Recentemente, em uma entrevista, Boris Cherny, responsável pelo Claude Code da Anthropic, destacou que a capacidade dessa tecnologia vai muito além das expectativas comuns, afirmando que a engenharia de prompts não é tão relevante quanto se pensava. Para empresas e profissionais que utilizam inteligência artificial, essa revelação pode alterar a abordagem na interação com modelos de AI.
O Claude Code se destaca por sua eficiência em lidar com comandos simples, dispensando a necessidade de instruções excessivamente detalhadas. Um exemplo notável foi um experimento onde o Claude teve acesso à OpenCV, uma biblioteca de algoritmos de visão computacional. Ao receber uma tarefa para criar imagens, o resultado foi surpreendente, demonstrando a robustez do modelo em realizar tarefas complexas com diretrizes diretas.
Cherny enfatizou que o foco deve estar em desafiar o Claude com tarefas que parecem difíceis, ao invés de se preocupar com a precisão dos prompts. Ele destacou que a habilidade em gerenciamento de projetos com IA está se deslocando de “engenharia de prompts” para “engenharia de contexto”, onde a ênfase está em como fornecer tarefas desafiadoras e dar ao modelo a capacidade de validar seu próprio trabalho ao longo do processo.
Em um cenário onde as funções de “engenheiro de prompts” foram uma das mais procuradas no passado recente, Cherny sugere que o que realmente importa é criar condições que permitam ao Claude operar de forma independente, verificando e ajustando seu próprio output. Ele ilustrou isso com um exemplo em que o Claude reescreveu um aplicativo de desktop, utilizando um prompt simples e direto, ressaltando a capacidade do modelo de operar sem a necessidade de especificações excessivas.
Cherny também chamou atenção para a importância da experiência prática na interação com modelos como o Claude. Ele aconselhou os usuários a se afastarem de influenciadores nas redes sociais e focarem na aprendizagem empírica, experimentando e observando os resultados para dominar o uso da ferramenta. Segundo ele, essa abordagem ajuda a entender onde o modelo pode falhar e como melhorar a interação com ele.
A mensagem central é clara: não é necessário superespecificar as tarefas quando se trabalha com o Claude Code. O excesso de detalhes pode, na verdade, ser contraproducente, uma vez que a essência do modelo é agir como um colaborador, onde a simplicidade das instruções pode frequentemente resultar em melhores desempenhos.
Os principais ensinamentos que podem ser extraídos dessa discussão incluem:
- A engenharia de prompts é menos importante do que fornecer instruções claras e formas de verificação do trabalho realizado pelo modelo.
- O Claude atingiu um nível de capacidade onde muitos truques de engenharia de prompts já não são mais necessários.
- É essencial desafiar o modelo com tarefas de maior complexidade.
- A prática e a observação são ferramentas valiosas na aprendizagem do uso de AI.
- Evitar a sobrecarga de informações nos prompts pode melhorar significativamente os resultados.
Esse novo entendimento sobre a interação com modelos de inteligência artificial como o Claude Code pode transformar a forma como empresas e profissionais se preparam para desafios, possibilitando-lhes tirar melhor proveito do potencial inovador que essa tecnologia oferece.
Crédito da imagem: divulgação/reprodução
