Aprenda a usar IA fazendo solicitações específicas e conferindo os resultados por conta própria.
Escolha uma pergunta que interesse você e crie um resultado prático.
Se você quiser entender primeiro os princípios: O que é IA generativa? Entenda como ela responde e por que pode alucinar
Crie uma solicitação que deixe claros o objetivo e as condições.
Pratique com dicas e revisão de erros.
Crie um plano semanal que respeite seus limites de tempo.
Aprenda a comparar um resumo com o texto original.
Comece a fazer vibe coding com o Claude Code definindo primeiro os requisitos.
Compare tarefas repetitivas e escolha o primeiro caso de uso da equipe.
Passo a passo com exemplos
Este exercício mostra como verificar o ID e a versão do documento, a sobreposição nas fronteiras dos chunks, prazos diferentes e o escopo completo ao dividir um material longo em vários chunks para revisão. O foco não está apenas em dividir o documento, mas no procedimento de retornar ao texto original para revisar o resultado combinado.
Este exercício mostra como comparar duas respostas de IA não pela preferência de redação ou pela impressão da marca, mas usando a mesma entrada e a mesma solicitação e verificando-as com critérios factuais definidos previamente. Separadamente da pontuação, afirmações adicionais sem fundamento são verificadas como um gate para decidir se o conteúdo pode ser publicado.
Neste exercício, você fornece à IA as versões V1 e V2 do mesmo aviso de evento e compara exatamente 5 itens, classificando cada um como alterado, adicionado, excluído ou igual. Você aprende a registrar somente as diferenças que realmente aparecem nos documentos, sem concluir por conta própria por que uma frase foi removida.
Neste exercício, você cria 6 perguntas e respostas a partir de um aviso curto, adiciona source ID às respostas com base no original e evita inventar respostas sobre cobrança, reembolso ou lista de espera quando essas informações não aparecem na fonte.
Neste exercício, 6 opiniões curtas em texto livre são classificadas em temas definidos, permitindo múltiplos rótulos quando uma mesma resposta contém 2 temas. Também é explicado por que o total de rótulos pode ser maior que o número de respondentes e como evitar inferências arbitrárias sobre intensidade emocional ou satisfação geral.
Neste exercício, 4 frases de um guia fictício de empréstimo são reescritas em linguagem simples, preservando a exigência de membro cadastrado, o prazo de 7 dias, a proibição de extensão para materiais reservados e a regra de que materiais não reservados permitem 1 solicitação de extensão sem garantia de aprovação.
Este exercício mostra como dividir um objetivo de pesquisa vago em perguntas factuais, perguntas sobre experiências e perguntas de decisão, além de planejar o que verificar e onde procurar. Em vez de pedir à IA que invente resultados de busca, você primeiro organiza as fontes que precisam ser verificadas e os itens que ainda estão sem confirmação.
Este exercício mostra como criar com IA um roteiro de entrevista de 15 minutos para investigar a experiência com um formulário de inscrição fictício. Você aprenderá a transformar perguntas direcionadas em perguntas neutras sobre comportamentos reais recentes e a não tratar respostas previstas como evidência antes de realizar as entrevistas.
Este exercício mostra como fixar primeiro restrições como quantidade de participantes, tempo, número de impressos, possibilidade de compras e equipamentos disponíveis, e depois pedir à IA 4 alternativas realmente diferentes. Em vez de decidir qual ideia é a melhor, você verifica se cada alternativa respeita as condições e aprende como fazer uma nova solicitação quando as restrições mudam.
Este exercício mostra como usar dados fictícios já organizados para preparar 6 perguntas esperadas do público, suas fontes, respostas curtas e um plano de verificação quando a resposta não for conhecida. O foco não é criar o roteiro da apresentação nem avaliar voz com IA, mas praticar respostas sem exagerar evidências limitadas.
Aprenda a transformar um texto curto em uma estrutura de apresentação para PPT com IA sem acrescentar fatos sem suporte, criar um prompt para um roteiro de 6 slides com uma mensagem principal, evidências, notas do apresentador e sugestões visuais, e revisar manualmente números, interpretações, imagens e informações sensíveis.
Aprenda o que a IA generativa cria e como modelos de texto produzem respostas continuando tokens a partir do contexto recebido. Como uma resposta natural não é necessariamente uma resposta factual, você também vai praticar como separar informações confirmadas de informações ainda indefinidas e como verificar o resultado por conta própria.
Ao introduzir IA para colaboração em equipe pela primeira vez, é mais fácil gerenciar o processo comparando antes as tarefas em que várias pessoas reúnem e conferem informações repetidamente, em vez de começar pelas funções mais chamativas. Usando 6 tarefas fictícias da equipe Haneul, registramos qualitativamente os efeitos esperados, verificamos também a carga de revisão e o risco de informações sensíveis e, então, reduzimos as opções para a primeira aplicação. A IA organiza as opções, mas a escolha final é da equipe.
Ao criar uma ata de reunião com IA, em vez de apenas polir as notas de uma pessoa, praticamos como inserir os registros de vários participantes e organizar decisões, tarefas, pendências e diferenças entre registros junto com tags de fonte. Usando notas fictícias da reunião da equipe Haneul de 2026-10-20, mostramos o processo de criar um rascunho para compartilhamento da equipe sem forçar expressões diferentes a se tornarem uma única versão.
Praticamos como reunir com IA atualizações semanais em formatos diferentes e reorganizá-las em concluído, em andamento, atrasado, dependências, ajuda necessária e precisa de confirmação. Usando relatos da equipe Haneul no mesmo período, criamos um exemplo de relatório semanal com IA que, quando os números divergem, preserva os dois valores junto com o horário de referência e a fonte, em vez de apagar um deles.
Quando a pessoa responsável se ausenta, é preciso permitir que quem fica continue o trabalho imediatamente. Este artigo mostra como reorganizar notas dispersas em contexto, status atual, localização dos materiais, próximas ações, cuidados e itens pendentes. Em um caso fictício no qual as tarefas de divulgação e inscrições de Seoyeon passam para Junho, criamos juntos um documento de passagem de trabalho com IA e perguntas que a pessoa que recebe o trabalho deve confirmar.
Quando as opiniões dos integrantes divergem, praticamos como usar IA sem deixá-la tomar a decisão final, colocando fatos confirmados, fundamentos, opiniões contrárias e hipóteses não verificadas no mesmo formato para comparação. Usando como exemplo as opções de local A e B para a oficina da equipe Haneul, deixamos claros o responsável pela decisão e o prazo e mantemos os itens que a equipe precisa verificar antes do julgamento final.
Praticamos como transformar uma solicitação curta do líder da equipe em um rascunho de solicitação de trabalho que separa requisitos confirmados de condições ausentes, sem deixar a IA preencher as lacunas por conta própria. Usando como exemplo a solicitação da equipe Haneul 'prepare os materiais da oficina', deixamos critérios de conclusão, escopo de inclusão e exclusão e condições de entrega como perguntas de confirmação para que a equipe possa chegar novamente a um acordo.
Mostramos como transformar o uso de IA para colaboração em equipe em um ativo coletivo que todos revisam e melhoram, em vez de manter solicitações individuais. Acompanhamos a melhoria do prompt da equipe Haneul para organizar anotações de reunião da v1.0 para a v1.1 e a nova verificação com a mesma entrada de teste.
Mostramos como revisar, por função, fatos, omissões, informações sensíveis, responsáveis e status de aprovação antes de compartilhar com a equipe um rascunho de relatório semanal organizado por IA. Separamos autor, revisor e aprovador e registramos que evidências foram verificadas, para evitar que um resultado de IA seja confundido com a conclusão oficial da equipe.
Entendemos vibe coding não como “pedir em palavras e deixar a IA fazer tudo sozinha”, mas como uma forma de trabalho em que a pessoa define os requisitos e os critérios de verificação e depois revisa o resultado gerado pela IA. Usando como exemplo uma ferramenta fictícia para somar um CSV de despesas domésticas, organizamos em uma única nota a entrada, a saída, o que não deve ser feito e como verificar o resultado.
Verificamos o comando de instalação do Claude Code e as condições de conta de acordo com o sistema operacional e iniciamos a primeira sessão em uma pasta fictícia de prática. Em vez de gerar código imediatamente, fazemos apenas três perguntas para ler a pasta e o CSV no modo plan e depois encerramos a sessão com segurança.
Praticamos o fluxo para criar uma primeira ferramenta pequena em Python usando o expenses.csv fictício e a nota de requisitos preparada anteriormente. A solicitação inclui um exemplo de entrada, a saída esperada e as restrições e, depois, executamos o summarize.py concluído na ferramenta Python do chat GPT, e não no Claude Code, para verificar o resultado.
Organizamos de forma concisa no CLAUDE.md do projeto o comando de execução, as regras de dados, as proibições e a forma de verificar resultados que antes eram repetidos em cada solicitação. Distinguimos a função de `/init` para criar um rascunho e o propósito de cada localização de arquivo e concluímos um arquivo de regras de 35 linhas adaptado ao exemplo do CSV de despesas.
Usando como exemplo a adição da opção `--by-category` a uma ferramenta já funcional que soma despesas por mês, você aprenderá a revisar primeiro o plano de mudanças no modo plan do Claude Code. Antes de implementar, definirá o escopo da alteração e o formato de saída; depois de aprovar o plano, executará o código final para verificar tanto os totais mensais existentes quanto os totais por categoria.
Você aprenderá um fluxo mínimo para criar um ponto de referência com git antes de o Claude Code modificar arquivos e, depois do trabalho, revisar as mudanças reais com `git status` e `git diff`. É possível pedir à IA que explique o diff, mas o processo se baseia em a pessoa conferir o diff e os resultados da execução antes de fazer staging e commit diretamente.
Em vez de apenas dizer à IA que “está dando erro”, você praticará um fluxo em que primeiro reproduz o problema com a mesma entrada, restringe a causa com base na mensagem real de exceção e solicita somente a mudança mínima. Usaremos um CSV cujo amount contém uma vírgula para reproduzir um ValueError no Python e executaremos novamente o código corrigido para verificar o resultado.
Partindo do princípio de que o Claude Code pode ler e modificar arquivos e executar comandos, este artigo reúne as verificações de segurança que iniciantes devem fazer antes, durante e depois do trabalho. Ele conecta em uma única lista as diferenças entre os modos de permissão, as mudanças que os checkpoints não conseguem restaurar, a diferença de função em relação ao git e a regra de não inserir informações secretas.
Aprenda a obter respostas mais fáceis de verificar informando à IA o objetivo, os fatos já confirmados, o que ela não deve presumir e o formato desejado, em vez de simplesmente pedir que escreva um texto. Usando como exemplo um aviso de um clube de leitura da comunidade, você vai verificar se a IA inventou informações inexistentes e usar uma pergunta de acompanhamento para ajustar apenas o tom, mantendo os fatos.
Aprenda a usar a IA para praticar fazendo com que ela apresente um problema por vez, espere sua resposta e depois ofereça dicas e explicações sobre erros em vez de mostrar imediatamente a solução. Com três problemas de porcentagem, você vai verificar qual valor deve ser usado como denominador e confirmar de forma independente as explicações da IA com cálculos feitos à mão.
Aprenda a calcular primeiro o tempo realmente disponível durante a semana e o tempo necessário para suas tarefas, em vez de tentar encaixá-las à força nos horários livres. O exercício também considera uma situação em que a quarta-feira deixa de estar disponível e mostra como verificar se a IA inventou tempo adicional que não existe.
Transforme “automatize isso” em uma descrição de tarefa executável. Anexe uma amostra sintética sem dados sensíveis e um resultado esperado verificado manualmente para completar uma solicitação de script que totaliza registros de trabalho por equipe.
Verifique uma função de agregação com quatro linhas que você pode calcular manualmente e 12 unit tests. Verifique não apenas valores normais, mas também entrada vazia, zero, decimais e entrada inválida.
Compare um relatório de IA com os dados de origem, recalcule totais e percentuais e use um prompt para identificar afirmações sem respaldo e causas exageradas antes da entrega.
Trate uma regex gerada por IA como um rascunho, não como uma regra final. Monte uma pequena tabela de testes sintéticos, compare os resultados esperados com as correspondências reais, revise o padrão e salve um relatório de revisão antes de usá-lo em dados reais.
Trate uma consulta SQL gerada por IA como um rascunho e teste-a em um pequeno banco SQLite com respostas conhecidas. Compare o resultado da IA com uma tabela esperada calculada manualmente antes de usar a consulta em dados reais.
Mostre à IA alguns exemplos da estrutura exata de saída desejada e depois valide o JSON retornado antes de utilizá-lo. Um pequeno conjunto de tickets sintéticos demonstra como exemplos de formatação e verificações automáticas funcionam em conjunto.
Separe um resumo de IA em afirmações individuais, relacione cada uma a frases específicas da fonte e marque afirmações sem suporte ou exageradas antes de reutilizá-las. Um pequeno documento sintético mostra por que até resumos fluentes precisam de verificação de evidências.
Compare um e-mail de trabalho criado por IA com as informações originais para revisar fatos, números, datas, destinatários, tom e promessas. Um pequeno exemplo mostra o que precisa ser verificado por uma pessoa antes do envio.
Use um assistente de chat com IA para transformar uma transcrição de reunião em uma ata estruturada e depois verifique cada decisão, responsável, prazo e tarefa com a transcrição original. Um pequeno exemplo sintético e uma verificação com Python mostram um processo repetível.
Não confie em uma fórmula do Excel sugerida por IA depois de testá-la apenas com linhas normais. Use uma pequena planilha sintética para testar vazios, zero, texto e datas e depois compare os resultados esperados com um script simples em Python.
Não revise uma tradução feita por IA apenas pelo quanto ela parece natural. Compare sistematicamente números, unidades, nomes, negações e significado com o original e use uma retrotradução pontual e um pequeno script em Python como apoio.
Use um assistente de chat com IA para propor regras explícitas de limpeza de dados, aplique apenas as regras aprovadas a uma cópia do CSV e gere um registro de antes/depois por célula. O exemplo é sintético para que você possa revisar cada transformação manualmente.
Uma IA pode descrever uma tabela de forma convincente e ainda errar totais, porcentagens, médias ou variações. Este guia usa uma pequena tabela sintética de vendas para recalcular e conferir cada afirmação numérica antes de reutilizá-la.
Tarefas repetitivas com IA ficam mais fáceis de revisar quando os prompts seguem uma estrutura consistente. Este guia mostra como criar uma pequena biblioteca de modelos com variáveis, exemplos e uma lista de verificação para cada tarefa.
A IA pode transformar anotações não estruturadas em JSON, mas o resultado ainda precisa ser validado. Este guia usa um pequeno exemplo sintético e uma verificação em Python para conferir campos obrigatórios, tipos, valores permitidos e consistência básica.
A IA pode rotular tickets de suporte rapidamente, mas esses rótulos devem ser comparados com um pequeno conjunto de referência rotulado manualmente antes de serem considerados confiáveis. Este guia usa um pequeno exemplo sintético, compara as previsões da IA com rótulos conhecidos e calcula a acurácia e uma matriz de confusão em Python.
Remova ou substitua dados pessoais evidentes antes de enviar texto a um assistente de chat com IA e revise tanto o texto mascarado quanto o relatório de detecção para encontrar o que foi deixado para trás. Este tutorial usa um pequeno exemplo sintético e mantém o arquivo original inalterado.
Código gerado por IA pode parecer completo e ainda conter suposições ocultas sobre entradas, casos limite, dependências e falhas. Este guia usa um pequeno exemplo sintético em CSV para revisar o código de forma sistemática antes de aplicá-lo a dados reais.
Respostas de IA sobre documentos ficam mais fáceis de verificar quando cada afirmação inclui citações com números de linha. Este guia usa uma pequena nota sintética, pede respostas com citações a um assistente de IA e verifica automaticamente cada intervalo com Python.
A IA pode transformar vários resumos de artigos em uma tabela comparativa compacta, mas cada célula deve poder ser rastreada até o texto de origem. Este guia usa três pequenos resumos sintéticos, pede a um assistente de IA que monte a tabela e verifica cada célula antes de aceitá-la.
Referências geradas por IA podem parecer confiáveis mesmo quando o link não existe ou quando o conteúdo real não corresponde ao que a IA afirma. Este exemplo sintético mostra como verificar tanto a existência do link quanto se a fonte realmente está relacionada à afirmação.
Crie um relatório semanal com IA a partir de registros CSV e confira horas e tarefas concluídas com Python. Use um prompt para separar trabalho concluído, em andamento, planejado e bloqueado.
Busque novamente com palavras curtas, como CSV ou AI.
Todos os exemplos são para prática. Os dados automotivos são sintéticos e usados para fins ilustrativos.