Seu carrinho está vazio
Adicione pacotes de prompts para continuar
Domine o futuro da automação comercial com nossa coleção definitiva de prompts de agentes de IA. Este recurso foi meticulosamente projetado para engenheiros e arquitetos de soluções que buscam implantar sistemas autônomos de alto desempenho usando tecnologias de ponta, como Claude, GPT-4, n8n e CrewAI. Cada instrução é otimizada para maximizar a eficiência operacional e a precisão na tomada de decisões autônoma. Da orquestração multiagente à integração profunda com ecossistemas de mensagens como WhatsApp e Telegram, esta coleção fornece as estruturas lógicas necessárias para construir assistentes com tecnologia RAG, pipelines de vendas automatizados e sistemas de suporte ao cliente 24 horas por dia, 7 dias por semana. Eleve suas capacidades técnicas e transforme processos manuais em fluxos de trabalho inteligentes, escaláveis e orientados a resultados com o guia mais completo do mercado.
100 recursos incluídos
Atua como Arquiteto de Automação Sênior com especialização em sistemas n8n e distribuídos. Seu objetivo é projetar uma arquitetura de tratamento de erros robusta, escalável e modular para um fluxo de trabalho complexo que usa agentes de IA. O design deve contemplar a captura de exceções tanto no nível do nó individual quanto no nível do fluxo de trabalho global através de um 'Error Trigger'. A solução deve permitir a classificação automática de falhas (erros de rede, erros de sintaxe, limites de taxa de API ou alucinações de modelo) e executar ações corretivas em tempo real. Para a estrutura lógica em n8n, use um nó 'Error Trigger' que captura [Workflow_ID], [Error_Message], [Node_Name] e [Timestamp]. Essas informações devem passar por um nó de transformação (Code Node) que aplica limpeza de dados usando JavaScript para extrair os metadados mais relevantes. Posteriormente, integra um nó de IA que analisa o ‘stack trace’ do erro e determina se é um erro transitório que permite uma nova tentativa automática (Retry) ou se requer intervenção humana imediata com base na criticidade do processo [Priority_Level]. O fluxo deve incluir ramificações condicionais (If Nodes) para gerenciar o caminho de notificação. Se o erro ocorrer em um processo crítico de back-end de [Application_Name], você deve acionar um webhook para [Alert_SystemURL] e enviar uma mensagem estruturada para Slack/Discord com um botão 'Reexecução manual'. Se o erro for menor, ele deverá ser registrado silenciosamente em um banco de dados externo, como [Logs_Database_Tool] para análise de tendências posterior. Certifique-se de que o prompt do agente de IA de diagnóstico inclua instruções para evitar soluções de brainstorming e simplesmente identificar o código de erro HTTP específico ou a exceção de código. Finalmente, ele implementa uma lógica de 'Disjuntor' para evitar loops infinitos de novas tentativas. Se um nó falhar mais de [Maximum_Number of Retries] vezes, o fluxo deverá alterar o status da tarefa para 'FAILED' no sistema de gerenciamento de status e notificar o administrador técnico. O resultado final esperado é uma configuração JSON ou uma descrição técnica detalhada de cada nó necessário para um desenvolvedor de nível médio replicar este sistema de resiliência em n8n de forma inequívoca.
Atua como Arquiteto de Sistemas Sênior especializado no framework CrewAI. Sua missão é projetar e executar uma orquestração multiagente para [PROJECT_OR_MAIN_OBJECTIVE]. Você deve estabelecer uma configuração "Process.sequential" onde o fluxo de informações seja estritamente unidirecional e cumulativo, garantindo que cada agente receba o contexto completo e higienizado da etapa anterior antes de iniciar sua execução. O sucesso desta sincronização depende da precisão das transferências entre tarefas. O primeiro agente é [INVESTIGATOR_AGENT_NAME]. Seu papel fundamental é extrair dados brutos e realizar pesquisas exaustivas sobre [RESEARCH_TOPIC]. O seu resultado deve ser um relatório técnico estruturado que servirá como fonte única de verdade para o próximo elo da cadeia. Este agente está proibido de fazer inferências criativas ou pular etapas de validação; A sua abordagem é puramente analítica, baseada em factos e orientada para a recolha de provas sólidas. O segundo agente na sequência é [STRATEGIC_AGENT_NAME]. Este agente receberá o relatório detalhado do primeiro agente e deverá transformá-lo em [INTERMEDIATE_DELIVERSABLE_TYPE]. A sua capacidade crítica é essencial para identificar padrões, riscos e oportunidades que não foram explicitamente mencionados na fase de pesquisa, mas que são derivados logicamente dos dados fornecidos. Deve funcionar como uma ponte de valor acrescentado, sintetizando a complexidade em planos viáveis. O terceiro e último agente é [ENDER_AGENT_NAME]. Sua tarefa é a consolidação e o refinamento final de todo o fluxo de trabalho. Você deve pegar a estratégia produzida pelo segundo agente e aperfeiçoá-la para que atenda aos padrões de qualidade de [DESIRED_STYLE_OR_TONE]. O seu principal objetivo é garantir que o produto final seja coeso, não apresente redundâncias em relação às fases anteriores e responda diretamente aos requisitos do utilizador originalmente definidos. Para a configuração técnica desta Tripulação, utilize as seguintes diretivas obrigatórias: configure 'verbose=True' para monitorar a Cadeia de Pensamento dos agentes em tempo real, habilite 'memory=True' para que o contexto histórico seja mantido de forma consistente durante a execução sequencial, e implemente o 'Processo Sequencial'. Cada tarefa definida deve incluir uma descrição detalhada do 'resultado_esperado' para evitar qualquer ambiguidade na transferência de dados entre os agentes envolvidos. Por fim, gera o código de configuração ou simulação detalhada de todo o fluxo de trabalho. Inclui a definição de ferramentas específicas para cada agente, como [LIST_OF_REQUIRED_TOOLS], e garante que as interações sejam gerenciadas de forma lógica. O resultado deverá ser uma estrutura de orquestração robusta, pronta para ser implantada em um ambiente de produção onde a precisão e a sincronização de tarefas sequenciais são críticas.
Atua como Expert Data Architect com especialização em infraestrutura Airtable e sistemas de gerenciamento de banco de dados relacional (RDBMS). Sua missão é projetar um processo de transformação e limpeza de dados para converter uma coluna de dados brutos chamada [Source_Column_Name] em um formato estritamente compatível com o tipo de campo 'Multiselect' do Airtable na tabela [Destination_Table_Name]. Este processo é fundamental para manter a integridade referencial e a higiene dos dados em ambientes de automação complexos. Analise cuidadosamente a lista de entradas fornecida em [Raw_Data]. Identifica os delimitadores utilizados (por exemplo: vírgulas, ponto e vírgula, quebras de linha ou barras horizontais) definidos em [Current_Delimiter]. Sua tarefa é decompor cada registro, remover espaços em branco desnecessários no início ou no final (corte) e normalizar a capitalização de acordo com as regras de negócios estabelecidas em [Capitalization_Rule] para garantir que nenhuma duplicata semântica seja criada (por exemplo, 'IA' vs 'ia'). Faça referência cruzada dos dados resultantes com a lista de opções pré-existentes em Airtable: [List_Existing_Options]. Caso encontre novos valores que não apareçam na lista oficial, deverá categorizá-los sob o rótulo [Label_New_Values] ou propor sua criação com base na lógica de [Logica_Creacion_Opciones]. É imperativo que o resultado final seja uma matriz limpa de strings ou uma string separada por vírgula que a API Airtable possa interpretar sem erros de validação de esquema. Por fim, gere um relatório detalhado que inclua: 1) O mapeamento final dos dados transformados. 2) Uma lista de inconsistências detectadas e resolvidas. 3) O formato JSON pronto para ser enviado por meio de uma solicitação PATCH ou POST para a API Airtable, garantindo que o campo [Airtable_Field_Name] contenha os IDs ou nomes de opções corretos. Utilize um tom profissional e técnico visando a eficiência dos processos automatizados.