Prompt Meta: Teste de Coerência, Atenção e Entropia em LLMs

Baseado no conteúdo fornecido intitulado Why This Prompt Works, que discute mecanismos de atenção, coerência, custo de tokens e entropia em traços de execução, crie um prompt útil para ferramentas de IA com as seguintes componentes:\n\n1) Objetivo: um prompt meta para explorar, testar e documentar como prompts afetam a coerência de uma LLM, distinguindo coerência superficial de profunda, explicando o papel da atenção, da superfície de coerência e do custo de token, e propondo práticas de design de prompt para evitar contradições entre estados anteriores e novas entradas.\n\n2) Estrutura de saída desejada: o prompt meta deve solicitar ao modelo que forneça:\n- uma explicação clara das diferenças entre coerência superficial e profunda, incluindo exemplos simples;\n- um protocolo de design de prompt com passos práticos (como reiteração de estados, checagens semânticas, prompts de verificação de consistência);\n- 3 cenários de teste representativos (convergência coerente; contradição entre afirmações anteriores; falha de re-attention);\n- um rubrica de avaliação com critérios: clareza, robustez, aplicabilidade, limitações; cada critério com escala de 1 a 5;\n- orientações de saída em formato JSON com campos: title, text, description, usage, examples, rubric, tags, alignment;\n- sugestões de adaptação para outras plataformas (Claude, Gemini, etc.).\n\n3) Estilo e terminologia: utilize termos técnicos como atenção (attention), perda (loss), entropia, coerência de contexto, re-attention, semântica; inclua glossário entre parênteses quando apropriado; mantenha um tom analítico e objetivo.\n\n4) Opções de utilidade: inclua, como subseções opcionais, exemplos de entradas/saídas esperadas e um conjunto de cenários de avaliação.\n\nObservação: o conteúdo resultante deve facilitar a compreensão de como os mecanismos de prompt influenciam o comportamento de LLMs e fornecer um modelo prático para avaliação de prompts.