Como dominar a IA em 30 dias: O roteiro definitivo

A maioria das pessoas usa IA há dois anos e ainda digita na caixa como se estivesse pesquisando no Google. Uma linha vaga, um dar de ombros para a resposta, fechar a aba. Elas "usam IA" do mesmo jeito que você "usa" uma esteira para pendurar camisas.

Aqui está a parte desconfortável: a diferença entre quem tira 10x desses modelos e quem não tira nada não é talento, nem é um modelo secreto. É um sistema. O pessoal do 10x reutiliza o mesmo punhado de técnicas — em cada prompt, todos os dias — até que se tornem memória muscular.

Maestria não é saber mais prompts. É ter um sistema repetível que você executa sem pensar.

Este é esse sistema, comprimido em 30 dias. Quatro semanas, doze jogadas numeradas, cada uma terminando em algo que você faz hoje. Prompts copiáveis. Python real e executável (verificado com o SDK da Anthropic, v0.109.1). Nenhuma teoria que você não possa colocar em prática ainda esta noite.

O tiro de largada cultural foi a agora famosa frase de Andrej Karpathy sobre "vibe coding" — "você se entrega totalmente às vibes... e esquece que o código existe." Essa é a vibe. Esta é a disciplina por baixo que faz a vibe realmente entregar.

Parte 1 · Semana 1 — O Modelo Mental e as Primeiras Vitórias (Dias 1–7)

O objetivo desta semana não é conhecimento. É uma vitória. Até o Dia 7, você deve ter delegado pelo menos uma tarefa real a um modelo e sentido o tempo voltar para você. Todo o resto se baseia nessa sensação.

01. Entregue uma tarefa real com IA — hoje.

Não comece com um curso. Comece com uma tarefa que você já deve a alguém: um e-mail que você está evitando, anotações para organizar, uma função para rascunhar. O caminho mais rápido para "entender" a IA é entregar algo com consequências reais e julgar o resultado contra o que você teria escrito.

O erro que os iniciantes cometem é digitar um tópico ("escreva sobre onboarding") em vez de um briefing. Trate o modelo como um novo contratado brilhante no primeiro dia: ele tem as habilidades, mas não tem o seu contexto. Dê a ele um papel, a tarefa, o contexto e o formato exato de saída que você deseja.

Use quando: você tem qualquer tarefa que faria sozinho em menos de uma hora — escrever, resumir, reformatar, brainstorming, planejar.

1Você é meu <papel, ex. "editor-executivo direto">.
2Tarefa: <uma tarefa concreta em uma frase>.
3Contexto: <2–3 linhas que o modelo não pode saber — público, objetivo, restrições>.
4Saída: <formato exato — extensão, estrutura, tom>.
5Se algo estiver ambíguo, pergunte-me primeiro em vez de adivinhar.

Essa última linha é o truque infalível. Transforma um chute único em uma conversa curta, e conversas vencem monólogos quase sempre.

Faça isso agora: escolha uma tarefa na sua lista, preencha os quatro espaços, execute-a. Guarde o prompt — você reutilizará o esqueleto o mês todo.

02. Aprenda a anatomia de um prompt que funciona.

Todo prompt confiável tem três partes, e os iniciantes pulam duas delas. Clareza (diga exatamente o que quer), contexto (diga por que e para quem) e formato (diga como a saída deve ser). A própria orientação da Anthropic chama isso de regra do "funcionário brilhante, mas novo": quanto mais precisamente você explicar, melhor o resultado — e a regra de ouro literal deles é "mostre seu prompt a um colega com o mínimo de contexto; se ele ficar confuso, o modelo também ficará."

A atualização de maior alavancagem é adicionar motivação. Não diga apenas "nunca use reticências." Diga "isso será lido em voz alta por um mecanismo de texto-para-fala, então nunca use reticências — ele não consegue pronunciá-las." O modelo generaliza a partir do motivo. É a diferença entre uma ordem e uma explicação.

Use quando: uma resposta volta genérica, fora do tom, ou tecnicamente correta, mas inútil. Nove em cada dez vezes, uma das três partes estava faltando.

1# Fraco (tópico, não um briefing)
2Escreva sobre nosso novo recurso.
3
4# Forte (clareza + contexto + formato)
5Escreva um anúncio de produto de 120 palavras para nosso novo "Modo Foco."
6Público: usuários existentes que acham o aplicativo barulhento.
7Objetivo: fazê-los testá-lo esta semana.
8Tom: calmo, confiante, sem exageros.
9Formato: 1 parágrafo curto + uma CTA de uma linha.

Faça isso agora: pegue o prompt fraco de ontem e reescreva-o com todas as três partes identificadas. Execute ambos. Veja a diferença.

03. Roube as 6 técnicas principais — e uma linha de código.

Essas seis aparecem em todo guia sério de engenharia de prompt porque continuam funcionando: (1) seja claro e direto, (2) adicione contexto/motivação, (3) dê exemplos, (4) estruture com tags no estilo XML, (5) atribua um papel, (6) diga para pensar antes de responder. Você passará a Semana 2 praticando cada uma — este é o mapa.

Duas valem a pena serem incorporadas imediatamente: papéis e tags. Um papel na instrução do sistema direciona o tom e o julgamento de toda a conversa; mesmo uma frase já faz diferença. Tags como <contexto> e <exemplos> impedem o modelo de confundir suas instruções com seus dados. Aqui está a técnica de papel como código real e executável — seu primeiro gostinho da API na qual você viverá na Semana 3.

Use quando: você quer um comportamento consistente em várias chamadas (o papel) ou está misturando instruções com dados bagunçados (as tags).

1import anthropic
2
3client = anthropic.Anthropic()  # lê ANTHROPIC_API_KEY das suas variáveis de ambiente
4
5msg = client.messages.create(
6    model="claude-opus-4-8",
7    max_tokens=1024,
8    system="Você é um editor-chefe sênior. Você corta o excesso e mantém a voz do autor.",  # o papel
9    messages=[
10        {"role": "user", "content": "Edite este parágrafo e depois liste o que mudou:\n\n<rascunho>...</rascunho>"}
11    ],
12)
13print(msg.content[0].text)

Faça isso agora: reescreva um prompt com um papel explícito e tags < > em volta da entrada. Você acabou de usar 2 das 6 — a Semana 2 completa o conjunto.

Parte 2 · Semana 2 — Engenharia de Prompt para Resultados Reais (Dias 8–14)

Esta semana você transforma "meio que funciona" em "funciona sempre." Mesma tarefa, mesma forma, mesma qualidade — sob demanda. Essa confiabilidade é o que permite automatizar na Semana 3.

04. Trave o tom e o formato com exemplos multishot.

Dizer ao modelo o que você quer é bom. Mostrar é melhor. Alguns exemplos bem escolhidos (a técnica é chamada de few-shot ou multishot prompting) fixam o formato, o tom e os casos extremos de forma mais confiável do que qualquer adjetivo. A orientação é consistente em todo o campo: inclua 3–5 exemplos, torne-os diversos para que o modelo não se fixe em um padrão acidental, e envolva cada um em tags para que fique claro que é um exemplo e não uma instrução.

Este é o maior salto de qualidade para trabalhos repetitivos — classificação, extração, formatação, reescrita. Se você faz o mesmo tipo de tarefa mais de duas vezes por semana, ela merece exemplos.

Use quando: o formato da saída varia entre execuções, ou você precisa que o modelo corresponda a um estilo específico da empresa.

1Classifique cada ticket de suporte como exatamente um de: bug | cobrança | funcionalidade.
2
3<exemplos>
4<exemplo>
5Ticket: "Fui cobrado duas vezes este mês."
6Categoria: cobrança
7</exemplo>
8<exemplo>
9Ticket: "O botão Exportar não faz nada no Safari."
10Categoria: bug
11</exemplo>
12<exemplo>
13Ticket: "Por favor, adicionem um modo escuro."
14Categoria: funcionalidade
15</exemplo>
16</exemplos>
17
18Ticket: "O aplicativo trava quando eu faço upload de um PDF."
19Categoria:

Faça isso agora: pegue uma tarefa recorrente, escreva 3 exemplos diversos em tags <exemplo> e veja a saída se ajustar.

05. Faça o modelo pensar antes de responder.

Para qualquer coisa que envolva raciocínio — análise, matemática, planejamento, julgamento complexo — a pior coisa que você pode fazer é exigir a resposta imediatamente. Dê espaço para raciocinar primeiro. Você pode deixar os modelos mais novos pensarem adaptativamente ou, em um chat simples, forçar: peça um raciocínio passo a passo em um bloco <pensamento>, depois uma resposta final concisa em um bloco <resposta>. Separar os dois significa que você obtém o benefício do raciocínio sem a parede de texto.

Um movimento bônus da orientação da Anthropic: peça que ele auto-verifique antes de terminar — "verifique sua resposta em relação às restrições acima." Ele pega seus próprios erros com frequência surpreendente, especialmente em matemática e lógica.

Use quando: a tarefa tem mais de uma etapa, uma resposta certa sobre a qual você pode estar errado, ou trade-offs a serem ponderados.

1Pergunta: <uma pergunta com um trade-off real>
2
3Primeiro, raciocine dentro de tags <pensamento>: liste o que você sabe, o que está faltando,
4e duas respostas candidatas com seus trade-offs.
5Então dê sua decisão dentro de tags <resposta> — máximo de 3 frases.
6Antes de terminar, verifique se sua resposta não contradiz nada acima.

Faça isso agora: pegue uma decisão que você está ponderando, execute-a através da divisão pensamento/resposta e leia o <pensamento> — é aí que o valor se esconde.

06. Construa uma biblioteca de prompts reutilizável.

A essa altura, você já escreveu uma dúzia de bons prompts e perdeu metade deles no histórico do chat. Pare. Os profissionais não reescrevem prompts — eles preenchem modelos. Coloque seus melhores prompts em um único arquivo com {variáveis} para as partes que mudam, e você transformou uma esperteza única em infraestrutura.

Esta é a dobradiça de todos os 30 dias: é o momento em que seus prompts deixam de ser descartáveis e começam a se acumular. Um simples dict do Python e str.format é tudo que você precisa para começar — sem frameworks, sem dependências.

Use quando: você executou um prompt semelhante três vezes. Na terceira vez, transforme-o em modelo.

1# prompt_library.py — seus prompts como infraestrutura reutilizável
2TEMPLATES = {
3    "resumir": (
4        "Você é um {papel}.\n"
5        "Resuma o texto abaixo para {publico}.\n"
6        "Formato: {fmt}.\n\n"
7        "<texto>\n{texto}\n</texto>"
8    ),
9}
10
11def construir(nome: str, **kwargs) -> str:
12    return TEMPLATES[nome].format(**kwargs)
13
14prompt = construir(
15    "resumir",
16    papel="redator técnico",
17    publico="usuários não técnicos",
18    fmt="3 tópicos, no máximo 15 palavras cada",
19    texto="...cole as notas de lançamento aqui...",
20)
21print(prompt)  # alimente isso diretamente em client.messages.create(...)

Faça isso agora: crie prompt_library.py, mova seus 3 melhores prompts para ele como modelos com variáveis. Este arquivo cresce o mês todo.

Parte 3 · Semana 3 — Automatize com a API (Dias 15–21)

O chat é onde você aprende. A API é onde você escala. Esta semana você se forma de fazer tarefas uma de cada vez para executá-las às centenas, em um cronograma, enquanto dorme.

07. Migre do chat para a API.

A API são apenas seus prompts de chat em uma função que você pode chamar. Se você pode escrever um prompt, pode escrever isto — são dez linhas. Defina sua chave como uma variável de ambiente (nunca a cole no código), envolva a chamada em uma função, e você terá um comando de IA reutilizável que pode incorporar em qualquer script.

Simon Willison, que documentou o uso prático de LLM melhor que quase ninguém, destaca que a alavancagem não está em configurações exóticas — está em conectar modelos às pequenas ferramentas que você já usa. Esta função é esse fio.

Use quando: você quer o mesmo prompt disponível em todos os lugares — em scripts, tarefas cron, outros programas — não apenas em uma aba do navegador.

1import os
2import anthropic
3
4client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])
5
6def perguntar(prompt: str) -> str:
7    msg = client.messages.create(
8        model="claude-opus-4-8",
9        max_tokens=1024,
10        messages=[{"role": "user", "content": prompt}],
11    )
12    return msg.content[0].text
13
14if __name__ == "__main__":
15    print(perguntar("Me dê 5 linhas de assunto impactantes para um e-mail de lançamento de produto."))

Faça isso agora: instale o SDK (pip install anthropic), defina ANTHROPIC_API_KEY e execute este arquivo. Primeira chamada de API bem-sucedida = Semana 3 desbloqueada.

08. Transforme uma tarefa diária em um script.

É aqui que o tempo realmente volta. Qualquer tarefa que você faz em uma pasta de itens — resumir estas 50 transcrições, etiquetar estes 200 tickets, reescrever estas 30 descrições de produtos — é um loop. Escreva a versão de item único uma vez, aponte para uma pasta e vá embora. Use um modelo mais barato e rápido para trabalho em massa; você não precisa do seu modelo mais poderoso para resumir um memorando.

Use quando: você se pega fazendo a mesma tarefa de IA repetidamente manualmente. Essa repetição é um script que você ainda não escreveu.

1import pathlib
2import anthropic
3
4client = anthropic.Anthropic()
5INBOX = pathlib.Path("./inbox")        # coloque arquivos .txt aqui
6OUT = pathlib.Path("./resumos")
7OUT.mkdir(exist_ok=True)
8
9def resumir(texto: str) -> str:
10    msg = client.messages.create(
11        model="claude-haiku-4-5",      # barato + rápido: ferramenta certa para trabalho em massa
12        max_tokens=300,
13        system="Resuma em 3 tópicos concretos. Sem enrolação.",
14        messages=[{"role": "user", "content": texto}],
15    )
16    return msg.content[0].text
17
18for f in INBOX.glob("*.txt"):
19    (OUT / f"{f.stem}.md").write_text(resumir(f.read_text(encoding="utf-8")), encoding="utf-8")
20    print("resumido:", f.name)

Faça isso agora: encontre uma tarefa em lote, coloque os arquivos em ./inbox, execute o loop. Você acabou de fazer uma hora de trabalho em um minuto.

09. Reduza custo e latência com cache.

Quando você começa a lidar com volume real, duas coisas começam a importar: velocidade e a conta. A maior alavancagem é o cache de prompt. Se toda chamada compartilha um prefixo longo e imutável — um guia de estilo, uma base de conhecimento, uma grande instrução de sistema — você está pagando para relê-lo toda vez. Marque-o com cache_control e o modelo reutiliza a versão em cache: uma leitura de cache custa cerca de 10% do preço normal de entrada, versus uma gravação única com acréscimo de 25%. Para trabalhos em lote que compartilham um prefixo, a Batch API empilha mais ~50% de desconto em cima.

Use quando: muitas chamadas compartilham um grande bloco estático de contexto (o caso clássico: uma instrução de sistema longa reutilizada em todo um trabalho).

1import anthropic
2
3client = anthropic.Anthropic()
4GUIA_ESTILO = open("guia_estilo.md").read()   # longo, idêntico em toda chamada
5
6msg = client.messages.create(
7    model="claude-opus-4-8",
8    max_tokens=1024,
9    system=[
10        {
11            "type": "text",
12            "text": GUIA_ESTILO,
13            "cache_control": {"type": "ephemeral"},  # armazena em cache este prefixo grande
14        }
15    ],
16    messages=[{"role": "user", "content": "Reescreva este e-mail para corresponder ao guia:\n\n..."}],
17)
18print(msg.usage)  # veja cache_read_input_tokens aumentar após a primeira chamada

Faça isso agora: encontre um prompt com um prefixo grande e repetido, envolva-o em um bloco cache_control e execute-o duas vezes. Imprima msg.usage e veja a leitura em cache entrar em ação.

Parte 4 · Semana 4 — Ferramentas, Dados e Entrega (Dias 22–30)

A semana final é o salto de "IA que fala" para "IA que faz." Você dá ferramentas ao modelo, conecta-o aos seus dados reais e empacota tudo em um fluxo de trabalho que você executará por anos.

10. Dê ferramentas ao modelo (function calling).

Um modelo sozinho só pode produzir texto. Dê a ele ferramentas e ele pode realizar ações — consultar sua agenda, acessar uma API, fazer um cálculo. Você descreve cada ferramenta com um nome, uma descrição e um esquema JSON de suas entradas; o modelo decide quando chamá-la e entrega argumentos estruturados para você executar. Esta é a base de todo "agente de IA" sobre o qual você já ouviu falar.

Use quando: a tarefa precisa de dados ao vivo ou uma ação que o modelo não pode realizar apenas com texto (qualquer coisa com "consultar", "buscar", "calcular" ou "enviar").

1import anthropic
2
3client = anthropic.Anthropic()
4
5ferramentas = [
6    {
7        "name": "obter_eventos_calendario",
8        "description": "Retorna os eventos do usuário para uma determinada data.",
9        "input_schema": {
10            "type": "object",
11            "properties": {
12                "data": {"type": "string", "description": "Data no formato AAAA-MM-DD"}
13            },
14            "required": ["data"],
15        },
16    }
17]
18
19msg = client.messages.create(
20    model="claude-opus-4-8",
21    max_tokens=1024,
22    tools=ferramentas,
23    messages=[{"role": "user", "content": "O que está na minha agenda na próxima segunda-feira?"}],
24)
25
26for bloco in msg.content:
27    if bloco.type == "tool_use":
28        print("O modelo quer chamar:", bloco.name, "com", bloco.input)
29        # agora VOCÊ executa obter_eventos_calendario(**bloco.input) e envia o resultado de volta

Faça isso agora: defina uma ferramenta para algo que você realmente usa (calendário, clima, uma pesquisa) e veja o modelo produzir uma chamada tool_use limpa. Você nem precisa executá-la ainda — apenas veja-a decidir.

11. Conecte a IA aos seus dados com MCP.

Colar contexto manualmente não escala. O Model Context Protocol (MCP), introduzido pela Anthropic em novembro de 2024, é a correção padrão — pense nele como uma porta USB-C para IA: uma especificação de conector, e qualquer aplicativo compatível pode se conectar aos seus arquivos, bancos de dados e ferramentas. Ele passou de uma ideia interna a padrão da indústria em meses, com milhares de servidores prontos que você pode adicionar via configuração.

Você não escreve código para usar a maioria dos servidores — você adiciona uma entrada a um arquivo de configuração. Aqui está um servidor de sistema de arquivos dando a um modelo acesso de leitura a uma pasta de anotações:

Use quando: você continua alimentando o modelo com a mesma fonte da verdade manualmente — seus documentos, um repositório, um banco de dados, uma base de conhecimento.

1{
2  "mcpServers": {
3    "filesystem": {
4      "command": "npx",
5      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/voce/anotacoes"]
6    }
7  }
8}

Faça isso agora: navegue pelos servidores MCP disponíveis, escolha um que aponte para dados que você usa semanalmente e adicione-o à configuração do seu cliente. Faça uma pergunta que apenas seus dados podem responder.

12. Empacote um fluxo de trabalho que você reutilizará para sempre.

Dia 30. Você tem prompts, scripts e ferramentas — agora transforme-os em algo que você invoca pelo nome. As Agent Skills da Anthropic (transformadas em padrão aberto em dezembro de 2025) são o formato limpo para isso: uma pasta com um SKILL.md que contém um nome, uma descrição de quando usá-lo e os passos. O modelo o carrega apenas quando relevante (um princípio de design chamado divulgação progressiva), para que você possa empilhar dezenas sem inflar o contexto. Mesmo que você nunca mais toque na API, escrever suas tarefas repetíveis como skills é o hábito que o torna rápido.

Use quando: você tem uma tarefa de várias etapas que repetirá por meses — um relatório semanal, uma revisão padrão, um pipeline de formatação.

1---
2name: relatorio-semanal
3description: Transforma minhas anotações brutas no relatório semanal padrão. Use quando eu colar anotações e pedir "o semanal."
4---
5
6# Relatório semanal
7
8## Passos
91. Agrupe anotações em: Entregue, Em andamento, Bloqueado.
102. Escreva 2–3 tópicos por grupo, no passado, sem enrolação.
113. Termine com "Próxima semana" — exatamente 3 prioridades.
12
13## Formato
14- Título: "Semanal — <data>"
15- Abaixo de 200 palavras. Sem exageros.

Faça isso agora: escolha sua tarefa mais repetida, escreva-a como SKILL.md com uma descrição precisa. Essa descrição é o que a faz disparar no momento certo — dedique esforço real a ela.

Erros típicos (e a correção)

1. Prompts vagos. "Escreva sobre X" faz o modelo adivinhar sua intenção — e ele adivinha o mediano. Correção: sempre dê papel + contexto + formato. Você é <papel>. Tarefa: <uma frase>. Saída: <formato exato>.

2. Exagerar nos prompts com URGÊNCIA EM MAIÚSCULAS. Modelos mais novos seguem instruções precisamente e reagem exageradamente a "CRÍTICO!!! Você DEVE." A própria orientação da Anthropic: reduza para uma formulação normal como "Use esta ferramenta quando…". Correção: escreva instruções como você daria a um adulto competente, não como gritaria com um cachorro.

3. Descrever em vez de mostrar. Adjetivos ("tornem profissional") são fracos; exemplos são fortes. Correção: adicione 3–5 exemplos diversos em tags <exemplo> e deixe o padrão fazer o trabalho.

4. Enquadrar como "não faça." "Não seja prolixo" faz o modelo pensar em prolixidade. Correção: diga o que fazer — "Responda em 2 frases curtas." Instruções positivas funcionam melhor que proibições.

5. Confiar em saída que você não verificou. Copiar e colar uma resposta que você não verificou é como os erros são enviados. Correção: para trabalhos com muitos fatos, peça que ele baseie afirmações em citações da fonte e que se auto-verifique antes de terminar: Verifique cada afirmação em relação ao texto acima; sinalize qualquer coisa sobre a qual você não tenha certeza.

6. Fazer manualmente o que um loop poderia fazer. Executar o mesmo prompt 50 vezes no chat é a coisa mais cara que você pode fazer com sua tarde. Correção: no momento em que você encontrar repetição, escreva o loop do Bloco 08. Seu tempo é o recurso escasso, não os tokens.

Conclusão: o sistema é a habilidade

Trinta dias não fazem de você um pesquisador de IA. Fazem algo mais útil: alguém com um sistema. Você pode pegar qualquer tarefa, dar a ela um briefing limpo, mostrar exemplos, forçá-la a pensar e — quando ela se repetir — automatizá-la, armazená-la em cache e empacotá-la em uma skill que você invoca pelo nome.

Esse é o segredo inteiro que o pessoal do 10x nunca escondeu. Não mais prompts. Não um modelo melhor. Um pequeno conjunto de técnicas, executadas até se tornarem reflexo. Você agora tem as técnicas. A única variável restante são as repetições.

Sua lista de verificação de 30 dias — comece hoje:

1. Entregue uma tarefa real com um prompt de papel + contexto + formato (Bloco 01).
2. Inicie o prompt_library.py e mova seus 3 melhores prompts para ele como modelos (Bloco 06).
3. Faça sua primeira chamada de API com a função perguntar() de 10 linhas (Bloco 07).
4. Automatize uma tarefa em lote com o loop de pasta (Bloco 08).
5. Escreva um SKILL.md para seu fluxo de trabalho mais repetido (Bloco 12).

Faça esses cinco e você estará à frente de 90% de todos que "estão pensando em entrar na IA." Então é só continuar executando o loop.