Olá a todos, aqui é o leopardracer!
Antigamente, encontrar boas ideias para conteúdo me tomava horas toda semana. Reddit em uma aba, notícias em outra, arXiv em uma terceira e uma nota no Obsidian onde eu colava tudo e tentava lembrar como as peças se conectavam. Cada busca com IA levava segundos, mas eu passava o resto do tempo sendo a "cola".
O que tornava tudo pior era a quantidade de atenção que eu perdia só para navegar entre abas e chats. Cada troca me custava foco, e cada recomeço fazia o trabalho parecer mais pesado do que realmente era.
Na época eu não sabia, mas, em vez de otimizar excessivamente meus prompts, eu deveria simplesmente ter criado um fluxo de trabalho. Levei um tempo para descobrir a melhor forma de fazer isso, e agora estou pronto para compartilhar meu jeito de converter prompts em workflows.
Neste artigo:
- Por que os hábitos com prompts falham em escala
- Como identificar seu primeiro candidato a workflow
- Como encontrar as emendas em conversas longas
- O padrão de handoff que carrega o contexto adiante
Se você está copiando resultados entre abas de chat de IA, está fazendo o trabalho de coordenação que a IA deveria fazer. A solução é transformar seus prompts em um fluxo de trabalho onde cada etapa escreve em um arquivo e a próxima o lê. O contexto avança sem que você precise carregá-lo. Você só para onde uma decisão real precisa ser tomada.
Quando o Prompting Deixa de Funcionar
Quase todo mundo começa com a IA da mesma forma. Você digita uma pergunta, recebe uma resposta, copia e cola em algum lugar, repete. Foi assim que passei meu primeiro ano usando IA. E eu entendo, parece produtivo porque cada interação te dá algo tangível.
Aí você percebe que está gastando mais tempo gerenciando a IA do que o tempo que ela está te economizando. Você é quem está copiando entre as etapas. Você é quem está lembrando o que a etapa três precisava da etapa um.
Um estudo de outubro de 2025 publicado no arXiv descobriu que a precisão dos LLMs cai significativamente quando informações relevantes estão inseridas em contextos mais longos, mesmo quando todos os tokens irrelevantes são mascarados.
Blogs e cursos de engenharia de prompt ainda vendem a ideia de que as palavras certas vão resolver tudo. Eles estão otimizando a camada errada. Você está tentando executar um pipeline através de uma janela de chat, e nenhuma quantidade de refinamento de palavras muda isso.
Bater em um teto com prompting significa que você tem um problema de arquitetura.
Como Identificar Seu Primeiro Workflow de IA
Antes de prosseguirmos, tente isto. Pense na última tarefa repetitiva que você fez com IA. Aquela que levou 45 minutos e fez você querer gritar depois de 30. Agora se pergunte:
- Eu copiei e colei entre as etapas?
- Abri várias janelas de chat porque o contexto ficava poluído?
- Precisei lembrar o que a etapa três precisava da etapa um?
- A IA produzia um bom resultado em cada etapa, mas o resultado final era medíocre?
Se você respondeu sim a qualquer uma dessas, você já tem um candidato a workflow. Você tem feito o trabalho de coordenação manualmente.
Aqui está um prompt que você pode usar agora. Cole-o no final da sua próxima conversa longa com IA, depois de terminar uma tarefa:
1Olhe para trás, para esta conversa que acabamos de ter. Vou colar abaixo o prompt inicial que usei. Quero que você analise se esta tarefa poderia ser convertida em uma skill ou workflow reutilizável.23Especificamente:41. Os passos que tomei poderiam ser estruturados como uma sequência onde cada passo produz uma saída que o próximo passo precisa?52. Existem pontos de handoff onde o contexto precisa ser levado adiante?63. Esta tarefa se beneficiaria de ser dividida em etapas separadas com contexto limpo, em vez de ser executada como uma longa conversa?74. Como seriam a entrada, as instruções, a saída e o checkpoint se isso se tornasse um workflow?89Aqui está o prompt inicial que usei: [COLE SEU PROMPT INICIAL AQUI]1011Diga-me se este é um bom candidato para um workflow e, se for, esboce como seriam os passos.
Execute isso após sua próxima tarefa repetitiva. Você pode descobrir que já está fazendo trabalho em formato de workflow manualmente.
Isso funciona quer você use Hermes, Claude Code, Codex, Cowork ou qualquer outra ferramenta de conversação com IA. Os padrões permanecem os mesmos. As ferramentas não importam. A estrutura sim.
Onde Encontrar as Emendas em uma Conversa Longa
Converter uma longa conversa em um workflow começa com a identificação de onde seu processo atual tem emendas.
Quando você tem uma longa conversa com IA, procure pelos momentos em que você mudou de marcha. Onde você disse "ok, agora vamos fazer X" e iniciou um novo contexto mental. Onde você copiou algo do início do chat e colou em uma nova solicitação. Onde você teve que lembrar a IA no que estava trabalhando porque ela esqueceu. Essas emendas são onde o escopo foge do controle.
Essas são suas emendas. Cada emenda é uma etapa potencial em um workflow.
Meu ponto de virada veio durante um projeto de ideação de conteúdo. Eu precisava encontrar ângulos interessantes para artigos de newsletter, o que significava buscar em múltiplas fontes. Tópicos do Reddit revelavam reclamações sobre problemas específicos, artigos de notícias cobriam ferramentas emergentes e artigos do arXiv sugeriam novas capacidades.
Comecei manualmente, copiando e colando posts do Reddit em um documento, extraindo manchetes de notícias, fazendo buscas no arXiv e salvando resumos. Cada fonte vivia em sua própria sessão de chat porque as janelas de contexto ficavam poluídas. Quando terminava com o Reddit, já tinha esquecido o que encontrei na busca de notícias.
Então criei skills individuais para cada fonte. Uma skill para pesquisa no Reddit, outra para extração de notícias, uma terceira para artigos do arXiv. Cada skill funcionava bem por conta própria, mas eu ainda era quem coordenava entre elas. Executava a skill do Reddit, salvava a saída, executava a skill de notícias, salvava aquela saída, executava a skill do arXiv, salvava aquela saída. Depois, combinava manualmente as três em uma lista final de ideias.
Eu estava fazendo o trabalho de coordenação do agente manualmente. A IA conseguia fazer cada etapa bem. Os handoffs eram o problema. Eu era o middleware.
Como Carregar Contexto Corretamente para Frente
Workflows são sequências de etapas onde cada etapa produz algo que a próxima etapa precisa. O que diferencia workflows de prompting é que o contexto avança automaticamente, em vez de você carregá-lo manualmente.
O guia "Building Effective Agents" da Anthropic, publicado em dezembro de 2024 e amplamente citado como referência definitiva, faz uma distinção clara. Workflows são sistemas onde LLMs e ferramentas são orquestrados através de caminhos de código predefinidos. Agentes são sistemas onde LLMs direcionam dinamicamente seus próprios processos.
Para não-programadores, workflows são o ponto ideal. Você define o caminho. A IA faz o trabalho em cada parada.
A Anthropic descreve cinco padrões de workflow. Em português claro:
Encadeamento de prompts funciona como uma linha de montagem. A saída da etapa um se torna a entrada da etapa dois. Cada etapa permanece simples e focada.
Roteamento classifica diferentes entradas por diferentes caminhos. Como um classificador de correspondência que envia cartas para o CEP certo.
Paralelização executa várias coisas ao mesmo tempo. Como ter três pesquisadores em vez de um.
Orquestrador-trabalhadores usa um agente chefe que divide o trabalho e o delega a agentes trabalhadores.
Avaliador-otimizador tem um agente que faz o trabalho e outro que o verifica. O primeiro revisa com base no feedback.
Eu chamo os arquivos que mantêm tudo unido de arquivos de handoff. Cada etapa escreve seu trabalho para que a próxima etapa não precise adivinhar. O formato importa menos do que o princípio. Pode ser um arquivo markdown, um Google Doc, um bloco de texto estruturado. O que importa é que cada etapa produza algo que a próxima etapa possa ler.
Eu tentei de tudo para manter o contexto entre as etapas. Variáveis em memória desaparecem quando a sessão termina, entradas de banco de dados exigem configuração e manutenção, e arquivos de estado compartilhado corrompem quando duas etapas escrevem ao mesmo tempo.
Arquivos Markdown no Obsidian venceram porque são chatos e confiáveis.
Cada etapa em um workflow escreve sua saída em um arquivo markdown, e a próxima etapa lê esse arquivo. Os arquivos ficam em uma estrutura de pastas que espelha o workflow. Quando algo dá errado, abro o arquivo e vejo exatamente o que a etapa três produziu. Rastreio o problema de volta pela cadeia.
Isso também me deu algo que não esperava. Rastreio o que cada subagente ou etapa fez, com links para os arquivos específicos que produziu. Quando algo parece estranho na saída final, abro os arquivos intermediários e encontro onde o desvio começou.
Markdown também tem vantagens práticas. Texto puro funciona em qualquer lugar. Arquivos se movem entre sistemas sem conversão. Mudanças são controláveis por versão ao longo do tempo. Tudo é renderizado perfeitamente no Obsidian, que já uso para anotações.
Armazenar contexto em um banco de dados ou mecanismo de estado compartilhado adiciona complexidade, exige configuração e cria dependências. Arquivos Markdown não exigem nada além de uma pasta e um editor de texto.
Cada etapa escreve seu trabalho. A próxima etapa lê o que a etapa anterior escreveu. O contexto avança através de arquivos, não através da memória.
Construindo um Workflow de IA Passo a Passo
Deixe-me mostrar como isso se parece na prática. Usarei meu workflow de ideação de conteúdo como exemplo, mas a estrutura funciona para qualquer tarefa repetitiva.
Quatro etapas compõem este workflow. Cada etapa lê do arquivo de saída da etapa anterior e escreve em seu próprio arquivo de saída.
Etapa 1: Pesquisa no Reddit
Entrada: Um tópico ou palavra-chave para pesquisar.
O que faz: Pesquisa no Reddit por tópicos onde as pessoas reclamam de problemas relacionados a esse tópico.
Saída: reddit-findings.md com títulos de tópicos, URLs e principais reclamações.
Etapa 2: Extração de notícias
Entrada: O mesmo tópico.
O que faz: Pesquisa fontes de notícias por artigos sobre ferramentas ou tendências emergentes relacionadas ao tópico.
Saída: news-findings.md com manchetes, URLs e resumos.
Etapa 3: Pesquisa no arXiv
Entrada: O mesmo tópico.
O que faz: Pesquisa no arXiv por artigos que sugiram novas capacidades relacionadas ao tópico.
Saída: arxiv-findings.md com títulos de artigos, resumos e notas de relevância.
Etapa 4: Síntese
Entrada: Todos os três arquivos das etapas 1-3.
O que faz: Lê os três arquivos e os sintetiza em uma lista de ideias de ângulos para artigos.
Saída: idea-angles.md com 5 a 10 tópicos potenciais para artigos, cada um fundamentado na pesquisa.
Cada etapa recebe um contexto limpo com exatamente o que precisa. Nada é enterrado. Nada é esquecido.
Minha primeira tentativa deste workflow foi feia. Arquivos na área de trabalho, uma checklist em um aplicativo de notas e muita cópia e cola mantendo tudo junto. Mas era estruturado. Cada etapa tinha uma entrada e uma saída claras. O agente não precisava lembrar de nada de três etapas atrás porque eu dava exatamente o que ele precisava.
Eventualmente, construí uma skill unificada que lida com todo o pipeline. Ela busca no Reddit, fontes de notícias e arXiv em sequência, escreve cada lote de descobertas em um arquivo markdown separado e, em seguida, sintetiza todos os três em uma lista final de ideias. A skill é executada de cima a baixo sem que eu copie nada entre as etapas.
Prompting vs. Workflows: A Mesma Tarefa
A ideação de conteúdo parece completamente diferente no modo prompt versus no modo workflow.
O modo prompt: Você abre um chat e pede para a IA pesquisar no Reddit por reclamações sobre um tópico específico. Ela dá uma lista. Você copia essa lista para um documento. Abre um novo chat e pede para extrair artigos de notícias sobre o mesmo tópico. Ela dá manchetes e resumos. Você copia para o seu documento. Abre outro chat e pede para pesquisar no arXiv por artigos relevantes. Ela dá resumos. Você copia também.
Quando termina, você tem três pedaços separados de texto em um documento. Agora precisa sintetizá-los em ângulos de ideias. Cola tudo em um novo chat e pede ideias. A IA produz uma lista, mas é genérica. Perdeu a nuance das reclamações do Reddit porque elas foram enterradas no texto combinado. Perdeu as descobertas do arXiv porque estavam no final de um prompt de 5.000 palavras.
O modo workflow: Você executa uma skill que pesquisa no Reddit e escreve as descobertas em um arquivo chamado reddit-findings.md. A skill então pesquisa fontes de notícias e escreve em news-findings.md. Depois, pesquisa no arXiv e escreve em arxiv-findings.md. Cada arquivo é limpo e focado.
A etapa final lê todos os três arquivos e os sintetiza em idea-angles.md. Cada etapa recebe um contexto limpo com exatamente o que precisa. Nada é enterrado ou esquecido.
A pesquisa de Clare Liguori na AWS testou cinco abordagens para guiar o comportamento de agentes em 3.000 execuções de avaliação. Instruções simples de prompt alcançaram 82,5% de precisão, o que significa que aproximadamente uma em cada cinco interações falhou. Quando ela adicionou loops de feedback estruturados, que ela chama de steering hooks, a precisão atingiu 100% em 600 execuções.
Melhor estrutura fez a diferença, não melhores prompts.
Testei isso pessoalmente ao comparar como diferentes modelos lidam com workflows reais do Hermes. Modelos que pareciam impressionantes em benchmarks frequentemente falhavam em workflows estruturados porque pensavam demais em etapas simples ou ignoravam restrições de formato. Estrutura importa mais do que capacidade bruta.
Onde os Humanos Ainda Verificam
Todo workflow precisa de checkpoints, mas nem toda etapa precisa de um. Adicionar pontos de revisão em todos os lugares transforma o workflow em uma série de interrupções.
Eu uso portões de decisão. Você só para onde uma escolha real precisa ser feita. Qual ângulo seguir. Qual fonte priorizar. Se deve cortar uma seção que não se encaixa.
Se a saída está boa e nenhuma decisão é necessária, você não para. Workflows são executados até atingirem um ponto onde não podem prosseguir sem seu julgamento.
Portões de decisão verificam se a saída corresponde à sua intenção. A IA produz conteúdo gramaticalmente correto e bem pesquisado que ainda assim vai na direção errada. Portões de decisão detectam isso antes que a próxima etapa construa sobre uma suposição equivocada.
No meu canal do Telegram, escrevi um guia completo sobre como adicionar portões de aprovação em workflows do Hermes, se você quiser os detalhes técnicos. Os portões protegem sua reputação bloqueando ações externas sem sua autorização, protegem seus dados exigindo confirmação antes de mudanças no sistema e protegem seu bolso bloqueando gastos acima de um limite sem aprovação.
Para a maioria dos workflows, você precisa de um portão no ponto onde a saída se torna pública ou irreversível. Um workflow de conteúdo pode ter um portão após o esboço, antes do rascunho final ser publicado. Um workflow de pesquisa pode ter um portão após a síntese, antes de você agir com base nas descobertas.
Portões de decisão são onde você mantém o controle da direção enquanto a IA lida com a execução.
Por Onde Começar Seu Primeiro Workflow
Escolha uma tarefa repetitiva. Não a mais complexa. Escolha aquela que você faz toda semana, que leva 45 minutos e faz você querer gritar depois de 30. Esse é seu primeiro workflow.
O meu foi um briefing matinal que busca tarefas e artigos antes do café. Duas etapas. Ler do Asana, formatar a saída, entregar. Simples o suficiente para construir em uma tarde, útil o suficiente para executar todos os dias úteis desde que o construí.
Se você é novo no Hermes, comece com um workflow de duas etapas como este antes de tentar algo complexo.
Workflows mínimos viáveis têm quatro partes: entrada (o que entra), instruções (o que o agente faz), saída (o que sai) e checkpoint (onde você verifica). Você não precisa de software. Você não precisa de código. Você precisa de uma pasta com arquivos.
O próprio conselho da Anthropic em "Building Effective Agents" é começar simples e adicionar complexidade apenas quando necessário. Eles alertam explicitamente contra começar com frameworks ou arquiteturas complexas. Comece com duas etapas. Torne-as confiáveis. Depois adicione uma terceira.
As orientações da Confluent sobre workflows de IA fazem o mesmo ponto. Soluções simples são frequentemente o melhor lugar para começar. Começar com engenharia de prompt simples pode não ser perfeito, mas funciona bem o suficiente como uma primeira tentativa. Quando você bater no teto, adicione estrutura. Não adicione estrutura preventivamente.
O chato vence o engenhoso. Seu primeiro workflow deve ser tão simples que é constrangedor. Um processo de duas etapas com um handoff de arquivo e uma verificação humana. Só isso. Pessoas que obtêm valor de workflows de IA construíram os chatos e os executaram 50 vezes, não os impressionantes que executaram duas vezes.
A maioria dos conselhos de produtividade com IA diz para você escrever prompts melhores. Projetar melhores handoffs é onde o retorno real está. Prompts em cada etapa podem ser medíocres se o contexto que recebem for limpo. Um prompt brilhante em um tópico de chat inchado ainda produzirá uma saída medíocre.
Reconhecer quando você está fazendo trabalho de coordenação que a IA deveria fazer é toda a mudança. Depois que você vê o padrão, não consegue mais vê-lo. Toda tarefa repetitiva se torna um candidato para estrutura. Todo handoff manual se torna um problema de design.
Bater em um teto com prompting significa que você tem um problema de arquitetura. Construa o pipeline. Deixe o contexto fluir. Mantenha suas mãos nas decisões que importam.
Se isso mudou a forma como você pensa sobre workflows de IA, siga @leopardracer para mais conteúdo como este e entre no meu canal do Telegram: https://t.me/+ygATQAt9sUM1N2U6
