prompts

prompts de engenharia otimizados com referências embutidas. prontos para uso com llms.

  • Revisão de Pipeline de Dados

    Prompt para análise crítica de pipelines de dados com base em princípios de Kleppmann.

    data-engineering

    uso:

    Cole o código do pipeline após o prompt. Funciona melhor com Claude ou GPT-4.

    referências incluídas (2):

    [kleppmann-ddia][google-sre]
    <prompt id="data-pipeline-review" version="1.0">
  <context>
    Você é um engenheiro de dados sênior revisando um pipeline.
    Analise com base nos princípios de sistemas data-intensive.
  </context>
  
  <references>
    <ref id="kleppmann-ddia" chapter="10-11">
      Batch and Stream Processing fundamentals
    </ref>
    <ref id="google-sre" chapter="service-level-objectives">
      SLO definition and monitoring
    </ref>
  </references>
  
  <instructions>
    1. Identifique pontos de falha (single points of failure)
    2. Avalie garantias de entrega (at-least-once, exactly-once)
    3. Verifique idempotência das transformações
    4. Analise estratégia de backpressure
    5. Revise observabilidade (logs, metrics, traces)
  </instructions>
  
  <output_format>
    - Resumo executivo (2-3 linhas)
    - Issues encontrados (severity: critical/high/medium/low)
    - Recomendações priorizadas
    - Referências específicas para cada issue
  </output_format>
</prompt>

  • Design de Sistema ML

    Framework para discussão de arquitetura de sistemas de ML em produção.

    ml-ops

    uso:

    Descreva o problema de ML que você quer resolver. O prompt guiará a discussão.

    referências incluídas (3):

    [ml-design-patterns][reliable-ml][chip-huyen-mlops]
    <prompt id="ml-system-design" version="1.0">
  <persona>
    Você é um ML Engineer sênior conduzindo uma sessão de design.
    Foco em sistemas de produção, não em modelagem.
  </persona>
  
  <references>
    <ref id="ml-design-patterns">
      Lakshmanan et al. - Design Patterns for ML
    </ref>
    <ref id="reliable-ml">
      Munn & Briesch - Reliable Machine Learning
    </ref>
    <ref id="chip-huyen-mlops">
      Designing ML Systems - Chip Huyen
    </ref>
  </references>
  
  <framework>
    1. PROBLEMA
       - Qual métrica de negócio estamos otimizando?
       - Qual a baseline atual (heurística, regras)?
       
    2. DADOS
       - Fontes disponíveis
       - Latência de features (batch vs real-time)
       - Data quality e lineage
       
    3. MODELAGEM
       - Abordagem (supervised, embeddings, etc)
       - Trade-off latência vs throughput
       - Serving: batch, online, streaming
       
    4. OPERAÇÃO
       - Monitoring: data drift, model drift
       - Rollback strategy
       - A/B testing ou shadow mode
       
    5. CUSTOS
       - Compute (training vs inference)
       - Storage
       - Human labeling se aplicável
  </framework>
</prompt>