{"id":12996,"date":"2024-08-29T21:38:00","date_gmt":"2024-08-30T02:38:00","guid":{"rendered":"http:\/\/skimai.com\/?p=12996"},"modified":"2024-08-29T21:38:00","modified_gmt":"2024-08-30T02:38:00","slug":"as-10-melhores-tecnicas-de-estimulo-da-aprendizagem-ao-longo-da-vida-para-maximizar-o-desempenho-da-ia","status":"publish","type":"post","link":"https:\/\/skimai.com\/pt\/top-10-llm-prompting-techniques-for-maximizing-ai-performance\/","title":{"rendered":"As 10 melhores t\u00e9cnicas de solicita\u00e7\u00e3o de LLM para maximizar o desempenho da IA"},"content":{"rendered":"<p>A arte de criar prompts eficazes para modelos de grande linguagem (LLM) tornou-se uma compet\u00eancia crucial para os profissionais de IA. Os avisos bem concebidos podem melhorar significativamente o desempenho de um LLM, permitindo resultados mais precisos, relevantes e criativos. Esta publica\u00e7\u00e3o do blogue explora dez das mais poderosas t\u00e9cnicas de solicita\u00e7\u00e3o, oferecendo informa\u00e7\u00f5es sobre as suas aplica\u00e7\u00f5es e melhores pr\u00e1ticas. Quer seja um programador de IA experiente ou esteja apenas a come\u00e7ar com LLMs, estas t\u00e9cnicas ajud\u00e1-lo-\u00e3o a desbloquear todo o potencial dos modelos de IA.<\/p>\n\n\n<figure class=\"wp-block-image\">\n<img decoding=\"async\" src=\"http:\/\/skimai.com\/wp-content\/uploads\/2024\/08\/91510c4b-41bb-4cbf-8e2d-0f87bdddb1f1.png\" alt=\"T\u00e9cnicas de solicita\u00e7\u00e3o de LLM\" \/>\n<\/figure>\n\n\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_82_1 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">\u00cdndice<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar o \u00edndice\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/skimai.com\/pt\/top-10-llm-prompting-techniques-for-maximizing-ai-performance\/#1_Zero-Shot_Prompting\" >1. Prompting de disparo zero<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/skimai.com\/pt\/top-10-llm-prompting-techniques-for-maximizing-ai-performance\/#2_Few-Shot_Prompting\" >2. Prompting de poucos disparos<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/skimai.com\/pt\/top-10-llm-prompting-techniques-for-maximizing-ai-performance\/#3_Chain-of-Thought_CoT_Prompting\" >3. Promo\u00e7\u00e3o da cadeia de pensamento (CoT)<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/skimai.com\/pt\/top-10-llm-prompting-techniques-for-maximizing-ai-performance\/#4_Role_Prompting\" >4. Solicita\u00e7\u00e3o de fun\u00e7\u00f5es<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/skimai.com\/pt\/top-10-llm-prompting-techniques-for-maximizing-ai-performance\/#5_Task_Decomposition\" >5. Decomposi\u00e7\u00e3o de tarefas<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/skimai.com\/pt\/top-10-llm-prompting-techniques-for-maximizing-ai-performance\/#6_Constrained_Prompting\" >6. Solicita\u00e7\u00e3o restrita<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/skimai.com\/pt\/top-10-llm-prompting-techniques-for-maximizing-ai-performance\/#7_Iterative_Refinement\" >7. Refinamento iterativo<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/skimai.com\/pt\/top-10-llm-prompting-techniques-for-maximizing-ai-performance\/#8_Contextual_Prompting\" >8. Solicita\u00e7\u00e3o contextual<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/skimai.com\/pt\/top-10-llm-prompting-techniques-for-maximizing-ai-performance\/#9_Self-Consistency_Prompting\" >9. Promo\u00e7\u00e3o da auto-consist\u00eancia<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/skimai.com\/pt\/top-10-llm-prompting-techniques-for-maximizing-ai-performance\/#10_Adversarial_Prompting\" >10. Prompting Adversarial<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/skimai.com\/pt\/top-10-llm-prompting-techniques-for-maximizing-ai-performance\/#Finding_the_Right_Prompt_Engineering_Techniques\" >Encontrar as t\u00e9cnicas de engenharia adequadas para o Prompt<\/a><\/li><\/ul><\/nav><\/div>\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"1_Zero-Shot_Prompting\"><\/span>1. Prompting de disparo zero<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n<p>O prompt de disparo zero \u00e9 a forma mais direta de interagir com um LLM. Nesta t\u00e9cnica, o utilizador fornece uma instru\u00e7\u00e3o ou pergunta direta sem quaisquer exemplos, confiando no conhecimento pr\u00e9-treinado do modelo para gerar uma resposta. Este m\u00e9todo testa a capacidade do LLM de compreender e executar tarefas com base apenas na instru\u00e7\u00e3o dada, sem contexto ou exemplos adicionais.<\/p>\n\n\n<p>A pergunta zero \u00e9 particularmente \u00fatil para tarefas simples e diretas ou perguntas sobre conhecimentos gerais. \u00c9 uma excelente forma de avaliar as capacidades de base de um LLM e pode ser surpreendentemente eficaz para uma vasta gama de aplica\u00e7\u00f5es. No entanto, a sua efic\u00e1cia pode variar consoante a complexidade da tarefa e o grau de alinhamento com os dados de treino do modelo. Ao utilizar a solicita\u00e7\u00e3o de disparo zero, \u00e9 crucial ser claro e espec\u00edfico nas suas instru\u00e7\u00f5es para obter os melhores resultados.<\/p>\n\n\n<p><strong><u>Exemplo:<\/u><\/strong> Ao utilizar o est\u00edmulo de disparo zero, pode simplesmente perguntar ao LLM: \"Explique o conceito de fotoss\u00edntese em termos simples\". O modelo geraria ent\u00e3o uma explica\u00e7\u00e3o baseada no seu conhecimento pr\u00e9-existente, sem qualquer contexto adicional ou exemplos fornecidos.<\/p>\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"2_Few-Shot_Prompting\"><\/span>2. Prompting de poucos disparos<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n<p>A intera\u00e7\u00e3o com os LLMs \u00e9 levada um pouco mais longe, fornecendo um pequeno n\u00famero de exemplos antes de pedir ao modelo que execute uma tarefa. Esta t\u00e9cnica ajuda a orientar o formato e o estilo de sa\u00edda do modelo, dando-lhe essencialmente um padr\u00e3o a seguir. Ao demonstrar a rela\u00e7\u00e3o de entrada-sa\u00edda pretendida, o est\u00edmulo de poucos disparos pode melhorar significativamente o desempenho do modelo em tarefas espec\u00edficas.<\/p>\n\n\n<p>Este m\u00e9todo \u00e9 particularmente eficaz quando s\u00e3o necess\u00e1rios formatos de sa\u00edda consistentes, quando se lida com tarefas espec\u00edficas de um dom\u00ednio ou quando a solicita\u00e7\u00e3o de disparo zero produz resultados inconsistentes. A solicita\u00e7\u00e3o de poucos disparos permite ajustar o comportamento do modelo sem a necessidade de treinamento extensivo ou ajuste fino. \u00c9 uma forma poderosa de adaptar rapidamente o LLM ao seu caso de utiliza\u00e7\u00e3o espec\u00edfico. No entanto, \u00e9 importante escolher cuidadosamente os seus exemplos, uma vez que estes influenciar\u00e3o fortemente os resultados do modelo.<\/p>\n\n\n<p><strong><u>Exemplo<\/u><\/strong>: No caso de perguntas de curta dura\u00e7\u00e3o, pode dar alguns exemplos ao aprendente antes de fazer a pergunta principal. Por exemplo:<\/p>\n\n\n<p><strong>P: Qual \u00e9 a capital de Fran\u00e7a? R: A capital de Fran\u00e7a \u00e9 Paris.<\/strong><\/p>\n\n\n<p><strong>P: Qual \u00e9 a capital do Jap\u00e3o? R: A capital do Jap\u00e3o \u00e9 T\u00f3quio.<\/strong><\/p>\n\n\n<p><strong>P: Qual \u00e9 a capital do Brasil? A:<\/strong><\/p>\n\n\n<p>Ao fornecer estes exemplos, est\u00e1 a orientar o LLM para compreender o formato e o tipo de resposta que procura, aumentando a probabilidade de receber uma resposta consistente e precisa.<\/p>\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"3_Chain-of-Thought_CoT_Prompting\"><\/span>3. Promo\u00e7\u00e3o da cadeia de pensamento (CoT)<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n<p>O est\u00edmulo da Cadeia de Pensamento \u00e9 uma t\u00e9cnica mais avan\u00e7ada que incentiva os LLMs a decompor problemas complexos em processos de racioc\u00ednio passo-a-passo. Este m\u00e9todo imita as abordagens humanas de resolu\u00e7\u00e3o de problemas, permitindo ao modelo lidar com tarefas mais complexas que exigem racioc\u00ednio ou c\u00e1lculos em v\u00e1rias etapas. Ao solicitar que o LLM mostre o seu trabalho, a CoT pode melhorar significativamente o desempenho em tarefas complexas e proporcionar transpar\u00eancia no processo de tomada de decis\u00e3o do modelo.<\/p>\n\n\n<p>As vantagens da solicita\u00e7\u00e3o de CoT v\u00e3o para al\u00e9m da melhoria da precis\u00e3o. Tamb\u00e9m melhora a interpretabilidade dos resultados do modelo, tornando mais f\u00e1cil para os humanos compreenderem e verificarem o racioc\u00ednio subjacente \u00e0s respostas. Isto \u00e9 particularmente valioso em dom\u00ednios como a educa\u00e7\u00e3o, onde a compreens\u00e3o do processo de resolu\u00e7\u00e3o de problemas \u00e9 t\u00e3o importante como a resposta final. No entanto, \u00e9 de salientar que a solicita\u00e7\u00e3o de CoT pode ser mais intensiva em termos de computa\u00e7\u00e3o e pode nem sempre ser necess\u00e1ria para tarefas mais simples. Tamb\u00e9m \u00e9 importante notar que a solicita\u00e7\u00e3o de CoT provou ser mais eficaz quando fornece exemplos altamente relevantes e espec\u00edficos. <\/p>\n\n\n<p><strong><u>Exemplo:<\/u><\/strong> Ao utilizar o est\u00edmulo da Cadeia de Pensamento, pode colocar uma quest\u00e3o como esta: \"Se uma camisa custa $25 e est\u00e1 \u00e0 venda por 20% de desconto, qual \u00e9 o pre\u00e7o final? Por favor, mostre o seu racioc\u00ednio passo a passo\". O professor pode ent\u00e3o responder com um racioc\u00ednio pormenorizado:<\/p>\n\n\n<p>\"Vamos abordar este assunto passo a passo:<\/p>\n\n\n<ol class=\"wp-block-list\">\n<li><p>O pre\u00e7o original \u00e9 $25.<\/p><\/li><li><p>Um desconto de 20% significa que temos de calcular 20% de $25.<\/p><\/li><li><p>20% de $25 \u00e9 $25 \u00d7 0,20 = $5.<\/p><\/li><li><p>O montante do desconto \u00e9 $5.<\/p><\/li><li><p>Para obter o pre\u00e7o final, subtra\u00edmos o desconto ao pre\u00e7o original.<\/p><\/li><li><p>$25 - $5 = $20. Por conseguinte, o pre\u00e7o final da camisola \u00e9 $20\".<\/p><\/li>\n<\/ol>\n\n\n<p>Esta resposta n\u00e3o s\u00f3 fornece a resposta correta como tamb\u00e9m demonstra o processo de racioc\u00ednio, facilitando a verifica\u00e7\u00e3o e a compreens\u00e3o da solu\u00e7\u00e3o.<\/p>\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"4_Role_Prompting\"><\/span>4. Solicita\u00e7\u00e3o de fun\u00e7\u00f5es<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n<p>O est\u00edmulo de papel \u00e9 uma t\u00e9cnica criativa e poderosa que envolve a atribui\u00e7\u00e3o de uma personalidade ou papel espec\u00edfico ao LLM. Esse m\u00e9todo pode alterar drasticamente o tom, o estilo e o conte\u00fado das respostas do modelo, permitindo que voc\u00ea adapte seu resultado a necessidades ou cen\u00e1rios espec\u00edficos. Ao instruir o LLM a adotar um determinado papel, \u00e9 poss\u00edvel aceder a diferentes \"personalidades\" ou compet\u00eancias dentro da base de conhecimentos do modelo.<\/p>\n\n\n<p>Esta t\u00e9cnica \u00e9 particularmente \u00fatil quando \u00e9 necess\u00e1rio gerar conte\u00fado com uma voz ou estilo espec\u00edfico, simular conhecimentos especializados numa \u00e1rea ou criar diversas perspectivas sobre um t\u00f3pico. A sugest\u00e3o de fun\u00e7\u00e3o pode levar a respostas mais envolventes e adequadas ao contexto, tornando-a valiosa para a escrita criativa, planeamento de cen\u00e1rios ou simula\u00e7\u00f5es educativas. No entanto, \u00e9 importante lembrar que, embora o LLM possa simular diferentes pap\u00e9is de forma convincente, as suas respostas continuam a basear-se nos seus dados de treino e n\u00e3o devem ser consideradas como conselhos de especialistas reais sem verifica\u00e7\u00e3o.<\/p>\n\n\n<p><strong><u>Exemplo:<\/u><\/strong> Para a defini\u00e7\u00e3o do papel, pode dar as seguintes instru\u00e7\u00f5es ao mentor legal: \"Como um cientista clim\u00e1tico experiente, explique os potenciais efeitos a longo prazo da subida do n\u00edvel do mar nas cidades costeiras.\" Esta sugest\u00e3o incentiva o mentor legal a adotar a personalidade de um cientista clim\u00e1tico, o que poder\u00e1 levar a uma resposta mais t\u00e9cnica e autorizada sobre o tema.<\/p>\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"5_Task_Decomposition\"><\/span>5. Decomposi\u00e7\u00e3o de tarefas<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n<p>A decomposi\u00e7\u00e3o de tarefas \u00e9 uma abordagem estrat\u00e9gica que envolve a divis\u00e3o de tarefas complexas em subtarefas mais pequenas e mais f\u00e1ceis de gerir. Esta t\u00e9cnica aproveita a capacidade do LLM de lidar com partes discretas de informa\u00e7\u00e3o e combin\u00e1-las num todo coeso. Ao decompor uma tarefa grande, pode guiar o modelo atrav\u00e9s de uma s\u00e9rie de passos, assegurando que cada componente \u00e9 abordado de forma completa e precisa.<\/p>\n\n\n<p>Este m\u00e9todo \u00e9 particularmente eficaz para resolver problemas complexos que poderiam sobrecarregar o modelo se fossem apresentados todos de uma vez. Reduz a carga cognitiva sobre o LLM, permitindo respostas mais precisas e focalizadas em cada subtarefa. A decomposi\u00e7\u00e3o de tarefas tamb\u00e9m permite lidar melhor com problemas de v\u00e1rias etapas e pode melhorar a qualidade geral e a integridade do resultado final. Al\u00e9m disso, esta abordagem pode facilitar a identifica\u00e7\u00e3o e corre\u00e7\u00e3o de erros, uma vez que \u00e9 poss\u00edvel rever cada passo individualmente. Ao implementar a decomposi\u00e7\u00e3o de tarefas, \u00e9 crucial manter um fluxo l\u00f3gico claro entre as subtarefas para garantir um resultado final coerente.<\/p>\n\n\n<p><strong><u>Exemplo:<\/u><\/strong> Quando se utiliza a decomposi\u00e7\u00e3o de tarefas para uma tarefa complexa, pode-se pedir ao LLM o seguinte: \"Para escrever um trabalho de investiga\u00e7\u00e3o abrangente sobre energias renov\u00e1veis, vamos dividi-lo em etapas. Por favor, indique os principais passos que devemos seguir, desde a defini\u00e7\u00e3o do \u00e2mbito at\u00e9 \u00e0 finaliza\u00e7\u00e3o do trabalho.\"<\/p>\n\n\n<p>O LLM poder\u00e1 ent\u00e3o responder com uma an\u00e1lise como esta:<\/p>\n\n\n<p>\"1. definir o \u00e2mbito do trabalho (tipos de energias renov\u00e1veis a cobrir). 2. Delinear as principais sec\u00e7\u00f5es (introdu\u00e7\u00e3o, situa\u00e7\u00e3o atual, desafios, perspectivas futuras, conclus\u00e3o). 3. Para cada sec\u00e7\u00e3o, enumerar os pontos-chave a abordar. 4. Pesquisar e recolher dados para cada ponto. 5. Escreva uma introdu\u00e7\u00e3o que estabele\u00e7a o contexto e indique os objectivos do documento. 6. Desenvolva cada sec\u00e7\u00e3o, incorporando dados e an\u00e1lises relevantes. 7. Resuma os principais resultados e as implica\u00e7\u00f5es futuras na conclus\u00e3o. 8. Reveja e aperfei\u00e7oe todo o documento para garantir a sua coer\u00eancia e fluidez. 9. Criar uma bibliografia das fontes utilizadas.<\/p>\n\n\n<p>Agora, vamos come\u00e7ar com o passo 1...\"<\/p>\n\n\n<p>Esta divis\u00e3o permite-lhe abordar a complexa tarefa de escrever um trabalho de investiga\u00e7\u00e3o em partes ger\u00edveis, melhorando a qualidade geral e a integridade do resultado final.<\/p>\n\n\n<p>Com certeza! Vamos continuar com as restantes sec\u00e7\u00f5es da publica\u00e7\u00e3o do blogue \"10 Best Prompting Techniques for LLMs\". Eis as sec\u00e7\u00f5es 7-10, seguidas de uma conclus\u00e3o e de dicas pr\u00e1ticas:<\/p>\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"6_Constrained_Prompting\"><\/span>6. Solicita\u00e7\u00e3o restrita<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n<p>A solicita\u00e7\u00e3o restrita envolve a defini\u00e7\u00e3o de regras ou limita\u00e7\u00f5es espec\u00edficas para o LLM seguir em suas respostas. Esta t\u00e9cnica \u00e9 particularmente \u00fatil quando \u00e9 necess\u00e1rio controlar o formato de sa\u00edda, a dura\u00e7\u00e3o ou o conte\u00fado das respostas do modelo. Ao declarar explicitamente as restri\u00e7\u00f5es, \u00e9 poss\u00edvel orientar o LLM para gerar resultados mais focados e relevantes.<\/p>\n\n\n<p>As restri\u00e7\u00f5es podem variar de instru\u00e7\u00f5es simples, como limites de contagem de palavras, a requisitos mais complexos, como aderir a estilos de escrita espec\u00edficos ou evitar determinados t\u00f3picos. Esta t\u00e9cnica \u00e9 especialmente valiosa em contextos profissionais onde a consist\u00eancia e a ades\u00e3o a diretrizes s\u00e3o cruciais. No entanto, \u00e9 importante equilibrar as restri\u00e7\u00f5es com a flexibilidade para permitir que o LLM aproveite todas as suas capacidades.<\/p>\n\n\n<p><strong><u>Exemplo:<\/u><\/strong> \"Forne\u00e7a um resumo dos \u00faltimos desenvolvimentos em mat\u00e9ria de energias renov\u00e1veis em exatamente 100 palavras. Concentre-se apenas na energia solar e e\u00f3lica e n\u00e3o mencione quaisquer empresas ou marcas espec\u00edficas.\"<\/p>\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"7_Iterative_Refinement\"><\/span>7. Refinamento iterativo<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n<p>O refinamento iterativo \u00e9 uma t\u00e9cnica que envolve o uso de m\u00faltiplas solicita\u00e7\u00f5es para melhorar e refinar progressivamente os resultados do LLM. Esta abordagem reconhece que as tarefas complexas requerem frequentemente v\u00e1rias rondas de revis\u00f5es e melhorias. Dividindo a tarefa em v\u00e1rias etapas e fornecendo feedback em cada uma delas, \u00e9 poss\u00edvel orientar o formando para resultados finais mais precisos e polidos.<\/p>\n\n\n<p>Este m\u00e9todo \u00e9 particularmente eficaz para tarefas como a escrita, a resolu\u00e7\u00e3o de problemas ou o trabalho criativo, em que o primeiro rascunho raramente \u00e9 perfeito. O aperfei\u00e7oamento iterativo permite-lhe tirar partido dos pontos fortes do LLM, mantendo o controlo sobre a dire\u00e7\u00e3o e a qualidade do resultado. \u00c9 importante ser claro e espec\u00edfico com o seu feedback em cada itera\u00e7\u00e3o para garantir uma melhoria cont\u00ednua.<\/p>\n\n\n<p><strong><u>Exemplo<\/u><\/strong>: Passo 1: \"Escreva um breve esbo\u00e7o de um artigo sobre o impacto da intelig\u00eancia artificial nos cuidados de sa\u00fade.\" Passo 2: \"Com base neste esbo\u00e7o, expanda a sec\u00e7\u00e3o sobre IA no diagn\u00f3stico m\u00e9dico.\" Passo 3: \"Agora, acrescente exemplos espec\u00edficos de aplica\u00e7\u00f5es de IA em radiologia a esta sec\u00e7\u00e3o.\"<\/p>\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"8_Contextual_Prompting\"><\/span>8. Solicita\u00e7\u00e3o contextual<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n<p>O est\u00edmulo contextual envolve o fornecimento de informa\u00e7\u00f5es de fundo relevantes ou contexto ao LLM antes de pedir-lhe para executar uma tarefa. Esta t\u00e9cnica ajuda o modelo a compreender o quadro geral e a gerar respostas mais precisas e relevantes. Ao preparar o terreno com o contexto adequado, pode melhorar significativamente a qualidade e a especificidade dos resultados do LLM.<\/p>\n\n\n<p>Este m\u00e9todo \u00e9 particularmente \u00fatil quando se lida com t\u00f3picos especializados, cen\u00e1rios \u00fanicos, ou quando \u00e9 necess\u00e1rio que o LLM considere informa\u00e7\u00f5es espec\u00edficas que podem n\u00e3o fazer parte do seu conhecimento geral. O est\u00edmulo contextual pode ajudar a preencher a lacuna entre o conhecimento geral do LLM e os requisitos espec\u00edficos da sua tarefa.<\/p>\n\n\n<p><strong><u>Exemplo<\/u><\/strong>: \"Contexto: A cidade de Amesterd\u00e3o tem vindo a implementar v\u00e1rias iniciativas ecol\u00f3gicas para se tornar mais sustent\u00e1vel. Tendo em conta esta informa\u00e7\u00e3o, sugira tr\u00eas ideias inovadoras de planeamento urbano que poderiam melhorar ainda mais os esfor\u00e7os de sustentabilidade de Amesterd\u00e3o.\"<\/p>\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"9_Self-Consistency_Prompting\"><\/span>9. Promo\u00e7\u00e3o da auto-consist\u00eancia<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n<p>A solicita\u00e7\u00e3o de auto-consist\u00eancia \u00e9 uma t\u00e9cnica avan\u00e7ada que envolve a gera\u00e7\u00e3o de v\u00e1rias respostas \u00e0 mesma solicita\u00e7\u00e3o e, em seguida, a sele\u00e7\u00e3o da resposta mais consistente ou fi\u00e1vel. Este m\u00e9todo aproveita a natureza probabil\u00edstica das LLMs para melhorar a precis\u00e3o, especialmente em tarefas que exigem racioc\u00ednio ou resolu\u00e7\u00e3o de problemas.<\/p>\n\n\n<p>Ao comparar v\u00e1rios resultados, a solicita\u00e7\u00e3o de auto-consist\u00eancia pode ajudar a identificar e filtrar inconsist\u00eancias ou erros que possam ocorrer em respostas individuais. Esta t\u00e9cnica \u00e9 particularmente valiosa para aplica\u00e7\u00f5es cr\u00edticas em que a exatid\u00e3o \u00e9 fundamental. No entanto, requer mais recursos computacionais e tempo em compara\u00e7\u00e3o com os m\u00e9todos de resposta \u00fanica.<\/p>\n\n\n<p><strong><u>Exemplo<\/u><\/strong>: \"Resolver o seguinte problema matem\u00e1tico: Se um comboio viaja a 60 mph durante 2,5 horas, qual \u00e9 a dist\u00e2ncia que percorre? Gera cinco solu\u00e7\u00f5es independentes e escolhe a resposta mais consistente.\"<\/p>\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"10_Adversarial_Prompting\"><\/span>10. Prompting Adversarial<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n<p>O \"Adversarial prompting\" \u00e9 uma t\u00e9cnica que consiste em desafiar as respostas iniciais ou os pressupostos do LLM para melhorar a qualidade, a exatid\u00e3o e a robustez dos seus resultados. Este m\u00e9todo simula um debate ou um processo de pensamento cr\u00edtico, levando o modelo a considerar pontos de vista alternativos, potenciais falhas no seu racioc\u00ednio ou factores n\u00e3o considerados.<\/p>\n\n\n<p>A abordagem contradit\u00f3ria funciona pedindo primeiro ao LLM que forne\u00e7a uma resposta ou solu\u00e7\u00e3o inicial e, em seguida, levando-o a criticar ou desafiar a sua pr\u00f3pria resposta. Este processo pode ser repetido v\u00e1rias vezes, cada itera\u00e7\u00e3o refinando e refor\u00e7ando o resultado final. A abordagem adversarial \u00e9 particularmente \u00fatil para a resolu\u00e7\u00e3o de problemas complexos, cen\u00e1rios de tomada de decis\u00e3o, ou quando se lida com t\u00f3picos controversos ou multifacetados.<\/p>\n\n\n<p>Esta t\u00e9cnica ajuda a mitigar potenciais enviesamentos nas respostas do modelo e encoraja resultados mais completos e equilibrados. No entanto, requer uma formula\u00e7\u00e3o cuidadosa das solicita\u00e7\u00f5es contradit\u00f3rias para garantir uma cr\u00edtica produtiva em vez de uma simples contradi\u00e7\u00e3o.<\/p>\n\n\n<p><strong><u>Exemplo<\/u><\/strong>: Passo 1: \"Proponha uma solu\u00e7\u00e3o para reduzir o congestionamento do tr\u00e1fego urbano.\" Passo 2: \"Agora, identifique tr\u00eas potenciais inconvenientes ou desafios \u00e0 solu\u00e7\u00e3o que acabou de propor.\" Etapa 3: \"Tendo em conta estes desafios, aperfei\u00e7oe a sua solu\u00e7\u00e3o original ou proponha uma abordagem alternativa.\" Passo 4: \"Por fim, compare os pontos fortes e fracos da solu\u00e7\u00e3o original e da solu\u00e7\u00e3o aperfei\u00e7oada e recomende a melhor linha de a\u00e7\u00e3o.\"<\/p>\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Finding_the_Right_Prompt_Engineering_Techniques\"><\/span><strong>Encontrar as t\u00e9cnicas de engenharia adequadas para o Prompt<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n<p>O dom\u00ednio destas t\u00e9cnicas de est\u00edmulo pode melhorar significativamente a sua capacidade de trabalhar eficazmente com os LLM. Cada m\u00e9todo oferece vantagens \u00fanicas e \u00e9 adequado a diferentes tipos de tarefas e cen\u00e1rios. Ao compreender e aplicar estas t\u00e9cnicas, os profissionais de IA podem desbloquear todo o potencial dos LLMs, conduzindo a resultados mais exactos, criativos e \u00fateis.<\/p>\n\n\n<p>\u00c0 medida que o campo da IA continua a evoluir, o mesmo acontece com as estrat\u00e9gias de est\u00edmulo. Manter-se informado sobre os novos desenvolvimentos e experimentar continuamente diferentes t\u00e9cnicas ser\u00e1 crucial para quem trabalha com LLMs. Lembre-se de que a arte da solicita\u00e7\u00e3o tem tanto a ver com a compreens\u00e3o das capacidades e limita\u00e7\u00f5es do modelo como com a elabora\u00e7\u00e3o da entrada perfeita.<\/p>","protected":false},"excerpt":{"rendered":"<p>The art of crafting effective large language model (LLM) prompts has become a crucial skill for AI practitioners. Well-designed prompts can significantly enhance an LLM&#8217;s performance, enabling more accurate, relevant, and creative outputs. This blog post explores ten of the most powerful prompting techniques, offering insights into their applications and best practices. Whether you&#8217;re a [&hellip;]<\/p>\n","protected":false},"author":1003,"featured_media":13047,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"single-custom-post-template.php","format":"standard","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[125,100,119],"tags":[],"class_list":["post-12996","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-enterprise-ai-blog","category-generative-ai","category-prompt-engineering"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v24.1 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Top 10 LLM Prompting Techniques for Maximizing AI Performance - Skim AI<\/title>\n<meta name=\"description\" content=\"Explore 10 powerful prompting techniques to enhance LLM performance. From zero-shot prompting to adversarial approaches, unlock the full potential of AI models.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/skimai.com\/pt\/as-10-melhores-tecnicas-de-estimulo-da-aprendizagem-ao-longo-da-vida-para-maximizar-o-desempenho-da-ia\/\" \/>\n<meta property=\"og:locale\" content=\"pt_PT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Top 10 LLM Prompting Techniques for Maximizing AI Performance - Skim AI\" \/>\n<meta property=\"og:description\" content=\"Explore 10 powerful prompting techniques to enhance LLM performance. From zero-shot prompting to adversarial approaches, unlock the full potential of AI models.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/skimai.com\/pt\/as-10-melhores-tecnicas-de-estimulo-da-aprendizagem-ao-longo-da-vida-para-maximizar-o-desempenho-da-ia\/\" \/>\n<meta property=\"og:site_name\" content=\"Skim AI\" \/>\n<meta property=\"article:published_time\" content=\"2024-08-30T02:38:00+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/skimai.com\/wp-content\/uploads\/2024\/08\/Top-Prompting-Techniques.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1092\" \/>\n\t<meta property=\"og:image:height\" content=\"612\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Greggory Elias\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Greggory Elias\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tempo estimado de leitura\" \/>\n\t<meta name=\"twitter:data2\" content=\"11 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/\"},\"author\":{\"name\":\"Greggory Elias\",\"@id\":\"https:\/\/skimai.com\/uk\/#\/schema\/person\/7a883b4a2d2ea22040f42a7975eb86c6\"},\"headline\":\"Top 10 LLM Prompting Techniques for Maximizing AI Performance\",\"datePublished\":\"2024-08-30T02:38:00+00:00\",\"dateModified\":\"2024-08-30T02:38:00+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/\"},\"wordCount\":2227,\"publisher\":{\"@id\":\"https:\/\/skimai.com\/uk\/#organization\"},\"image\":{\"@id\":\"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/skimai.com\/wp-content\/uploads\/2024\/08\/Top-Prompting-Techniques.png\",\"articleSection\":[\"Enterprise AI\",\"Generative AI\",\"Prompt Engineering\"],\"inLanguage\":\"pt-PT\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/\",\"url\":\"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/\",\"name\":\"Top 10 LLM Prompting Techniques for Maximizing AI Performance - Skim AI\",\"isPartOf\":{\"@id\":\"https:\/\/skimai.com\/uk\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/skimai.com\/wp-content\/uploads\/2024\/08\/Top-Prompting-Techniques.png\",\"datePublished\":\"2024-08-30T02:38:00+00:00\",\"dateModified\":\"2024-08-30T02:38:00+00:00\",\"description\":\"Explore 10 powerful prompting techniques to enhance LLM performance. From zero-shot prompting to adversarial approaches, unlock the full potential of AI models.\",\"breadcrumb\":{\"@id\":\"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#breadcrumb\"},\"inLanguage\":\"pt-PT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-PT\",\"@id\":\"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#primaryimage\",\"url\":\"https:\/\/skimai.com\/wp-content\/uploads\/2024\/08\/Top-Prompting-Techniques.png\",\"contentUrl\":\"https:\/\/skimai.com\/wp-content\/uploads\/2024\/08\/Top-Prompting-Techniques.png\",\"width\":1092,\"height\":612,\"caption\":\"Top Prompting Techniques\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/skimai.com\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Top 10 LLM Prompting Techniques for Maximizing AI Performance\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/skimai.com\/uk\/#website\",\"url\":\"https:\/\/skimai.com\/uk\/\",\"name\":\"Skim AI\",\"description\":\"The AI Agent Workforce Platform\",\"publisher\":{\"@id\":\"https:\/\/skimai.com\/uk\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/skimai.com\/uk\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"pt-PT\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/skimai.com\/uk\/#organization\",\"name\":\"Skim AI\",\"url\":\"https:\/\/skimai.com\/uk\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-PT\",\"@id\":\"https:\/\/skimai.com\/uk\/#\/schema\/logo\/image\/\",\"url\":\"http:\/\/skimai.com\/wp-content\/uploads\/2020\/07\/SKIM-AI-Header-Logo.png\",\"contentUrl\":\"http:\/\/skimai.com\/wp-content\/uploads\/2020\/07\/SKIM-AI-Header-Logo.png\",\"width\":194,\"height\":58,\"caption\":\"Skim AI\"},\"image\":{\"@id\":\"https:\/\/skimai.com\/uk\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.linkedin.com\/company\/skim-ai\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/skimai.com\/uk\/#\/schema\/person\/7a883b4a2d2ea22040f42a7975eb86c6\",\"name\":\"Greggory Elias\",\"url\":\"https:\/\/skimai.com\/pt\/author\/gregg\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"As 10 melhores t\u00e9cnicas de solicita\u00e7\u00e3o de LLM para maximizar o desempenho da IA - Skim AI","description":"Explore 10 t\u00e9cnicas poderosas de est\u00edmulo para melhorar o desempenho do LLM. Desde a solicita\u00e7\u00e3o de disparo zero at\u00e9 abordagens advers\u00e1rias, desbloqueie todo o potencial dos modelos de IA.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/skimai.com\/pt\/as-10-melhores-tecnicas-de-estimulo-da-aprendizagem-ao-longo-da-vida-para-maximizar-o-desempenho-da-ia\/","og_locale":"pt_PT","og_type":"article","og_title":"Top 10 LLM Prompting Techniques for Maximizing AI Performance - Skim AI","og_description":"Explore 10 powerful prompting techniques to enhance LLM performance. From zero-shot prompting to adversarial approaches, unlock the full potential of AI models.","og_url":"https:\/\/skimai.com\/pt\/as-10-melhores-tecnicas-de-estimulo-da-aprendizagem-ao-longo-da-vida-para-maximizar-o-desempenho-da-ia\/","og_site_name":"Skim AI","article_published_time":"2024-08-30T02:38:00+00:00","og_image":[{"width":1092,"height":612,"url":"https:\/\/skimai.com\/wp-content\/uploads\/2024\/08\/Top-Prompting-Techniques.png","type":"image\/png"}],"author":"Greggory Elias","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Greggory Elias","Tempo estimado de leitura":"11 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#article","isPartOf":{"@id":"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/"},"author":{"name":"Greggory Elias","@id":"https:\/\/skimai.com\/uk\/#\/schema\/person\/7a883b4a2d2ea22040f42a7975eb86c6"},"headline":"Top 10 LLM Prompting Techniques for Maximizing AI Performance","datePublished":"2024-08-30T02:38:00+00:00","dateModified":"2024-08-30T02:38:00+00:00","mainEntityOfPage":{"@id":"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/"},"wordCount":2227,"publisher":{"@id":"https:\/\/skimai.com\/uk\/#organization"},"image":{"@id":"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#primaryimage"},"thumbnailUrl":"https:\/\/skimai.com\/wp-content\/uploads\/2024\/08\/Top-Prompting-Techniques.png","articleSection":["Enterprise AI","Generative AI","Prompt Engineering"],"inLanguage":"pt-PT"},{"@type":"WebPage","@id":"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/","url":"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/","name":"As 10 melhores t\u00e9cnicas de solicita\u00e7\u00e3o de LLM para maximizar o desempenho da IA - Skim AI","isPartOf":{"@id":"https:\/\/skimai.com\/uk\/#website"},"primaryImageOfPage":{"@id":"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#primaryimage"},"image":{"@id":"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#primaryimage"},"thumbnailUrl":"https:\/\/skimai.com\/wp-content\/uploads\/2024\/08\/Top-Prompting-Techniques.png","datePublished":"2024-08-30T02:38:00+00:00","dateModified":"2024-08-30T02:38:00+00:00","description":"Explore 10 t\u00e9cnicas poderosas de est\u00edmulo para melhorar o desempenho do LLM. Desde a solicita\u00e7\u00e3o de disparo zero at\u00e9 abordagens advers\u00e1rias, desbloqueie todo o potencial dos modelos de IA.","breadcrumb":{"@id":"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#breadcrumb"},"inLanguage":"pt-PT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/"]}]},{"@type":"ImageObject","inLanguage":"pt-PT","@id":"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#primaryimage","url":"https:\/\/skimai.com\/wp-content\/uploads\/2024\/08\/Top-Prompting-Techniques.png","contentUrl":"https:\/\/skimai.com\/wp-content\/uploads\/2024\/08\/Top-Prompting-Techniques.png","width":1092,"height":612,"caption":"Top Prompting Techniques"},{"@type":"BreadcrumbList","@id":"https:\/\/skimai.com\/es\/las-10-mejores-tecnicas-para-maximizar-el-rendimiento-de-la-ai-en-llm\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/skimai.com\/"},{"@type":"ListItem","position":2,"name":"Top 10 LLM Prompting Techniques for Maximizing AI Performance"}]},{"@type":"WebSite","@id":"https:\/\/skimai.com\/uk\/#website","url":"https:\/\/skimai.com\/uk\/","name":"IA de desnata\u00e7\u00e3o","description":"A plataforma de for\u00e7a de trabalho de agentes de IA","publisher":{"@id":"https:\/\/skimai.com\/uk\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/skimai.com\/uk\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pt-PT"},{"@type":"Organization","@id":"https:\/\/skimai.com\/uk\/#organization","name":"IA de desnata\u00e7\u00e3o","url":"https:\/\/skimai.com\/uk\/","logo":{"@type":"ImageObject","inLanguage":"pt-PT","@id":"https:\/\/skimai.com\/uk\/#\/schema\/logo\/image\/","url":"http:\/\/skimai.com\/wp-content\/uploads\/2020\/07\/SKIM-AI-Header-Logo.png","contentUrl":"http:\/\/skimai.com\/wp-content\/uploads\/2020\/07\/SKIM-AI-Header-Logo.png","width":194,"height":58,"caption":"Skim AI"},"image":{"@id":"https:\/\/skimai.com\/uk\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.linkedin.com\/company\/skim-ai"]},{"@type":"Person","@id":"https:\/\/skimai.com\/uk\/#\/schema\/person\/7a883b4a2d2ea22040f42a7975eb86c6","name":"Greggory Elias","url":"https:\/\/skimai.com\/pt\/author\/gregg\/"}]}},"_links":{"self":[{"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/posts\/12996","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/users\/1003"}],"replies":[{"embeddable":true,"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/comments?post=12996"}],"version-history":[{"count":0,"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/posts\/12996\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/media\/13047"}],"wp:attachment":[{"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/media?parent=12996"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/categories?post=12996"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/tags?post=12996"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}