State of the Art Prompting for AI Agents - Y Combinator

Nesse vídeo, o time do YC trouxe várias ideias sobre como construir melhores prompts e sistemas baseados em LLMs.

Compartilho aqui as principais anotações que fiz, e podem ser úteis tanto para quem está experimentando com agentes de IA quanto desenvolvendo produtos com GenAI.

Fundamentos do Prompting

• Prompt =  Papel do LLM + Task + Plano passo a passo: Estrutura essencial para pensar o prompt como um sistema completo, com etapas e responsabilidades bem definidas.

• Empresas de produtividade com GenAI estão tratando o prompt como um produto em si, com lógica, melhorias contínuas e até agentes criados só para avaliar ou gerar prompts personalizados por cliente (como um “produto geral” que se adapta a cada caso).

• Meta-prompting: criar prompts que ajudam a melhorar outros prompts.

Estratégias de Melhoria Contínua

• Oriente o LLM: se não tiver certeza ou faltarem informações, pergunte, não invente.

• Coletar debug logs dos LLMs: identificar onde o modelo “reclama” ou falha ajuda a melhorar os prompts diretamente.

• Criar agentes que analisam os próprios prompts, identificando onde estão fracos e sugerindo melhorias automáticas.

• Quando o output for ruim: envie para um agente que reescreve o prompt visando melhor performance.

Outras ideias

• Gemini Thinking Traces: estudar como o modelo pensa ao longo do processo.

• Ferramenta para avaliar e melhorar o trabalho do LLM com base nas respostas e outputs reais.

• Aprenda com o conteúdo já existente e vá além. Mostre algo novo, que ainda não foi visto. Exemplo: mostrar o produto funcionando ao vivo com um demo real.

  
  

“Forward Deployed Engineer”: o papel de quem constrói com LLMs está cada vez mais próximo do engenheiro que trabalha diretamente com o cliente, iterando e implementando soluções com agilidade.

Se você está criando produtos com LLMs ou explorando GenAI, entender e dominar prompting é uma vantagem estratégica.

Continue aprendendo, criando e compartilhando.

Nos vemos por aí 👋