Dominando o Claude Fable 5: Como criar prompts identificando seus pontos cegos

À medida que os modelos de IA evoluem de simples chatbots para codificadores agentes sofisticados, o gargalo da produtividade está mudando da capacidade do modelo para a clareza do usuário. O desenvolvedor da Anthropic, Thariq Shihipar, sugere que, com a chegada do Claude Fable 5, o fator limitante não é mais a inteligência da IA, mas a capacidade do usuário de identificar seus próprios "desconhecidos".

Os Quatro Quadrantes do Conhecimento no Prompting

Para dominar o Fable 5, Shihipar argumenta que os desenvolvedores devem categorizar seu conhecimento para evitar as armadilhas de prompts mal elaborados. Ele divide as lacunas cognitivas em quatro categorias distintas:

• Conhecidos Conhecidos (Known Knowns): As instruções explícitas e os dados já presentes em seu prompt.
• Conhecidos Desconhecidos (Known Unknowns): Perguntas específicas ou lacunas que você tem consciência de que ainda não resolveu.
• Desconhecidos Conhecidos (Unknown Knowns): Conhecimento intuitivo tão óbvio que você não pensaria em escrevê-lo, mas reconheceria instantaneamente ao vê-lo.
• Desconhecidos Desconhecidos (Unknown Unknowns): A categoria mais perigosa — elementos críticos, casos de borda (edge cases) ou requisitos arquiteturais que você sequer considerou.

Quando os usuários falham em considerar esses pontos, eles caem em uma armadilha: ser específico demais faz com que o Fable 5 siga as instruções rigidamente, mesmo quando existe um caminho melhor, enquanto ser vago demais leva o modelo a confiar em padrões da indústria que podem não se ajustar à tarefa específica.

Técnicas Estratégicas para Revelar Desconhecidos

Em vez de pular direto para a implementação, Shihipar recomenda uma "passagem pelos pontos cegos" (blindspot pass). Isso envolve usar o Claude para auditar seu modelo mental antes que uma única linha de código seja escrita. Por exemplo, ao trabalhar em uma base de código desconhecida, você pode solicitar ao Claude: "Estou trabalhando na adição de um novo provedor de autenticação, mas não sei nada sobre os módulos de autenticação nesta base de código. Você pode fazer uma 'passagem pelos pontos cegos' para me ajudar a identificar meus 'desconhecidos desconhecidos' relevantes?"

Outras técnicas de alto impacto incluem:

• Entrevistas Estruturadas: Pedir ao Claude para entrevistá-lo pergunta por pergunta, priorizando ambiguidades que alterariam fundamentalmente a arquitetura do sistema.
• Prototipagem Rápida: Usar artefatos HTML para fazer o Claude gerar direções de design radicalmente diferentes, permitindo que você reaja a "desconhecidos conhecidos" visuais.
• Planejamento de Implementação: Orientar o Claude a criar um plano que priorize componentes voláteis, como modelos de dados e interfaces de tipos, antes de passar para a refatoração mecânica.

Fechando o Ciclo: Documentação e Verificação

O processo de prompting não termina quando o código é gerado. Para gerenciar os desconhecidos que surgem durante a execução, Shihipar sugere usar o Claude Code para manter um arquivo implementation-notes.md. Isso rastreia cada decisão tomada, garantindo que, se uma tarefa der errado, o raciocínio seja preservado.

Para garantir a compreensão completa antes de mesclar o código, Shihipar utiliza um método de "quiz". O Claude gera um relatório HTML detalhando todas as alterações e insights, seguido de um quiz para o desenvolvedor. Ele mantém uma regra estrita: não mescle o código até que o quiz seja aprovado sem erros. Isso garante que o desenvolvedor tenha movido os "desconhecidos" do projeto para o reino dos "conhecidos".

Principais Conclusões

• Foco nos "Desconhecidos Desconhecidos": O objetivo do prompting avançado com o Fable 5 é usar a IA para revelar o que você sequer pensou em perguntar.
• Evite a Armadilha da Especificidade: Equilibre seus prompts para evitar ser tão rígido que a IA não consiga improvisar, ou tão vago que ela recorra a soluções genéricas.
• Implemente um Fluxo de Trabalho de Verificação: Use notas de implementação, entrevistas estruturadas e quizzes pós-implementação para transformar o código gerado por IA em conhecimento dominado.