cerebro-vip INEMA.CLUB
início › INEMA.PROMPTS

Guia prático de prompting para GPT-5, com destaque para as novas…

INEMA.PROMPTS · 2025-08-23 · ~16 min · ver no Telegram ↗

INEMA

checklist explícito.

Exemplo bom

```Saída:

QA: - Cálculo conferido ✔ - 2 fontes citadas ✔ - Suposições listadas ✔ - Nota de confiança: 0.78```

Resumindo:

  • Responses API → sempre peça saída estruturada e use contexto.
  • Reasoning Effort → escolha nível adequado à tarefa.
  • Eagerness → defina quanto o modelo pode agir sozinho.
  • Estruturação → use blocos claros com objetivo, método, critério de parada e saída.
  • QA → valide cálculos, fontes, suposições e confiança.

Vou detalhar cada um dos 5 tópicos do “Novo Guia de Prompting da OpenAI (GPT-5)” para você, com explicação clara, exemplos de erro e acerto.

1. Responses API (mantém contexto, suporta multimodal)⌗

O que é É a API mais nova da OpenAI para trabalhar com prompts. Diferente das antigas chamadas isoladas, ela:

  • Mantém estado da conversa (memória curta dentro da mesma sessão).
  • Suporta multimodalidade (texto, imagem, áudio em alguns casos).
  • Permite saída em formato estruturado (ex.: JSON).

Problema comum – Tratar cada pergunta como independente → o modelo repete dados, perde contexto. – Não definir formato → você recebe respostas em texto corrido difíceis de usar em apps.

Como fazer certo – Pedir saída estruturada (JSON ou tabela clara). – Informar objetivo, ferramentas que podem ser usadas e critério de parada.

Exemplo ruim “Analise este rótulo.” → Saída: parágrafo genérico.

Exemplo bom

Objetivo: analisar rótulo de suplemento. Saída JSON: { "proteina_total": ..., "pdcaas": ..., "recomendacao": "..." }

2. Reasoning Effort (low, medium, high)⌗

O que é Um “controle de esforço” que ajusta a profundidade do raciocínio:

  • Low → respostas rápidas e baratas.
  • Medium → equilíbrio entre custo e profundidade.
  • High → explora mais caminhos, faz verificações extras, mas é lento e caro.

Problema comum – Usar high para tarefas simples → custo e demora desnecessários. – Usar low para tarefas complexas → respostas incompletas ou erradas.

Como fazer certo – Use low para cálculos simples ou respostas objetivas. – Use high para investigações detalhadas (mas sempre com limites de tempo e buscas).

Exemplo ruim “Calcule 2+2. (Effort high)” → desperdício.

Exemplo bom “Compare 5 suplementos e calcule o PDCAAS. (Effort high, limite: 2 buscas web, tempo < 30s).”

3. Eagerness / Autonomia (agir sozinho vs. seguir passo a passo)⌗

O que é Define até onde o modelo pode agir sozinho sem pedir confirmação a cada passo.

  • Alta autonomia → ele continua pesquisando e calculando até entregar a resposta final.
  • Baixa autonomia → pede confirmação antes de cada ação.

Problema comum – Autonomia demais: o modelo faz buscas/cálculos em excesso sem necessidade. – Autonomia de menos: trava pedindo “Posso continuar?” a cada etapa.

Como fazer certo – Especifique: quantas ferramentas pode usar, quantas tentativas, quando parar.

Exemplo ruim “Resolva tudo sozinho.” → pode rodar em loop.

Exemplo bom

Você é um agente. Continue até concluir a análise do suplemento. Máximo: 2 web_search, 1 análise de imagem. Pare quando houver cálculo PDCAAS + recomendação final.

4. Estruturação com blocos XML/Markdown (goal, method, stop_criteria)⌗

O que é Organizar o prompt em blocos claros (como XML ou Markdown), dizendo:

  • Goal (objetivo) → o que deve ser feito.
  • Method (método) → passos que deve seguir.
  • Stop_criteria (critério de parada) → quando encerrar.
  • Output_schema (formato de saída) → como a resposta deve vir.

Problema comum – Prompt solto em texto corrido → o modelo responde do jeito que quiser, sem consistência.

Como fazer certo – Divida em blocos curtos, numerados e claros. – Sempre inclua o formato de saída esperado.

Ex**emplo bom

**Comparar whey, soja e colágeno pelo PDCAAS 1) Extrair valores 2) Calcular PDCAAS 3) Fazer comparação Parar após recomendar para atletas e idosos { "nome": string, "pdcaas": number, "recomendacao": string }

```---

5. QA (Quality Assurance) antes da resposta final⌗

O que é Uma checagem final obrigatória, onde o modelo deve:

  • Mostrar o cálculo (não só o resultado).
  • Citar fontes confiáveis.
  • Declarar suposições usadas.
  • Dar nota de confiança.

Problema comum – O modelo entrega qualquer resposta, sem cálculos visíveis, sem fontes.

Como fazer certo – Peça uma seção final “QA” antes de terminar. – Dê

2. Novo Guia de Prompting da OpenAI (GPT-5):

  1. Responses API (mantém contexto, suporta multimodal) – Conversas com estado, aceitando texto e imagens, saídas em JSON estruturado.

  2. Reasoning Effort (low, medium, high) – Controle da profundidade de raciocínio: simples, equilibrado ou investigativo.

  3. Eagerness / Autonomia (agir sozinho vs. seguir passo a passo) – Grau de autonomia do agente, com orçamento de ferramentas e critérios de parada.

  4. Estruturação com blocos XML/Markdown (goal, method, stop_criteria) – Definir objetivo, método, limites e formato de saída para reduzir dispersão.

  5. QA (Quality Assurance) antes da resposta final – Etapa de checagem: cálculos visíveis, fontes citadas, suposições declaradas, nota de confiança.

Vou explorar cada um desses 7 blocos trazendo explicações claras, exemplos do que dá errado e como fazer certo.

1. Problema percebido no GPT-5⌗

Explicação: Muitos usuários acham que o GPT-5 é “preguiçoso” porque ele não entrega respostas profundas. Mas o problema é de prompting inadequado — geralmente prompts herdados do GPT-4, curtos e vagos.

Exemplo errado: “Explique essa tabela nutricional.” → Resposta: “A tabela mostra valores de proteínas, carboidratos e gorduras.” (genérico, sem análise).

Exemplo certo: “Analise a tabela nutricional deste suplemento. Calcule o PDCAAS com base nas fontes de proteína listadas, explique a qualidade, compare com whey isolado e sugira para quais públicos ele é mais indicado.” → Resposta completa com cálculos, comparação e recomendação prática.

2. Novo Guia de Prompting da OpenAI⌗

Explicação: O GPT-5 exige prompts mais estruturados e aproveita melhor recursos da Responses API, parâmetros como Reasoning Effort e técnicas de QA.

Exemplo errado: “Liste suplementos proteicos bons.” → Resposta: “Whey, caseína, soja.” (superficial).

Exemplo certo (com estrutura):

<goal>Comparar qualidade proteica de 3 suplementos (whey, soja, colágeno)</goal> <method>Calcule PDCAAS, cite fontes oficiais (FDA, PubMed), destaque vantagens e desvantagens</method> <stop_criteria>Só finalize após dar recomendação clara para atletas, idosos e uso diário</stop_criteria>

→ Resposta vem organizada, com cálculos, comparações e recomendações específicas.

3. Aplicações práticas e testes⌗

Explicação: Com o GPT-5 é possível transformar prompts em apps funcionais: extrair dados de imagens, usar web search e entregar saídas estruturadas.

Exemplo errado: Upload de foto de rótulo sem instrução → o modelo pode apenas transcrever os números.

Exemplo certo: “Analise esta imagem de rótulo de suplemento. Extraia as informações nutricionais, calcule a proteína aproveitável (PDCAAS), compare com whey isolado e forneça resumo em JSON.” → Saída JSON clara e pronta para integrar em app.

4. Hacks e boas práticas⌗

Explicação: O segredo é controlar o esforço, pedir critérios claros e estruturar saídas.

Exemplo errado: “Analise profundamente.” (sem limites → resposta prolixa, lenta e cara).

Exemplo certo: “Use Reasoning Effort low, Verbosity low. Dê resposta rápida com no máximo 3 recomendações práticas. Compare apenas com 2 alternativas.” → Resultado enxuto, útil e barato.

5. Construção de aplicações com GPT-5⌗

Explicação: Com bons prompts + Responses API já é possível criar apps, mas é preciso pensar em custo e escalabilidade.

Exemplo errado: Lançar app gratuito que usa GPT-5 para análise de rótulos. → risco de 100 mil usuários rodando consultas e gerando conta alta em API.

Exemplo certo:

  • Testar versão beta com limite de acessos.
  • Validar com público se pagariam R\$19/mês.
  • Só abrir escala após ter modelo de receita que sustente o uso.

6. Comunidade e colaboração⌗

Explicação: Melhores prompts nascem em comunidades ativas (Discord, GitHub). Testar e corrigir em grupo acelera a evolução.

Exemplo errado: Trabalhar isolado, sem feedback, usando sempre o mesmo prompt → o resultado fica limitado.

Exemplo certo: Compartilhar prompt no Discord: “Analisem este prompt de PDCAAS, estou esquecendo algo?” → Outro usuário sugere: “Inclua análise de proteínas complementares, arroz + feijão.” → Prompt evolui e resultado melhora.

7. Reflexões pessoais do criador⌗

Explicação: Além da técnica, há a motivação pessoal: usar IA para gerar impacto real na vida das pessoas.

Exemplo errado: Criar app só pelo hype da IA, sem ligação com problema real.

Exemplo certo: Criar app de nutrição para ajudar pessoas com obesidade a entender rótulos de suplementos. Ex.: irmão do criador (500 kg → perdeu 50 kg) → caso real que motiva a solução.

organizados. * Discord com membros sugerindo ajustes (ex.: lembrar que arroz + feijão juntos completam aminoácidos). * Feedback da comunidade melhorou cálculos do PDCAAS e corrigiu falhas do modelo. * Hack colaborativo: membro sugeriu output sempre em TLDR com qualidade, score e recomendação → virou padrão do app.

7. Reflexões pessoais do criador⌗

  • Motivação pessoal conecta tecnologia e impacto humano.

Exemplos:

  • Irmão obeso (500kg) inspirou criação de app que calcula proteína realmente aproveitável.
  • Crítica aos rótulos: “são confusos de propósito” → IA pode democratizar informação.
  • Ex-engenheiro da Apple que aprendeu “fazendo” → aplica o mesmo estilo em IA.
  • Sonho: apps que melhorem decisões de saúde, alimentação e educação sem depender de especialistas caros.
  • Filosofia: “não vendo cursos, construo junto ao vivo, para aprender e compartilhar.”

A lista dos tópicos e enriquecer com *mais exemplos práticos em cada ponto Agora cheio de cenários de uso.

1. Problema percebido no GPT-5⌗

  • O GPT-5 parece “preguiçoso” quando usamos prompts antigos.
  • Ele pode parar cedo demais, ser vago ou dar respostas muito prolixas.

Exemplos:

  • Prompt antigo: “Explique a tabela nutricional deste suplemento.” → resposta superficial: “É uma boa fonte de proteína.”
  • Prompt estruturado: “Analise a tabela nutricional, calcule PDCAAS, cite fontes e compare com whey isolado.” → resposta completa, com cálculos e recomendações.
  • Situação comum: no Claude a resposta sai detalhada sem esforço, mas no GPT-5 precisa guiar melhor.

2. Novo Guia de Prompting da OpenAI⌗

  • Introdução da Responses API (mantém contexto entre chamadas, aceita multimodalidade).
  • Reasoning Effort regula a profundidade do raciocínio.
  • Controle de Eagerness: autonomia vs. execução controlada.
  • Estruturação com blocos XML ou Markdown.
  • QA (Quality Assurance) antes de finalizar a resposta.

Exemplos:

  • Responses API: pedir “pesquise ingredientes → calcule qualidade → sugira uso” em uma só cadeia.

  • Reasoning Effort:

  • Low: “Liste 5 cidades mais frias da Europa.” (rápido e direto).

  • High: “Analise mudanças climáticas nessas cidades, cite estudos, proponha impactos na saúde pública.”

  • Eagerness:

  • Autônomo: “Continue pesquisando até comparar pelo menos 3 suplementos similares.”

  • Controlado: “Não busque fora do que eu passar no prompt.”
  • Estruturação XML:

<goal>Avaliar suplemento proteico</goal> <method>Extrair rótulo, calcular PDCAAS, comparar com soja e caseína</method> <stop_criteria>Só finalize após fornecer recomendações práticas e fontes</stop_criteria>

3. Aplicações práticas e testes⌗

  • GPT-5 pode agir como agente especializado em tarefas complexas.

Exemplos:

  • Cálculo PDCAAS de suplemento → identificou que colágeno quase não tem valor proteico.
  • Upload de rótulo → modelo extraiu valores mesmo com foto torta.
  • Web search + Responses API → puxou dados do FDA e Wikipedia para validar cálculo.
  • Output estruturado em JSON para uso em app:

{ "quality": "Moderada", "score": 0.84, "recommendations": "Bom para uso diário; use whey isolado se foco for hipertrofia" } * Outro teste: pedir “faça análise como nutricionista” → resposta com recomendações personalizadas para esportistas e idosos.

4. Hacks e boas práticas⌗

  • Usar Effort baixo + Verbosity baixo para tarefas simples (rápido e barato).
  • Usar Effort alto para investigações profundas (com cálculos, citações, inferências).
  • Definir critérios claros no prompt (não parar até concluir cálculo, comparação e recomendação).
  • Pedir comparações explícitas entre alternativas.
  • Versionar prompts com Prompt ID para não precisar mexer no backend.

Exemplos:

  • Tarefa simples: “Liste 3 benefícios do whey.” → Effort low dá resposta em segundos.
  • Tarefa profunda: “Analise rótulo de 5 proteínas veganas, calcule PDCAAS de cada uma, cite fontes e sugira a melhor para idosos.” → Effort high.
  • Hack de QA: incluir no prompt → “Finalize só após apresentar cálculos, comparação e recomendação final.”
  • Uso de Prompt ID: empresa de nutrição atualiza instruções no servidor sem refazer código.

5. Construção de aplicações com GPT-5⌗

  • Prompting vira o novo código.
  • Dá para criar apps inteiros apenas com boas instruções.
  • Necessário pensar em custo e escalabilidade.

Exemplos:

  • App de nutrição: usuário tira foto do rótulo → GPT-5 retorna relatório nutricional.
  • App de educação: GPT-5 transforma rótulos em aula interativa sobre proteínas.
  • Cuidado com custo: app de transcrição gratuito atraiu 100 mil usuários e gerou prejuízo de centenas de dólares.
  • Estratégia sugerida: cobrar desde o início ou validar se o público pagaria.

6. Comunidade e colaboração⌗

  • Aprendizado coletivo é central.
  • Prompts são compartilhados, corrigidos e melhorados em tempo real.

Exemplos:

  • GitHub com repositório de prompts

Vou expandir cada um dos tópicos listados com exemplos práticos, tirados da transcrição e adaptados de forma clara.⌗

1. Problema percebido no GPT-5⌗

Exemplo:

  • Usuário pede para o GPT-5 analisar proteína → ele responde devagar e com rodeios.
  • Comparado ao Claude, parece “preguiçoso”.
  • Causa: o prompt foi escrito no estilo antigo do GPT-4 (sem critérios claros).

2. Novo Guia de Prompting da OpenAI⌗

Exemplos:

  • Responses API: pedir “pesquise o rótulo, calcule a qualidade proteica e só finalize quando tiver recomendação prática”. O modelo lembra do contexto entre cada chamada.

  • Reasoning Effort:

  • Low: “Liste 3 fontes de proteína baratas.” (resposta rápida).

  • High: “Analise a qualidade proteica de 5 suplementos, calcule PDCAAS e compare com caseína e soja.”

  • Eagerness:

  • Controlado: “Pergunte antes de assumir valores ausentes.”

  • Autônomo: “Continue pesquisando até ter uma análise completa, mesmo sem pedir confirmação.”
  • Blocos XML:

<goal>Analisar rótulo de suplemento</goal> <method>Extraia dados, calcule PDCAAS, compare fontes</method> <stop_criteria>Finalize só após dar recomendações práticas</stop_criteria>

3. Aplicações práticas e testes⌗

Exemplos:

  • GPT-5 calculou PDCAAS de um suplemento e mostrou o passo matemático.
  • Ao ver colágeno no rótulo → reconheceu como proteína incompleta (PDCAAS ≈ 0).
  • Upload de imagem do rótulo do Amazon → modelo extraiu “37g de proteína” (ainda que a imagem mostrasse 39g).
  • Output estruturado:

{ "quality": "Boa", "score": 0.84, "key_findings": "Contém colágeno que reduz valor nutricional", "bottom_line": "Bom para uso diário, mas prefira whey isolado para máximo resultado" }

4. Hacks e boas práticas⌗

Exemplos:

  • Effort low + verbosity low → resposta rápida: “Use whey concentrado como suplemento geral.”
  • Effort high + verbosity high → resposta detalhada: inclui cálculos de leucina, digestibilidade, cita FDA e Wikipedia.
  • Critério de QA no prompt: “Não finalize até ter cálculo, comparação e recomendação prática.”
  • Comparação pedida no prompt: “Compare com proteína de soja e caseína.”
  • Prompt ID: guardar versão do prompt no backend → atualizar direto sem mexer no código do app.

5. Construção de aplicações com GPT-5⌗

Exemplos:

  • App que analisa fotos de rótulos e calcula a proteína realmente aproveitável por dose.

  • Usuário tira foto → GPT-5 extrai informações → gera relatório rápido:

  • “Este suplemento promete 22g, mas só 18,5g são aproveitáveis.”

  • Validação de negócio: não oferecer app gratuito (risco de custos altos).
  • Caso citado: app de transcrição gratuito atraiu 100 mil usuários e gerou prejuízo.

6. Comunidade e colaboração⌗

Exemplos:

  • Prompts compartilhados no GitHub.
  • Discussão em lives do Discord, onde membros sugerem melhorias (ex.: corrigir cálculo de proteínas complementares).
  • Comentário da comunidade: “Você esqueceu que soja + arroz se complementam, então o score pode subir.” → modelo ajusta a fórmula.
  • Ambiente colaborativo: pessoas testam, falham, corrigem e evoluem juntas.

7. Reflexões pessoais do criador⌗

Exemplos:

  • Irmão do criador pesa 500kg, já perdeu 50kg, e ele quer usar IA para ajudá-lo com apps de dieta e proteína.
  • Crítica: rótulos de alimentos são confusos de propósito; IA pode democratizar a informação.
  • Experiência pessoal: ex-engenheiro da Apple, aprendeu “na marra” → aplica o mesmo estilo de aprendizado em IA.
  • Sonho: apps simples que qualquer pessoa possa usar para tomar decisões melhores de saúde e alimentação.

1. Problema percebido no GPT-5⌗

  • Sensação de que está “preguiçoso” ou menos inteligente.
  • Motivo: prompts antigos não funcionam bem.
  • Necessidade de novas práticas de prompting.

2. Novo Guia de Prompting da OpenAI⌗

  • Introdução da Responses API (mantém contexto, suporta multimodal).
  • Controles de Reasoning Effort (low, medium, high).
  • Ajuste da Eagerness/Autonomia (agir sozinho vs. seguir passo a passo).
  • Estruturação com blocos XML/Markdown (goal, method, stop_criteria).
  • Importância de definir QA (Quality Assurance) antes da resposta final.

3. Aplicações práticas e testes⌗

  • Exemplo do cálculo PDCAAS (qualidade proteica).
  • Uso de imagem de rótulos → extração automática de dados.
  • Integração com web search para complementar informações.
  • Output estruturado em JSON ou Markdown (Quality, Score, Key Findings, Bottom Line).

4. Hacks e boas práticas⌗

  • Use Reasoning Effort low para tarefas simples, high só em análises profundas.
  • Sempre guiar o modelo com critérios de parada.
  • Validar cálculos matemáticos no output.
  • Pedir comparações práticas com outras opções.
  • Usar Prompt ID para versionamento e atualização de prompts sem mexer no código.

5. Construção de aplicações com GPT-5⌗

  • Prompting como o “novo código”.
  • Criação de apps apenas com boas instruções (sem precisar de grandes pipelines).
  • Exemplos: análise nutricional, apps de dieta, verificadores de rótulos.
  • Necessidade de pensar em escala e custo (apps gratuitos podem gerar dívida).
  • Sugestão: começar cobrando ou validando o valor percebido.

6. Comunidade e colaboração⌗

  • Compartilhamento de prompts no GitHub e Discord.
  • Valorização do aprendizado “fazendo junto”.
  • Importância da experimentação em tempo real.
  • Movimento de engenheiros builders (aprender testando).

7. Reflexões pessoais do criador⌗

  • Uso de IA para ajudar familiares (ex.: irmão com obesidade).
  • Democratização da informação (nutrição, educação, saúde).
  • Impacto social positivo dos apps bem direcionados.
  • Aprendizado prático (escola da vida, autodidata, “aprender fazendo”).

Obter contexto rápido, paralelizar descobertas, parar assim que puder agir

Comece amplo → divida em subconsultas → rode em paralelo → evite pesquisas repetidas

Pare assim que tiver dados suficientes para agir

Por que o GPT-5 parece “preguiçoso”⌗

  • A impressão de “preguiça” vem do uso de prompts antigos (herdados do GPT-4 ou Claude).
  • O GPT-5 foi treinado para fluxos agentic (com ferramentas, contexto persistente e controle de esforço).
  • Sem prompting adequado, ele fica prolixo ou inseguro.

Guia prático da OpenAI para corrigir⌗

  1. Responses API
  • Substitui completions.
  • Mantém raciocínio entre chamadas de ferramentas (stateful).
  • Suporta entradas multimodais (texto, imagens) e saídas estruturadas (JSON).
  1. Controle do raciocínio (Reasoning Effort)
  • Baixo (low): rápido, direto, menos dispersão.
  • Médio (medium): equilíbrio.
  • Alto (high): pesquisa profunda, cálculos extras, mais lento.
  • Hack: use low para tarefas simples, high só para investigações sérias.
  1. Eagerness (Autonomia)
  • GPT-5 pode agir sozinho ou seguir passo a passo.
  • Ajustável no prompt: mais autonomia ou mais controle rígido.
  1. Estruturação de prompts

  • Use blocos XML/Markdown para organizar:

    <goal>Objetivo claro</goal> <method>Método passo a passo</method> <stop_criteria>Quando parar</stop_criteria> * Isso guia o modelo e evita dispersão.

  1. Qualidade e validação
  • Peça outputs com seções fixas: Quality, Score, Key Findings, Bottom Line.
  • Inclua cálculo explícito, fontes de referência e recomendações práticas.

Exemplo prático: análise de proteína⌗

  • No caso do suplemento:

  • GPT-5 calculou PDCAAS (qualidade proteica), identificou fontes incompletas (colágeno ≈ zero), inferiu valores, e comparou com alternativas.

  • Ao usar imagens de rótulos, conseguiu extrair dados direto da foto.

  • Com web search habilitado, buscou valores oficiais (FDA, Wikipedia) e complementou análise.

  • Hack aprendido:

  • Estruturar o prompt para exigir:

    • Cálculo matemático.
    • Verificação de fontes.
    • Recomendações práticas.
    • Comparação com outras proteínas.
    • Isso transforma o modelo em um agente persistente de QA.

Lições de produto e negócio⌗

  • “Prompting é o novo código”: basta uma boa instrução e já se tem uma aplicação funcional.
  • Cuidado com custo: apps gratuitos podem gerar dívidas (necessário validar cobrança cedo).
  • Ferramentas como Prompt ID permitem atualizar prompts no backend sem mexer no código.
  • Casos de uso fortes: saúde, nutrição, educação → áreas onde informação correta muda vidas.

Hacks consolidados (Guia de Bolso GPT-5)⌗

  • Use Responses API para manter contexto entre chamadas.
  • Ajuste Reasoning Effort: low para eficiência, high para profundidade.
  • Estruture prompts em blocos <goal> <method> <stop_criteria>.
  • Inclua critérios de QA: cálculos, fontes, recomendações, comparação.
  • Para apps: defina output em JSON/Markdown para fácil integração.
  • Se precisar de dados externos → habilite web search.
  • Teste sempre verbosity low + effort low antes de aumentar (mais rápido e barato).
  • Use Prompt ID para versionar e atualizar sem refazer backend.

youtube.com/watch ↗

Prompts para GPT5

chatgpt.com ↗

1

Recursos

↑ voltar ao topo · ver no Telegram ↗