Skip to content
TheChatArchiveThe Chat Archive
gpt-4o-search-preview· OpenAIHugging Face LMArena Search Arena 24K

Gere frases imperativas eficazes para uso como prompts com modelos de linguagem;…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with gpt-4o-search-preview-high’s answer.
  1. User

    Gere frases imperativas eficazes para uso como prompts com modelos de linguagem; organize os exemplos por categorias funcionais de engenharia de prompts, como especificidade de tarefa, formatação de resposta, encadeamento de raciocínio, controle de estilo de saída, entre outras; para cada categoria, forneça uma ou mais frases imperativas representativas que demonstrem clareza, direcionamento preciso da tarefa e aproveitamento das capacidades de raciocínio dos modelos; explique brevemente como cada frase se alinha a princípios, achados ou técnicas descritas na literatura acadêmica sobre engenharia de prompts; fundamente os exemplos em evidências empíricas (como benchmarks ou experimentos controlados) ou em análises inferenciais sólidas extraídas da literatura especializada; utilize como base autores e estudos relevantes (por exemplo, Wei et al. 2022, Stiennon et al. 2020, Perez et al. 2023), destacando que os exemplos são inspirados nessas fontes e não transcrições literais; evita ambiguidades e emprega terminologia precisa para garantir que as instruções sejam interpretadas e executadas com máxima fidelidade.

  2. Assistant

    A engenharia de prompts é fundamental para orientar modelos de linguagem a gerar respostas precisas e relevantes. A seguir, apresento categorias funcionais de engenharia de prompts, cada uma acompanhada de frases imperativas exemplares que demonstram clareza e direcionamento preciso da tarefa. Cada exemplo é fundamentado em princípios e técnicas descritos na literatura acadêmica sobre engenharia de prompts.

    1. Especificidade de Tarefa

    Frase: "Liste três benefícios da energia solar para o meio ambiente."

    Esta instrução específica direciona o modelo a fornecer uma lista concisa de três itens, focando nos benefícios ambientais da energia solar. A especificidade na formulação do prompt é essencial para obter respostas precisas e relevantes, conforme destacado por Sahoo et al. (2024)[1].

    2. Formatação de Resposta

    Frase: "Forneça uma definição de 'inteligência artificial' seguida de um exemplo prático de sua aplicação."

    Este prompt instrui o modelo a estruturar a resposta em duas partes: uma definição seguida de um exemplo. A orientação clara sobre a formatação desejada melhora a qualidade e a utilidade da resposta, conforme discutido por White et al. (2023)[2].

    3. Encadeamento de Raciocínio

    Frase: "Explique o processo de fotossíntese e, em seguida, descreva como ele contribui para o ciclo do carbono."

    Este prompt incentiva o modelo a conectar conceitos, promovendo um raciocínio encadeado. Tal abordagem é eficaz para elicitar respostas mais profundas e coerentes, conforme evidenciado por Zhou et al. (2022)[3].

    4. Controle de Estilo de Saída

    Frase: "Resuma o enredo do filme 'A Origem' em no máximo três frases."

    Ao limitar a extensão da resposta, este prompt controla o estilo e a concisão da saída gerada pelo modelo. A capacidade de guiar o modelo para produzir respostas de comprimento específico é uma técnica valiosa em engenharia de prompts, conforme explorado por Shin et al. (2020)[4].

    5. Estímulo à Criatividade

    Frase: "Crie uma história curta sobre uma viagem no tempo que resulta em um paradoxo inesperado."

    Este prompt incentiva o modelo a gerar conteúdo criativo dentro de um tema específico. Prompts que estimulam a criatividade podem levar a respostas mais envolventes e originais, conforme discutido por White et al. (2023)[2].

    Cada uma dessas frases exemplifica como a formulação cuidadosa de prompts pode direcionar modelos de linguagem a produzir respostas alinhadas às expectativas do usuário, aproveitando suas capacidades de raciocínio e geração de texto.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.