Nível Iniciante

O que é: Large Language Models são redes neurais treinadas em bilhões de textos para entender e gerar linguagem.

Por que: Entender como o modelo "pensa" permite criar prompts eficazes.

Conceitos: Predição de tokens, atenção, temperatura, alucinações.

O que é: Tokens são pedaços de texto que o modelo processa. A janela de contexto é o limite total.

Por que: Saber contar tokens ajuda a otimizar prompts e evitar cortes.

Conceitos: ~4 caracteres = 1 token, janelas de 4K a 200K+, custo por token.

O que é: Estrutura ideal: contexto/papel, instruções, dados de entrada, formato de saída.

Por que: Prompts bem estruturados geram respostas mais consistentes.

Conceitos: Sistema vs usuário, delimitadores, exemplos, restrições.

O que é: Ser específico e direto, eliminando ambiguidade.

Por que: Quanto mais claro o pedido, melhor a resposta.

Conceitos: Evitar pronomes vagos, especificar formato, definir extensão.

O que é: Pedir ao modelo realizar tarefa sem fornecer exemplos - apenas instruções claras.

Por que: Técnica mais simples e rápida. Funciona para tarefas conhecidas.

Conceitos: Instruções diretas, quando usar vs quando evitar.

O que é: Fornecer 2-5 exemplos antes de pedir a resposta. O modelo aprende o padrão.

Por que: Melhora drasticamente a qualidade para tarefas específicas.

Conceitos: Exemplos representativos, consistência, quantidade ideal (3-5).

O que é: Pedir ao modelo "pensar em voz alta", mostrando cada etapa do raciocínio.

Por que: Melhora dramaticamente respostas em lógica, matemática e decisões.

Conceitos: "Pense passo a passo", validação de raciocínio.

O que é: Dar ao modelo um papel: "Você é um especialista em...".

Por que: Ajusta tom, vocabulário e profundidade técnica automaticamente.

Conceitos: Definição de expertise, tom de voz, limitações do papel.

O que é: Técnicas para fazer texto parecer escrito por humanos.

Por que: Aumenta autenticidade e engajamento. Evita "tom de IA".

Conceitos: Contrações, opiniões pessoais, variação estrutural.

O que é: Usar IA para criar rascunhos, revisar gramática, ajustar tom.

Por que: Acelera produção de conteúdo em 5-10x mantendo qualidade.

Conceitos: Tom de voz, público-alvo, revisão iterativa.

O que é: Prompts para emails: follow-ups, negociações, pedidos.

Por que: Email é 40% do trabalho. Prompts certos economizam horas.

Conceitos: Estrutura BLUF, tom formal/informal, call-to-action.

O que é: Resumir documentos, artigos, reuniões. Extrair pontos-chave.

Por que: Processar informação é o gargalo do século XXI.

Conceitos: Níveis de resumo (executivo, detalhado), extração de insights.

O que é: Usar IA como parceiro de brainstorming: gerar ideias, explorar ângulos.

Por que: IA não tem bloqueio criativo. Gerador infinito de ideias.

Conceitos: Divergência/convergência, SCAMPER, "e se...".

O que é: Instruções para IA formatar com títulos, bullets, tabelas, código.

Por que: Respostas bem formatadas são mais fáceis de ler e usar.

Conceitos: Headers (#), listas (-), tabelas (|), código (```).

O que é: Solicitar respostas em tabela para comparar opções.

Por que: Tabelas facilitam decisões. Visualização lado a lado é poderosa.

Conceitos: Colunas relevantes, ordenação, formato CSV/Markdown.

O que é: Usar IA para criar templates: emails, relatórios, propostas.

Por que: Templates economizam tempo. Crie uma vez, use infinitamente.

Conceitos: Placeholders [CAMPO], variações, personalização.

O que é: Lista dos erros mais frequentes: prompts vagos, sem contexto, muito longos.

Por que: Aprender com erros dos outros acelera sua curva de aprendizado.

Conceitos: Ambiguidade, falta de exemplos, não iterar.

O que é: Conhecer os limites: alucinações, cutoff date, raciocínio matemático.

Por que: Expectativas realistas evitam frustrações.

Conceitos: Alucinações, viés, verificação de fatos.

O que é: Compilado de dicas de engenheiros de prompt experientes.

Por que: Anos de experiência em dicas imediatamente aplicáveis.

Conceitos: "Respire fundo", temperatura ideal, quando reiniciar.