KERNEL em Cinco Minutos: Por Que um Bom Prompt Parece Suspeitamente com uma Especificação Técnica

O autor explica KERNEL, um framework comunitário para escrever prompts, para sua mãe em cinco minutos, percebendo que soa como uma especificação técnica. KERNEL significa Keep it simple (Mantenha simples), Easy to verify (Fácil de verificar), Reproducible results (Resultados reproduzíveis), Narrow scope (Escopo restrito), Explicit constraints (Restrições explícitas) e Logical structure (Estrutura lógica). O framework foi criado por um autor que analisou mais de mil prompts e afirma que a taxa de sucesso na primeira tentativa subiu de 72% para 94%, o uso de tokens caiu 58% e o tempo até o resultado útil caiu 67%, embora o autor deste artigo esteja cético quanto a esses números sem metodologia publicada. O artigo observa que bons prompts muitas vezes parecem tarefas técnicas bem escritas e que, embora técnicas como 'pensar passo a passo' possam ajudar, modelos de raciocínio modernos já lidam com isso internamente. A letra mais controversa é R de Resultados reproduzíveis, que o autor reinterpreta não como saídas idênticas, mas como requisitos reproduzíveis, permitindo comparação entre versões de modelos e prompts. Em produção, prompts sozinhos não são suficientes; são necessárias avaliações (evals, testes predefinidos) para medir o comportamento do modelo, e parte da lógica do prompt (como impor estrutura JSON) é melhor movida para o código por meio de schemas. A escolha do modelo também importa: diferentes LLMs têm desempenhos diferentes no mesmo prompt, então comparar modelos em critérios específicos é essencial. O autor usa SYNTX.AI para executar vários LLMs em um único espaço, e o artigo conclui que KERNEL ainda é útil como uma lista de verificação rápida, mas que sistemas reais de LLM exigem engenharia de contexto, incluindo RAG (Geração Aumentada por Recuperação), uso de ferramentas e gerenciamento de estado. O texto termina com uma nota promocional para SYNTX.AI e um código de promoção.