0Pricing
AI Prompt Engineering · Aula

Diagnosticando e corrigindo solicitações ruins

Uma lista de verificação sistemática para depurar solicitações com baixo desempenho.

Diagnosticando e corrigindo solicitações ruins é uma aula grátis de AI Prompt Engineering no CoddyKit. Esta é a aula 4 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Prompt Engineering, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Prompt Engineering inclui 4 aulas no total.

A mentalidade de depuração

Quando uma instrução produz uma saída ruim, o primeiro instinto da maioria das pessoas é culpar o modelo. Mas, na maioria dos casos, o problema está na instrução — e o modelo está se comportando exatamente como deveria, considerando as instruções que recebeu.

Tratar falhas de instruções como problemas de depuração é mais produtivo. Assim como na depuração de código, você identifica sistematicamente a causa raiz, formula uma hipótese de correção, testa-a e verifica o resultado. Essa mentalidade produz uma melhoria mais rápida do que tentativas e erros frustrantes.

A lista de verificação para depuração de instruções

Quando uma instrução falhar, percorra sistematicamente esta lista de verificação de cinco dimensões:

  1. Especificidade — Ela está vaga demais? A tarefa precisa de uma definição mais precisa?
  2. Contexto — Faltam informações de contexto de que o modelo precisa?
  3. Formato — O formato e a extensão desejados da saída estão especificados?
  4. Restrições — As restrições estão claramente indicadas? Alguma delas entra em conflito?
  5. Exemplos — Um exemplo de uma boa saída eliminaria a ambiguidade?

Cada dimensão corresponde a um tipo específico de correção. Identifique qual dimensão falhou e aplique a correção correspondente.

Dimensão 1: verificação da especificidade

Falhas de especificidade produzem: tópico errado, abordagem errada, nível inadequado do público ou ausência de aspectos importantes da tarefa.

Perguntas de diagnóstico:

  • Uma pessoa inteligente que não conhecesse o contexto poderia interpretar esta instrução de forma diferente da que pretendi?
  • Há palavras vagas (bom, melhor, apropriado, profissional) que precisam ser substituídas?
  • O tipo de tarefa está especificado (artigo? e-mail? resumo? análise?)?
  • O público está definido com precisão suficiente?

Correção: Substitua palavras vagas por palavras específicas. Indique o tipo de tarefa. Especifique o conhecimento prévio do público. Adicione um exemplo de uma frase da saída desejada.

Dimensão 2: verificação do contexto

Falhas de contexto produzem: conselhos genéricos que ignoram sua situação específica, pressupostos incorretos sobre seu conjunto de tecnologias, sua empresa ou seu público e respostas que funcionariam em um contexto diferente, mas não no seu.

Perguntas de diagnóstico:

  • O que o modelo precisa saber sobre minha situação específica que não pode saber a partir do treinamento geral?
  • Forneci o código, documento ou dados relevantes aos quais a tarefa se refere?
  • Descrevi as restrições do meu ambiente?

Correção: Adicione uma seção de contexto antes da instrução da tarefa. Cole o código ou conteúdo relevante diretamente na instrução.

Dimensão 3: verificação do formato

Falhas de formato produzem: conteúdo correto, estrutura errada — prosa quando você precisava de marcadores, um ensaio quando precisava de um guia passo a passo ou ausência de cabeçalhos quando era necessária uma navegação.

Perguntas de diagnóstico:

  • Especifiquei o formato da saída (marcadores, lista numerada, prosa, tabela, bloco de código)?
  • Especifiquei a extensão?
  • Especifiquei as seções obrigatórias ou uma estrutura?

Correção: Adicione instruções explícitas sobre o formato. Use o padrão: "Formato: [estrutura]. Extensão: [meta]. Seções: [lista]." Para formatos complexos, forneça um modelo com texto de preenchimento que o modelo deverá completar.

Dimensão 4: verificação das restrições

Falhas de restrições produzem: conteúdo que inclui o que você queria excluir ou saídas que parecem robóticas porque as restrições entram em conflito.

Perguntas de diagnóstico:

  • Minhas restrições estão claramente indicadas ou apenas implícitas?
  • Alguma restrição entra em conflito com outra?
  • Minhas restrições entram em conflito com o escopo ou a extensão do conteúdo?
  • Há uma instrução de prioridade para restrições quase conflitantes?

Correção: Torne explícitas as restrições implícitas. Adicione uma instrução de priorização. Resolva os conflitos escolhendo qual restrição prevalece. Verifique se o escopo e a extensão são compatíveis.

Dimensão 5: verificação dos exemplos

Quando as quatro primeiras dimensões parecem adequadas, mas a saída ainda não está correta, os exemplos costumam ser o elemento que falta. Eles comunicam o que as palavras não conseguem.

Perguntas de diagnóstico:

  • Mostrar um exemplo de uma boa saída ajudaria a esclarecer o estilo, o tom ou o formato esperado?
  • Um exemplo negativo (o que NOT produzir) ajudaria?
  • Há saídas existentes desse tipo de tarefa que você possa usar como referência?

Correção: Adicione à instrução um ou dois exemplos da saída ideal. Use o padrão: "Aqui está um exemplo do que estou procurando: [exemplo]. Agora faça o mesmo para [sua tarefa real]."

Um fluxo de trabalho para depuração de instruções

Veja aqui um fluxo de trabalho completo de diagnóstico que você pode aplicar a qualquer instrução que esteja falhando:

def diagnose_prompt(original_prompt, failed_output, problem_description):
    '''
    Use a second LLM call to diagnose why a prompt produced a bad output.
    Returns a diagnosis and an improved prompt.
    '''
    import openai
    client = openai.OpenAI(api_key='sk-...')

    diagnosis_prompt = f'''You are a prompt engineering expert.

A user ran this prompt:
---PROMPT---
{original_prompt}
---END PROMPT---

It produced this output (which was unsatisfactory):
---OUTPUT---
{failed_output[:500]}...
---END OUTPUT---

The problem the user identified: {problem_description}

Diagnose the prompt failure using this framework:
1. Specificity: Is anything too vague?
2. Context: What background information is missing?
3. Format: Is the desired format/length unclear?
4. Constraints: Are there missing or conflicting constraints?
5. Examples: Would an example help?

Then write an improved version of the prompt that addresses the root cause.
Format: Diagnosis: [analysis] || Improved prompt: [new prompt]'''

    response = client.chat.completions.create(
        model='gpt-4o-mini',
        messages=[{'role': 'user', 'content': diagnosis_prompt}]
    )
    return response.choices[0].message.content

Causa raiz versus sintoma

Um erro comum de depuração é tratar o sintoma em vez da causa raiz.

Sintoma: A saída é genérica demais.

Correção do sintoma: Adicionar "seja mais específico" à instrução.

Causa raiz: O público não foi definido, então o modelo adotou como padrão um público genérico.

Correção da causa raiz: Adicionar uma especificação precisa do público.

Tratar sintomas produz uma melhoria marginal. Tratar causas raiz produz uma melhoria confiável. Antes de escrever a correção, pergunte "por que este sintoma está acontecendo?" e aprofunde-se mais um nível.

Mantendo um registro de falhas de instruções

Para tipos de tarefa recorrentes, manter um registro de falhas de instruções acelera a melhoria ao longo do tempo. Cada entrada registra:

  • A instrução original
  • A saída ruim (ou uma descrição do que estava errado)
  • A causa raiz diagnosticada (especificidade / contexto / formato / restrições / exemplos)
  • A correção aplicada
  • O resultado

Após 10 a 20 entradas, surgem padrões. Você pode descobrir que a mesma causa raiz (por exemplo, a ausência de contexto sobre o público) responde por 60% das falhas de uma categoria. Corrija-a no modelo e o padrão desaparecerá.

O modelo aprimorado de instrução

A maioria das instruções bem estruturadas segue um modelo consistente que aborda proativamente as cinco dimensões da depuração:

ROBUST_PROMPT_TEMPLATE = '''
## Role
[Who the model should act as — establishes expertise level and perspective]

## Context
[Background the model needs: company, audience, product, prior decisions, constraints]

## Task
[Specific, precise description of what to produce]

## Format
[Output structure: bullet points / prose / numbered list / table]
[Length: word count or sentence count]
[Required sections: list them if the output needs specific sections]

## Constraints
[What to include: required elements]
[What to exclude: off-limits content or approaches]
[Priority: if constraints conflict, X takes priority over Y]

## Example
[One example of good output for this task type — optional but powerful]
'''

print(ROBUST_PROMPT_TEMPLATE)

Verificação de conhecimento: depuração de instruções

Uma instrução produz uma saída bem escrita, mas concentra-se nas melhores práticas gerais para o tópico, em vez de se concentrar na situação específica descrita na tarefa. O formato e a extensão estão corretos. As restrições não foram violadas. Qual dimensão da depuração é a causa raiz?

Recapitulação: diagnosticando e corrigindo instruções ruins

A depuração de instruções é um processo sistemático, não uma questão de tentativa e erro. A lista de verificação de cinco dimensões — Especificidade, Contexto, Formato, Restrições, Exemplos — relaciona cada tipo comum de falha a uma correção específica.

O modelo robusto de instrução aborda proativamente as cinco dimensões, evitando a maioria das falhas antes que ocorram. O fluxo de trabalho de depuração (identificar o sintoma → encontrar a causa raiz → aplicar a correção → verificar) produz uma melhoria confiável. Um registro de falhas de instruções acelera o aprendizado entre as sessões.

Com essas ferramentas, você pode diagnosticar e corrigir qualquer falha de instrução de maneira metódica e consistente.

Perguntas Frequentes

A aula “Diagnosticando e corrigindo solicitações ruins” é grátis?

Sim — o texto completo de “Diagnosticando e corrigindo solicitações ruins” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Prompt Engineering, atualize para CoddyKit PRO. O curso de AI Prompt Engineering inclui 4 aulas no total.

O que vou aprender em “Diagnosticando e corrigindo solicitações ruins”?

Uma lista de verificação sistemática para depurar solicitações com baixo desempenho. Você pratica AI Prompt Engineering com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.

Preciso ter experiência prévia para começar AI Prompt Engineering?

Nenhuma experiência prévia é necessária. AI Prompt Engineering no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 4 de 4.

Quanto tempo leva a aula “Diagnosticando e corrigindo solicitações ruins”?

A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.

Posso escrever e executar código nesta aula de AI Prompt Engineering?

Sim. Cada aula de AI Prompt Engineering inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.

Todas as aulas deste curso

  1. Instruções excessivamente vagas
  2. Requisitos contraditórios
  3. Erros por falta de contexto
  4. Diagnosticando e corrigindo solicitações ruins
← Voltar para AI Prompt Engineering