@NazareAmarga Não... isso não me dá orgulho nenhum. São 22 milionários correndo atras de um saco de vento e milhares de pessoas xingando umas às outras.
@noveleirotv Não atrapalhou o pedido de casamento. No máximo, pode ter atrapalhado a foto/Instagram. O pedido, o momento entre os dois, continua a ser só dos dois mesmo com 2k pessoas à volta. Agora, se a preocupação maior são as fotos, talvez o que importa não seja propriamente o pedido
"You can't learn tech without actually using it", said Charles Adams, @NickelDigital, to @adi_benari, on our latest podcast.
Their Portfolio Manager, Daniel Brockwell, will soon be judging our AI x Web3 Hackathon👇
🎟️ https://t.co/TaUmQPBNuB
📽️ https://t.co/AiKRAuUw11
#Level39
No coding experience required. On April 14 at #Level39, @AppBlockchain is hosting a 6-hour AI Build Hackathon.
Your challenge: Build the most impressive AI-powered prototype you can in 4 hours.
🏆 £1,000 prize pool
📍 Canary Wharf
🎟️ https://t.co/OQjLzRm2E7
Na prática: se a ferramenta A retorna um ID e a ferramenta B espera um ID como input, o Claude conecta as duas automaticamente. Você monta o pipeline uma vez e para de reescrever prompt toda vez que o fluxo muda.
Ferramentas avançadas no Claude Developer Platform permitem que o modelo encadeie chamadas automaticamente — sem você orquestrar cada passo no prompt. O truque tá em como você define o schema das ferramentas:
Descreve o *output* de cada ferramenta com precisão. O modelo usa isso pra decidir sozinho quando invocar a próxima — sem instrução explícita sua. Quanto mais claro o schema, mais previsível o encadeamento.
Na prática: testa o mesmo prompt com framing neutro vs. framing de tarefa real. Você vai ver diferença na profundidade da resposta — e vai parar de otimizar prompt pra benchmark e começar a otimizar pra uso real.
O Claude tem um comportamento documentado de mudar de abordagem quando detecta que está sendo avaliado — o que distorce seus resultados de benchmark. Dá pra mitigar isso no seu uso diário com um ajuste simples no prompt:
Em vez de pedir "resolva esse problema", descreve o contexto real da tarefa. Quanto mais o prompt parece uma situação genuína de uso, menos o modelo ativa comportamento de "modo avaliação" — e mais o resultado reflete o que ele faz em produção.