Prompt de fluxo de depuração com grab para grandes repositórios

Análise de ferramenta recomendada: para este prompt, a melhor IA seria chatgpt (também aplicável com claude) devido à capacidade de manter contextos longos, explicar passos de forma clara e gerar instruções acionáveis em linguagem natural. Use este prompt em uma sessão com um modelo capaz de manter contexto durante várias etapas de diagnóstico.

Objetivo do prompt: orientar a IA a usar a ferramenta de linha de comando grab para depurar grandes repositórios, minimizando fragmentação de contexto, mantendo um buffer de contexto acumulado e recorrendo a extrações cada vez mais precisas de código (funções, trechos e limites de linha) conforme necessário.

Fluxo recomendado (Search → Extract → Accumulate → Recurse):
- Search: localizar trechos relevantes com commands baseados em ripgrep e termos de interesse.
- Extract: capturar trechos com limites de função/linhas usando comandos como: grab --tree, grab auth, grab --functions server.py, grab 500 635 auth.cs, grab --functions .
- Accumulate: concatenar ou inserir o conteúdo extraído no buffer de contexto mantido pela sessão (clipboard/tmux).
- Recurse: se o modelo precisar de mais contexto para uma pergunta, realizar uma nova rodada de Search/Extract com profundidade adicional e repetir o ciclo.

Instruções de uso para a IA:
1) Primeiro, peça ou confirme o objetivo específico (qual código ou módulo está investigando, quais problemas ou falhas está buscando).
2) Execute o fluxo na prática sugerindo comandos reais conforme necessário, e registre as referências de arquivos/linhas obtidas.
3) Mantenha o contexto ao longo do diagnóstico, evitando a leitura de trechos desconexos sem referência de onde vieram.
4) Quando houver ambiguidades (nomes de funções iguais em diferentes arquivos, por exemplo), prima pela assinatura/escopo para confirmar o alvo correto antes de avançar.
5) Sempre apresente um plano de ação estruturado antes de executar extrações adicionais: descreva objetivos, arquivos relevantes, comandos propostos e o porquê, com expectativas de saída.
6) Forneça sugestões de próximos passos com comandos reais, caminhos de arquivo e intervalos de linhas, para facilitar a continuidade do trabalho.

Comandos de referência (podem ser adaptados pelo usuário):
- grab --tree
- grab auth
- grab --functions server.py
- grab 500 635 auth.cs
- grab --functions .

Formato de saída esperado da IA:
- Objetivo: [descrição]
- Comandos sugeridos: [lista de comandos]
- Arquivos/linhas referenciados: [lista]
- Contexto adicional necessário: [sim/não e detalhes]
- Próximos passos recomendados: [descrição + comandos]

Observação: não modifique código existente; foque em explorar, extrair contexto e organizar de forma que o modelo possa consultar trechos relevantes com o menor ruído possível.