Show HN: Um construtor simples de prompts para ChatGPT

Artigo original ↗ Discussão no Hacker News ↗

Um “prompt builder” leve para o ChatGPT recebe reações mistas: alguns o acham útil para estruturar instruções e sugerem modelos mais ricos, atalhos de teclado e melhor tratamento de formatos como JSON ou XML, enquanto outros argumentam que ele pouco acrescenta além do que o próprio ChatGPT já pode gerar. A conversa se amplia para saber se “prompt engineering” é uma disciplina real ou apenas boa comunicação, o quanto o prompting detalhado ainda importa à medida que os modelos melhoram, e a necessidade de ferramentas que comparem empiricamente variantes de prompts em vez de apenas montar blocos de texto.

Recepção geral

  • Vários comentaristas acham o construtor de prompts útil e “legal”, obtendo resultados satisfatórios ou divertidos.
  • Outros o veem apenas como um formulário de bloco de texto que não é específico para o ChatGPT e questionam se ele acrescenta valor em relação a pedir que um LLM escreva prompts por conta própria.
  • Há um leve ceticismo em vincular isso especificamente ao “ChatGPT”, já que funciona com qualquer LLM.

Bugs, redação e detalhes técnicos

  • Logo no início, usuários relatam um campo “please” quebrado e erros de digitação (“Propmpt”, “input the final result” em vez de “output”), que são corrigidos rapidamente.
  • Um comentarista observa um tamanho de página surpreendentemente grande para um app tão simples (≈1,4MB).

Casos de uso, público e utilidade

  • Alguns argumentam que o público-alvo não está claro: iniciantes podem não entender o significado ou o efeito de seletores vagos como “you will Detect”.
  • Outros acham que é uma boa estrutura para pessoas que já sabem um pouco sobre prompting e querem orientação estruturada.
  • Uma crítica recorrente: para muitos usuários, pode ser mais fácil pedir ao ChatGPT que gere ou refine prompts diretamente.

Prompt engineering, modelos e práticas recomendadas

  • Várias pessoas pedem mais modelos, especialmente para:
    • Pré-instruções de estilo system.
    • Restrições de pós-processamento e formatos de saída (JSON, CSV, listas).
    • Prompts resistentes a jailbreak.
  • Discussão sobre formatação JSON:
    • Alguns usam uma linguagem muito rígida, “microgerenciadora”, para impor JSON.
    • Outros apontam o function calling e as APIs em modo JSON como soluções mais limpas.
  • Debate mais amplo sobre “prompt engineering”:
    • Alguns dizem que padrões complexos de “aja como…” são menos necessários com modelos mais novos.
    • Outros afirmam que prompts de sistema e identidades bem elaborados ainda ajudam em questões como preguiça ou respostas parciais.

Avaliação e experimentação

  • Vários comentaristas querem ferramentas para:
    • Testar variantes de prompts e modelos em A/B com conjuntos de entrada fixos.
    • Avaliar respostas sistematicamente (por exemplo, via LLM-as-judge ou correspondência de strings).
  • Observa-se que medir prompts “melhores” é difícil devido a entradas abertas e saídas subjetivas; os resultados costumam ser altamente estocásticos.

Solicitações de recursos e atualizações

  • Os pedidos incluem navegação por teclado (tab/ctrl-enter), mais exemplos por modelo e funções/ opções mais claras.
  • Uma atualização posterior (v0.2) adiciona modelos definidos pelo usuário, menus de variáveis, predefinições de exemplos, persistência em localStorage, exportação/importação e edição no próprio local.