O Fim do Prompting: O Início dos Loops de IA

A maioria das pessoas ainda está tentando encontrar o prompt perfeito.

Esse é o jogo errado agora.

Os melhores usuários de IA não estão melhorando porque encontraram uma frase mágica. Eles estão melhorando porque pararam de tratar a IA como uma caixa de bate-papo e começaram a tratá-la como um sistema que pode transportar o trabalho de uma etapa para a próxima.

Esta é a mudança: criar prompts era sobre obter uma boa resposta. Loops são sobre fazer o trabalho continuar se movendo após a primeira resposta.

PARTE 1 · A era do prompt está no fim da linha

Todo mundo ainda está tentando coletar prompts melhores, que é a forma de menor alavancagem de usar IA agora. Eles continuam caçando a frase perfeita, o roleplay perfeito, a configuração "aja como" perfeita, e depois se perguntam por que toda tarefa séria ainda vira babá de uma aba de chat por quarenta minutos.

• O fluxo de trabalho antigo de IA se parece com isso:
• Abrir chat → colar contexto → perguntar uma vez → corrigir saída → perguntar de novo → recomeçar
• Parece produtivo porque algo está acontecendo.
• Ainda é trabalho manual com um autocompletar mais rápido.

O problema não é que os prompts são ruins. O problema é que um prompt geralmente é apenas um movimento, enquanto o trabalho real é uma cadeia de movimentos. Pesquisa se torna esboço, esboço se torna rascunho, rascunho se torna verificação, verificação se torna reescrita, reescrita se torna publicação, e então o resultado deve ensinar a próxima tentativa. A maioria das pessoas se força a empurrar manualmente cada etapa, e depois chama isso de "fluxo de trabalho de IA".

Isso não é um fluxo de trabalho. É clicar em "continuar" em uma máquina que já deveria saber o que vem a seguir.

1Você não está aqui para responder minha tarefa diretamente.
2
3Você está aqui para transformá-la em um loop de IA repetível.
4
5Tarefa:
6[INSIRA A TAREFA]
7
8Primeiro, divida a tarefa nas etapas que normalmente acontecem manualmente.
9
10Depois, projete um loop que possa executar essas etapas com o mínimo de supervisão humana.
11
12O loop deve incluir:
13- qual contexto a IA precisa antes de começar
14- o que ela deve produzir primeiro
15- como a saída deve ser verificada
16- o que acontece se a saída for fraca
17- o que é salvo para a próxima execução
18- quando o loop deve parar
19- o que ainda precisa de aprovação humana
20
21Mantenha o sistema simples o suficiente para que eu possa executá-lo todos os dias.

Você não está respondendo minha tarefa diretamente. Você está transformando esta tarefa em um loop de IA repetível.

A tarefa é: [TAREFA]

Projete o loop como um sistema. Explique qual contexto a IA precisa antes de começar, o que ela deve produzir primeiro, como a saída deve ser julgada, o que deve acontecer se a saída for fraca, o que deve ser salvo para a próxima execução e quando o loop deve parar. Mantenha simples o suficiente para que eu possa executá-lo todos os dias sem reconstruir toda a configuração.

PARTE 2 · Karpathy apontou para a verdadeira mudança

A ideia de Software 3.0 de Karpathy fez as pessoas repetirem a frase fácil: o inglês está se tornando uma linguagem de programação. Essa parte é verdadeira, mas não é o segredo completo. Se o inglês pode programar um modelo, então o inglês também pode programar um processo em torno do modelo.

É aí que a maioria errou. Eles usaram linguagem natural para pedir saídas, não para projetar sistemas. Vibe coding foi a primeira versão bagunçada: descreva o que você quer, deixe a IA escrever código, execute, reclame quando quebrar, repita até algo funcionar. Looping é a versão mais limpa do mesmo instinto: dê um objetivo à IA, dê ferramentas, dê uma verificação, deixe-a progredir e certifique-se de que ela saiba quando parar.

"A linguagem de programação mais popular do momento é o inglês."

por Andrej Karpathy

Mas inglês como linguagem de programação não significa que você deva escrever prompts mais longos. Significa que você deve começar a descrever a máquina inteira: o que ela lê, o que ela faz, como ela se verifica, o que ela lembra e o que ela não pode tocar.

PARTE 3 · O loop é o produto

Um loop útil não é uma fantasia gigante de multi-agentes. Geralmente é chato da melhor forma possível. A IA recebe um objetivo, puxa o contexto certo, realiza uma ação, verifica o resultado em relação a um padrão, armazena o que funcionou e repete apenas se o resultado ainda não for bom o suficiente.

Essa única mudança transforma a IA de um gerador de texto em um trabalhador. Não um trabalhador perfeito, não um deus autônomo, não aquela bobagem de "demita sua equipe". Apenas um trabalhador com um processo, uma lista de verificação e um gerente observando as partes arriscadas.

• Essa mudança já é visível em:
• Karpathy → Software 3.0
• Anthropic → fluxos de trabalho de agentes
• Meta/Llama → ferramentas, avaliações, controle de implantação

É por isso que os padrões de agente da Anthropic são importantes. Os melhores sistemas de agentes não são construídos jogando dez bots em um Discord e esperando que algo inteligente aconteça. Eles são construídos a partir de peças simples: roteamento, ferramentas, cadeias de prompts, loops de avaliação e configurações de orquestrador-trabalhador. A mágica não é o modelo agindo de forma inteligente uma vez. A mágica é o modelo ser forçado a passar por um processo que captura trabalho fraco antes que você o veja.

O ecossistema Llama da Meta aponta na mesma direção do outro lado. Modelos abertos, camadas de segurança, avaliações, implantação local, roteamento mais barato, modelos diferentes para trabalhos diferentes. O futuro não é um modelo gigante respondendo tudo. O futuro são sistemas onde modelos baratos classificam, modelos fortes raciocinam, modelos locais lidam com contexto privado e passes de avaliação decidem o que sobrevive.

PARTE 4 · O loop de escrita

A maioria dos textos de IA é ruim porque as pessoas pedem um artigo finalizado cedo demais. Elas pulam a parte onde a ideia é testada sob pressão, o gancho é pontuado, as seções fracas são atacadas e a prova é verificada.

Um loop de escrita real não começa com "escreva um post para mim". Começa com seleção de ângulo. Depois testa o ângulo quanto à curiosidade, especificidade, prova e tensão emocional. Depois rascunha. Depois julga o rascunho. Depois reescreve. Só depois disso você deve ler.

Um loop de escrita real tem camadas:

Ângulo → Gancho → Rascunho → Crítica → Reescrita → Ideias de imagem → Próximo teste

A maioria das pessoas só pede o rascunho.

É por isso que o rascunho soa igual ao de todo mundo.

1Você é meu loop de escrita.
2
3Tópico:
4[INSIRA O TÓPICO]
5
6Público:
7[INSIRA O PÚBLICO]
8
9Estilo:
10[INSIRA O ESTILO]
11
12Objetivo:
13[INSIRA O OBJETIVO]
14
15Não escreva o artigo imediatamente.
16
17Primeiro, crie 5 ângulos possíveis para este tópico.
18
19Para cada ângulo, julgue:
20- o quão clicável ele é
21- o quão específico ele é
22- o quão útil ele é
23- o quão diferente ele parece de conteúdo genérico de IA
24
25Escolha o ângulo mais forte e explique por que ele vence.
26
27Depois escreva o primeiro rascunho.
28
29Após o rascunho, mude para o modo editor e critique-o quanto a:
30- abertura fraca
31- afirmações genéricas
32- falta de provas
33- transições chatas
34- retorno pouco claro
35- seções que parecem de IA
36
37Depois reescreva o artigo usando essa crítica.
38
39No final, me dê:
401. artigo final
412. gancho mais forte
423. seção mais fraca restante
434. 3 ideias de imagem
445. o que devo testar na próxima versão

Comece criando cinco ângulos possíveis para o artigo. Pontue cada ângulo quanto à curiosidade, especificidade, utilidade e probabilidade de fazer alguém clicar. Escolha o ângulo mais forte e explique por que ele vence.

Depois escreva o primeiro rascunho. Após o rascunho, torne-se o avaliador e ataque-o por afirmações genéricas, provas fracas, transições chatas, retorno pouco claro e seções que parecem de IA. Reescreva o artigo usando essa crítica. No final, me dê o rascunho final, o gancho mais forte, a seção mais fraca restante e três ideias de imagem que tornariam o artigo mais crível.

PARTE 5 · O loop de pesquisa

O mesmo se aplica à pesquisa. A maioria das pessoas pede à IA para "pesquisar um tópico" e depois recebe um resumo genérico que soa como todo post de blog na segunda página do Google. Um loop de pesquisa não deve coletar fatos aleatoriamente. Deve caçar tensão.

Os artigos mais fortes neste nicho fazem todos a mesma coisa: encontram um comportamento antigo, mostram por que ele está quebrado agora, introduzem uma nova categoria e depois dão ao leitor um sistema que ele pode roubar. É por isso que "Loop Engineering" é mais impactante do que "10 prompts do Claude". Um soa como um novo modelo operacional. O outro soa como um imã de leads em PDF.

1
2Pesquise este tópico como se eu estivesse escrevendo um artigo de alto desempenho para o X, não um post de blog para SEO.
3
4Tópico:
5[INSIRA O TÓPICO]
6
7Não me dê um resumo genérico.
8
9Encontre a tensão por trás do tópico.
10
11Quero saber:
12- qual comportamento antigo as pessoas ainda estão fazendo
13- qual novo comportamento está substituindo-o
14- por que o comportamento antigo está quebrando
15- que provas ou exemplos mostram que a mudança é real
16- qual ângulo contrário faria as pessoas pararem de rolar
17- quais afirmações parecem exageradas e devem ser evitadas
18
19Depois transforme isso em um briefing para criador com:
20- título
21- tese
22- gancho de abertura
23- estrutura do artigo
24- exemplos mais fortes
25- ideias de imagem
26- o que o leitor deve acreditar ao sair

PARTE 6 · O loop de memória

A parte que quase ninguém constrói é a memória. Sem memória, todo fluxo de trabalho de IA tem amnésia. Ele pode ajudá-lo hoje, mas amanhã começa de novo como um estagiário no primeiro dia.

Um loop de memória muda isso. Após cada projeto, a IA deve extrair o que funcionou, o que falhou, qual estilo teve desempenho, quais exemplos foram mais fortes, quais afirmações pareceram fracas e o que deve ser reutilizado na próxima vez. É assim que o sistema começa a acumular resultados.

Seu segundo cérebro é inútil se apenas armazena notas. A verdadeira vantagem é quando ele se mantém, encontra ideias repetidas, percebe pensamentos inacabados e empurra o contexto certo de volta para a próxima tarefa antes mesmo de você pedir.

1Após esta tarefa ser concluída, extraia a lição reutilizável do trabalho.
2
3Salve o seguinte:
4
5Qual foi a tarefa.
6Qual abordagem funcionou.
7O que soou genérico.
8Quais exemplos foram mais fortes.
9Qual estrutura funcionou melhor.
10O que deve ser reutilizado na próxima vez.
11Qual erro não deve ser repetido.
12
13Antes de iniciar a próxima tarefa relacionada, verifique primeiro esta memória.
14
15Se eu estiver repetindo um erro antigo, aponte.
16
17Se um padrão antigo se aplicar, reutilize-o.
18
19Se um contexto importante estiver faltando, peça-o antes de produzir a resposta final.

Após esta tarefa ser concluída, extraia a lição reutilizável do trabalho.

Salve qual foi a tarefa, qual abordagem funcionou, o que soou genérico, quais exemplos foram úteis, o que deve ser reutilizado na próxima vez e qual erro devo evitar repetir. Antes de iniciar a próxima tarefa relacionada, verifique primeiro esta memória e me diga se estou prestes a repetir um erro antigo ou perder um padrão que já funcionou.

PARTE 7 · A verdadeira habilidade agora

Criar prompts era a interface para iniciantes. Ela ensinou que a linguagem pode controlar modelos, mas também treinou as pessoas a pensar pequeno demais. Elas ainda imaginam a IA como uma caixa que responde, quando a verdadeira oportunidade é construir sistemas que movem o trabalho adiante.

A próxima vantagem é saber quais tarefas merecem loops. Nem tudo precisa de um. Uma pergunta rápida pode continuar sendo uma pergunta rápida. Mas qualquer coisa que você faz todos os dias, toda semana, ou toda vez que publica, vende, codifica, pesquisa, negocia, edita ou organiza conhecimento provavelmente não deveria viver dentro de um único chat.

Esse trabalho precisa de um loop.

Um loop não torna o humano inútil. Ele move o humano para a parte que realmente importa: definir o objetivo, definir o gosto, aprovar as decisões arriscadas e melhorar o sistema após cada execução.

As pessoas que ainda estão coletando listas de prompts estão otimizando a frase.

As pessoas que estão construindo loops estão otimizando a máquina.