Um dos clientes da Anthropic recebeu 2.740 inscrições para uma única vaga em 24 horas.
Nenhum prompt que você escreve manualmente permanece correto por tanto tempo.
O recrutador que lê esses currículos começa com um prompt que diz "cinco anos de backend, experiência em startup, Python forte".
Dois dias depois, eles olham para o primeiro lote e percebem que, na verdade, querem profissionais que constroem do zero.
O prompt já está errado, e eles nem leram o segundo centena.
As equipes que entregam mais rápido pararam de escrever prompts assim.
Elas construíram sistemas onde o prompt observa o que o usuário realmente decide e se reescreve em segundo plano.
Quando o usuário percebe que suas preferências mudaram, o prompt já mudou junto com elas.
Isso funciona em qualquer lugar onde um humano toma decisões de julgamento e o modelo ajuda.
Recrutamento, triagem de suporte, moderação de conteúdo, revisão de código, pontuação de negócios.
Aqui está como construir um, passo a passo.
Um prompt não é uma configuração, é um aprendiz
A mudança na sua cabeça tem que vir primeiro.
Uma configuração é algo que você define e esquece.
Um aprendiz observa você trabalhar, capta o que você realmente valoriza e se ajusta.
Seu prompt deve ser o segundo.
No sistema que Nick Mayhew mostrou no palco da Anthropic, o aprendiz é um arquivo Markdown simples.
Eles chamam de perfil ideal do candidato.
Sem pesos, regras ou fluxogramas. Apenas inglês simples descrevendo quem o recrutador está contratando.
Toda vez que o recrutador aprova ou rejeita um candidato, o sistema registra.
Todo comentário como "este não tem Python suficiente" é armazenado.
Toda edição manual no perfil também é armazenada.
Essa pilha de decisões é o sinal de treinamento sobre o qual o prompt é atualizado.
Por que 100 decisões, e não uma
O primeiro instinto é atualizar o prompt após cada ação. Não faça isso.
Uma decisão é ruído. Uma única rejeição não diz quase nada sobre o que o usuário realmente quer. Pode ser qualquer uma destas:
- O usuário estava cansado ou distraído
- A entrada era estranha de uma forma não relacionada às suas preferências reais
- Ele clicou errado
- Ele agiu rápido em um caso óbvio
- Ele estava testando o sistema de propósito
Se você reescrever o prompt com base nisso, começará a perseguir fantasmas.
100 decisões são sinal.
Você consegue ver um padrão: o usuário continua rejeitando candidatos sem experiência em startups.
Isso não é um humor, é uma preferência. Agora você atualiza.
Nick foi direto sobre isso no palco.
Você começa a identificar padrões a cada 100 a 200 decisões, não a cada clique.
O lado do custo também importa.
Executar um modelo inteligente em cada ação queima seu orçamento antes do almoço.
Executá-lo em lotes mantém o sistema vivo em produção.
Divida o sistema em duas camadas, não um agente único
A tentação é fazer um agente gigante que avalia, aprende e atualiza tudo de uma vez.
Isso não escala e queima tokens que você não tem.
O padrão funcional é duas camadas com trabalhos muito diferentes.
A camada inferior é o avaliador. Barato, rápido, executa em cada entrada.
No caso do recrutamento, é o Haiku pontuando cada currículo contra o perfil atual.
Milhares por dia. Trabalho restrito: pegar a entrada, pegar o prompt atual, retornar um julgamento estruturado.
A camada superior é o aprendiz. Mais lento, mais inteligente, executa raramente.
Ele observa apenas as decisões que os humanos tomam.
A cada lote, ele faz uma pergunta: o prompt ainda corresponde ao que o usuário está realmente escolhendo?
Se não, ele o reescreve.
A maioria das equipes pula essa divisão.
Eles colocam um modelo de fronteira no caminho crítico em cada requisição, a conta explode, o sistema é arquivado.
Dividir a avaliação do aprendizado é o que o mantém vivo em produção.
Escreva o prompt em prosa, não em regras
É aqui que a maioria dos sistemas autoaprimoráveis morrem silenciosamente.
O instinto é escrever uma configuração: 30% de peso em anos de experiência, 20 no nível da empresa, 10 na educação, flags para palavras-chave.
Parece rigoroso. Produz um sistema que o modelo não consegue realmente atualizar, porque não há nada para atualizar além de números.
E números não capturam por que um recrutador disse não.
O formato funcional é inglês simples em Markdown.
"Queremos alguém que entregou um produto do zero ao um, idealmente em uma startup com menos de cinquenta pessoas."
"Cultura de engenharia forte importa mais do que um stack tecnológico específico."
"Bandeira vermelha: trabalhou apenas em empresas com mais de mil pessoas."
Esse é um prompt que o aprendiz pode realmente reescrever.
Ele pode adicionar uma frase, remover uma, apertar uma expressão.
Você não pode fazer isso com uma rubrica de pontuação ponderada.
O ciclo de feedback é o produto inteiro
Depois que essas quatro peças estão no lugar, o sistema funciona sozinho.
O usuário toma decisões. O avaliador pontua contra o prompt atual.
A cada 100 decisões, o aprendiz lê a pilha e reescreve o prompt.
O próximo lote de entradas é avaliado contra a nova versão.
O usuário nunca precisa pensar sobre o prompt.
Ele apenas continua fazendo as chamadas que só um humano pode fazer.
O prompt é atualizado por baixo.
Essa é a parte que a maioria das equipes perde quando entregam um sistema Claude.
Eles tratam o prompt como um entregável que terminam.
As equipes que mais entregam tratam como uma camada que está sempre aprendendo.
Construa assim desde o primeiro dia e você para de gastar suas semanas ajustando palavras.
Você as gasta entregando o produto.
Siga-me e inscreva-se no meu canal do Telegram:
