No método socrático clássico, o professor faz perguntas ao aluno para o levar a descobrir a resposta por si próprio. No método socrático invertido aplicado a prompts, é o utilizador que pede ao modelo para o ir questionando em vez de responder diretamente — obrigando-o a articular e defender o seu próprio raciocínio.

É especialmente útil em formação e em análise de requisitos de negócio: em vez de pedir “dá-me os requisitos deste projeto”, pede-se ao modelo que vá questionando até que os requisitos emerjam do próprio utilizador.

Pede-se explicitamente ao modelo que assuma uma posição contrária à do utilizador, com o objetivo de expor fragilidades, riscos não considerados ou vieses de confirmação. É uma técnica de estress-teste de ideias, muito usada em gestão de risco, validação de business cases e revisão de planos de projeto.

Para funcionar bem, o prompt deve pedir argumentos concretos e fundamentados — não apenas objeções genéricas — e pode terminar com um pedido de contra-argumentação, para o utilizador ver os dois lados.

Foca o modelo na identificação de lacunas de conhecimento, informação ou raciocínio — em vez de simplesmente completar a tarefa. O modelo analisa um documento e assinala apenas o que está em falta, ambíguo ou por comprovar, como um tutor que aponta o que o aluno ainda não demonstrou saber.

Muito aplicável em revisão de especificações funcionais, planos de negócio e propostas de projeto: o modelo não reescreve o documento, apenas sinaliza omissões.

O modelo funciona como um espelho crítico do próprio trabalho ou raciocínio do utilizador: recebe uma primeira versão de um texto, plano ou decisão e devolve uma avaliação estruturada — pontos fortes, pontos fracos — sem substituir o autor, ajudando-o a ver o seu próprio trabalho “de fora”.

O modelo simula um painel de vários especialistas com perspetivas distintas que debatem entre si uma proposta, revelando tensões e “trade-offs” que uma análise única não mostraria.

Semelhante ao advogado do diabo, mas mais estruturado: pede-se ao modelo que ataque ativamente uma ideia ou processo como faria uma equipa de segurança, procurando pontos de falha e formas de contornar regras.

Pedir a tarefa diretamente, sem exemplos, confiando no conhecimento geral do modelo. Adequado para tarefas simples ou exploratórias.

Fornecer 2 a 5 exemplos de pares entrada/saída antes da tarefa real, para que o modelo aprenda o formato e o estilo pretendidos por analogia.

Atribuir ao modelo um papel específico, o que ajusta o vocabulário, o rigor e a perspetiva da resposta.

Especificar explicitamente a estrutura pretendida (JSON, tabela, lista numerada, tags XML), reduzindo a ambiguidade e facilitando o processamento posterior da resposta.

Instruir o modelo a “pensar passo a passo” antes de dar a resposta final, o que melhora significativamente o desempenho em tarefas de raciocínio lógico, matemático ou de várias etapas.

Pedir várias cadeias de raciocínio independentes para o mesmo problema e escolher a resposta mais consistente entre elas, reduzindo o efeito de um raciocínio isolado enviesado.

Explorar várias ramificações de raciocínio em paralelo, avaliando e podando os caminhos menos promissores antes de chegar à conclusão.

Decompor um problema complexo numa sequência de subproblemas mais simples, resolvendo-os progressivamente do mais fácil para o mais difícil.

Pedir primeiro ao modelo que gere factos ou conhecimento relevante sobre o tema, e só depois usar esse conhecimento para responder à pergunta principal.

Alternar entre passos de raciocínio explícito e ações concretas — pesquisas, consultas a bases de dados, chamadas a ferramentas — observando o resultado de cada ação antes do passo seguinte.

Dividir uma tarefa complexa numa sequência de prompts mais pequenos e encadeados, em que a saída de um prompt serve de entrada ao seguinte. Reduz erros e permite validar cada etapa antes de avançar.

Combinar o prompt com informação recuperada de uma base documental externa — artigos científicos, apontamentos da unidade curricular, o próprio manuscrito da tese — para ancorar a resposta em factos verificáveis e reduzir alucinações.

Usar o próprio modelo para gerar, criticar ou otimizar o prompt que será depois utilizado para a tarefa final — em vez de escrever a instrução diretamente, pede-se ajuda para a desenhar.

Inserir pequenas “pistas” ou palavras-chave no prompt que orientam o modelo na direção pretendida, sem restringir totalmente a resposta — útil para guiar sem entregar a resposta completa.

Apresentar simultaneamente um exemplo correto e um incorreto, ajudando o modelo — e o próprio estudante — a perceber a fronteira entre um bom e um mau resultado.

Indicar claramente o que o modelo não deve fazer, o que reduz desvios indesejados, alucinações ou respostas em formato ou tom inadequado.