Criar prompts melhores para o1

Criar prompts melhores para o1

Vamos ver como fazer engenharia imediata com o1 por meio de um exemplo.

Objetivolink image 11

Quero uma lista das melhores rotas de senderismo de longitude média a menos de duas horas de Madrid.

Formato de devoluçãolink image 12

Cada rota deve oferecer uma aventura única e emocionante, e ser pouco conhecido.

Para cada trilha, retorne o nome da trilha como eu a encontraria no AllTrails e, em seguida, informe o endereço inicial e final da trilha, a distância, o tempo de viagem, a duração da trilha e o que a torna uma aventura legal e única.

Retorne os 3 primeiros.

Warningslink image 13

Certifique-se de que o nome do remetente esteja correto, que realmente exista e que a hora esteja correta.

Contextolink image 14

Para contextualizar: ¡mi familia y yo hacemos muchas excursiones! Hemos hecho practicamente todas as excursões locais de Madrid. Definitivamente queremos sair da cidade. Hace poco subimos al monte de Guadarrama, desde o princípio das escadas até o mirador da laguna.
Fue muy largo y este fin de semana nos apetece fazer algo diferente. Nos encanta la comida deliciosa. Una cosa que me encantou da excursão ao monte Guadarrama é que termina com uma celebração (¡legar a la ciudad para desayunar!).

Perguntas frequentes

Qual estrutura de prompt funciona bem com o modelo o1 da OpenAI?

O exemplo usa quatro seções separadas: "Objetivo" (o pedido concreto, ex.: "Quero uma lista das melhores trilhas de caminhada de duração média a menos de duas horas de Madri"), "Formato de devolução" (quais campos cada resultado deve trazer: o nome como aparece no AllTrails, endereço de início e fim, distância, tempo de carro, duração, e retornar o top 3), "Warnings" e "Context". Separar essas seções explicitamente ajuda o o1 a raciocinar sobre cada restrição de forma isolada, em vez de misturar tudo num único parágrafo.

Para que serve incluir uma seção de "Warnings" no prompt e o que colocar nela?

A seção de Warnings serve para pedir explicitamente que o modelo verifique os fatos antes de responder, como no exemplo: "Make sure the trail name is correct, that the trail actually exists, and that the time is accurate." Isso reduz a chance de o o1 inventar trilhas ou dados (nomes, horários) que não sejam reais.

Continuar lendo

Últimos posts -->

Você viu esses projetos?

Gymnasia

Gymnasia Gymnasia
Expo
React Native
TypeScript
OpenAI
Anthropic

App de fitness com dois agentes que são executados integralmente no dispositivo, sem backend, de forma que os dados do usuário nunca saem do celular. Um coach conversacional BYOK com adaptadores para OpenAI, Anthropic e Google, 12 tools locais e system prompt remoto com fallback offline, e um subagente de visão que estima macronutrientes a partir de fotos de comida, com leitura de códigos de barras contra o OpenFoodFacts.

LangGraph Deep Researcher

LangGraph Deep Researcher LangGraph Deep Researcher
Python
LangGraph
FastAPI
React
TypeScript
Docker

Sistema multiagente de pesquisa construído com LangGraph. Um supervisor decompõe sua pergunta em tópicos e lança subagentes de busca em paralelo; cada um comprime seus achados antes de repassá-los a um agente redator que escreve o relatório final em markdown com suas fontes. Streaming ao vivo por WebSockets, modelo configurável por papel e chaves de API próprias que nunca são armazenadas no servidor.

Tau

Tau Tau
Python
LangChain

Sistema multiagente de tutoria para estudantes do ensino médio, com um agente por disciplina e material de curso elaborado e validado por uma equipe de professores. Chegou a ser usado com alunos reais em um colégio privado na Espanha e em uma escola de ensino médio na Colômbia.

Ver todos os projetos -->
>_ Disponível para projetos

Tem um projeto com IA?

Vamos conversar.

maximofn@gmail.com

Especialista em Machine Learning e Inteligência Artificial. Desenvolvo soluções com IA generativa, agentes inteligentes e modelos personalizados.

Quer assistir alguma palestra?

Últimas palestras -->

Quer melhorar com essas dicas?

Últimos tips -->

Use isso localmente

Os espaços do Hugging Face nos permitem executar modelos com demos muito simples, mas e se a demo quebrar? Ou se o usuário a deletar? Por isso, criei contêineres docker com alguns espaços interessantes, para poder usá-los localmente, aconteça o que acontecer. Na verdade, se você clicar em qualquer botão de visualização de projeto, ele pode levá-lo a um espaço que não funciona.

Flow edit

Flow edit Flow edit

Edite imagens com este modelo de Flow. Baseado em SD3 ou FLUX, você pode editar qualquer imagem e gerar novas

FLUX.1-RealismLora

FLUX.1-RealismLora FLUX.1-RealismLora
Ver todos os contêineres -->
>_ Disponível para projetos

Tem um projeto com IA?

Vamos conversar.

maximofn@gmail.com

Especialista em Machine Learning e Inteligência Artificial. Desenvolvo soluções com IA generativa, agentes inteligentes e modelos personalizados.

Você quer treinar seu modelo com esses datasets?

short-jokes-dataset

HuggingFace

Dataset com piadas em inglês

Uso: Fine-tuning de modelos de geração de texto humorístico

231K linhas 2 colunas 45 MB
Ver no HuggingFace →

opus100

HuggingFace

Dataset com traduções de inglês para espanhol

Uso: Treinamento de modelos de tradução inglês-espanhol

1M linhas 2 colunas 210 MB
Ver no HuggingFace →

netflix_titles

HuggingFace

Dataset com filmes e séries da Netflix

Uso: Análise de catálogo Netflix e sistemas de recomendação

8.8K linhas 12 colunas 3.5 MB
Ver no HuggingFace →
Ver mais datasets -->