ENGENHARIA DE PROMPTS NA PRÁTICA
Uma ideia de cada vez.
Conhecimento que fica.
Explore os conceitos, veja exemplos, confira o que a pesquisa mostra e encontre palavras simples para lembrar do que aprendeu.
SEU ACERVO DE IDEIAS
Aprenda. Conecte. Aplique.
Em cada card, escolha o que quer descobrir. A explicação aparece logo abaixo dos botões.
UM CHECKLIST, NÃO UMA FÓRMULA
As seis peças de um bom pedido.
Selecione uma letra para entender sua função. Use apenas as peças que ajudam a sua tarefa.
AS PEÇAS JUNTAS · EXEMPLO ORIGINAL
Um pedido que já chega com direção.
Persona: atue como analista de projetos.
Ação: resuma o relatório anexado e identifique três riscos.
Contexto: o público é uma equipe gestora que precisa decidir prioridades da semana.
Referências: use somente o relatório; sinalize informações ausentes.
Estrutura: mantenha estas instruções separadas por rótulos.
Formato: entregue uma tabela com risco, evidência e próximo passo sugerido.
DENTRO DO MODELO · PESQUISA
Quem enxerga quem?
Em modelos causais, cada palavra só enxerga o que veio antes dela. Escolha o modo e clique em uma palavra para ver o que ela consegue enxergar.
Simplificação didática: modelos reais dividem o texto em tokens (pedaços de palavras) e esta figura não mostra pesos de atenção reais. A explicação pela atenção causal é a hipótese dos autores do estudo, que não analisaram os padrões de atenção internos.
O MAIOR SALTO DO ESTUDO
NameIndex, Gemini 2.0 Flash-Lite
Tarefa criada pelos autores: achar o 25º nome em uma lista de 50.
Um caso extremo com um modelo em uma tarefa sintética. Não é a média do estudo.
O PLACAR DO ESTUDO
Sem raciocínio: 70 combinações
0 derrotas. Vitória = diferença significativa (McNemar, p < 0,1).
Com raciocínio: 28 testes
5 vitórias · 1 derrota · 22 empates. Efeito neutro a levemente positivo.
DO POST AO ESTUDO
O que foi dito e o que o estudo mostra
Checagem de um post viral sobre o estudo, afirmação por afirmação, contra o texto do preprint.
LEMBRAR TAMBÉM É APRENDER
Primeiro, tente explicar com suas palavras.
Referências (ABNT)
- LEVIATHAN, Yaniv; KALMAN, Matan; MATIAS, Yossi. Prompt repetition improves non-reasoning LLMs. arXiv, 17 dez. 2025. arXiv:2512.14982v1 [cs.LG]. Disponível em: https://arxiv.org/abs/2512.14982. Acesso em: 15 out. 2026.
- XU, Xiaohan et al. Re-reading improves reasoning in large language models. In: CONFERENCE ON EMPIRICAL METHODS IN NATURAL LANGUAGE PROCESSING, 2024, Miami. Proceedings [...]. [S. l.]: Association for Computational Linguistics, 2024. p. 15549-15575. DOI 10.18653/v1/2024.emnlp-main.871.
- SPRINGER, Jacob Mitchell et al. Repetition improves language model embeddings. In: INTERNATIONAL CONFERENCE ON LEARNING REPRESENTATIONS, 2025. Proceedings [...]. 2025. Disponível em: https://proceedings.iclr.cc/paper_files/paper/2025/hash/e9b0c9480b03f9a6bca24ed8c08ee058-Abstract-Conference.html. Acesso em: 15 out. 2026.
- SHAIER, Sagi. Asking again and again: exploring LLM robustness to repeated questions. arXiv:2412.07923, 2024. Citado em Leviathan, Kalman e Matias (2025); não consultado diretamente.
- MCNEMAR, Quinn. Note on the sampling error of the difference between correlated proportions or percentages. Psychometrika, v. 12, n. 2, p. 153-157, 1947. Citado em Leviathan, Kalman e Matias (2025).
- WEI, Jason et al. Chain-of-thought prompting elicits reasoning in large language models. arXiv:2201.11903, 2023. Disponível em: https://arxiv.org/abs/2201.11903.
- KOJIMA, Takeshi et al. Large language models are zero-shot reasoners. arXiv:2205.11916, 2023. Disponível em: https://arxiv.org/abs/2205.11916.
- LIU, Nelson F. et al. Lost in the middle: how language models use long contexts. arXiv:2307.03172. DOI 10.1162/tacl_a_00638. Disponível em: https://arxiv.org/abs/2307.03172.
- WANG, Xuezhi et al. Self-consistency improves chain of thought reasoning in language models. arXiv:2203.11171. Disponível em: https://arxiv.org/abs/2203.11171.
- AKHMEDOVA, Amina. Copy-pasting your prompt twice makes LLMs smarter. orq.ai, 19 maio 2026. Disponível em: https://orq.ai/blog/copy-pasting-your-prompt-twice-makes-llms-smarter. Acesso em: 15 out. 2026. Blog de empresa, sem revisão por pares; descreve o estudo original com imprecisões.
- MY replication got +2%. DEV Community, [s. d.]. Disponível em: https://dev.to/pranav_raj_dae81effb8b57d/the-paper-reported-jumps-like-21-to-97-my-replication-got-2-44jj. Acesso em: 15 out. 2026. Replicação informal, 100 questões.
- SUKHAREVA, Maria. Should you really write your prompt twice? AI Realist, 20 fev. 2026. Disponível em: https://msukhareva.substack.com/p/should-you-really-write-your-prompt. Acesso em: 15 out. 2026. Leitura parcial (conteúdo pago).