Aqui estão os princípios e métodos que utilizo ao elaborar sugestões de exercícios: Meus Princípios de Incentivo 1. Crie modelos, não siga instruções predefinidas. Quero que as pessoas adaptem a estrutura aos seus próprios cenários — seja sua marca favorita, o clima da cidade, temas do mercado de ações, mini lojas pop-up ou transformar um artigo em um infográfico. A ideia principal é oferecer aos usuários uma estrutura flexível em vez de prendê-los a um único caso de uso. 2. Aproveite as capacidades nativas do modelo (busca, conhecimento do mundo, raciocínio). Por exemplo, o recurso de previsão do tempo para a cidade permite que o Gemini busque informações meteorológicas reais para uma determinada cidade e data. O simulador de mini-mercado de ações em 3D funciona de maneira semelhante. Os prompts para infográficos dependem da compreensão e do resumo do artigo de entrada por parte do modelo. Minha estratégia para construir o Nano Banana Pro 1. Comece usando IA para construir um protótipo funcional para um cenário específico. 2. Em seguida, generalize-o em um modelo de prompt que possa se adaptar dinamicamente com base na entrada do usuário. A ideia central é permitir que o modelo monte a estrutura automaticamente e se adapte a diferentes cenários sem impor restrições artificiais, assim como na escrita de código, onde se evita a codificação rígida e, em vez disso, se mantêm interfaces flexíveis para composição. Sobre a duração do prompt Os modelos modernos são suficientemente robustos para que o tamanho do token não seja uma grande preocupação. Não dedico muito tempo a otimizar ou encurtar as instruções no início — a funcionalidade vem em primeiro lugar. Se necessário, o refinamento pode vir posteriormente. Utilizo principalmente o GPT-5.1, o GPT-4.5 e o Gemini 3 Pro como ferramentas auxiliares. Envio a mesma tarefa para todos eles em paralelo, deixo cada modelo gerar sua própria saída e, em seguida, escolho o resultado que se mostrar melhor.
sugestão para a imagem de capa
