação; Uma saída suave não significa precisa.
Tarefa de aplicativo
Encontre uma impressão antiga que você não gosta e execute seu prompt nas "seis perguntas de diagnóstico". Marque quais erros ocorrem, aplique a correção nesta unidade para cada um e execute o prompt novamente. Observe qual correção produziu a maior melhoria, e não quantas rodadas.
lista de verificação
- [] Em caso de saída incorreta, eu consulto primeiro o prompt, não o agente.
- [ ] Posso realizar seis questões diagnósticas.
- [] Eu divido tarefas complexas em vários prompts.
- [ ] Percebo instruções conflitantes e ambíguas e as corrijo.
- [] Verifico o resultado factual antes de publicá-lo.