Função: Você é um analista quantitativo.
Tarefa: Resolva esta otimização com restrições.
Etapas:
1) Declare novamente o objetivo e as restrições.
2) Escolha um método (multiplicadores de Lagrange ou busca numérica) e justifique.
3) Resolva passo a passo; mostre a álgebra.
4) Verifique numericamente em Python; inclua código e saídas.
5) Explique o resultado simplesmente.

Contexto: Vou colar 5 arquivos de um pequeno aplicativo Flask.
Objetivo: Melhorar a modularidade, a segurança de tipo e a cobertura de teste.
Fazer:
- Construir um plano de refatoração.
- Propor nova estrutura de pacote e interfaces.
- Fornecer _diffs_ por arquivo.
- Gerar _suite_ pytest para cobrir os principais caminhos.
- Execute verificações estáticas mentalmente; observe os prováveis problemas de mypy/flake8.
- Fornecer uma _checklist_ de migração.
Pare após o plano; espere pela minha aprovação.

Conjunto de dados: .
## Acesso e Configuração: Começando com o Gemini 2.5
- A disponibilidade e os pontos de acesso podem incluir as experiências Gemini do Google e as ferramentas de desenvolvedor; verifique as atualizações oficiais do Google DeepMind para obter os pontos de entrada e os recursos mais atuais.
- Para um passo a passo aplicado—completo com modelos de _prompt_, fluxos de trabalho multimodais e _checklists_ de verificação—este guia complementar oferece exemplos passo a passo que você pode adaptar ao seu trabalho[^2](https://[sider.ai](https://sider.ai)/blog/ai-tools/how-to-use-gemini-2_5-for-academic-technical-problem-solving-a-complete-guide).
- Para entender o "porquê" por trás do raciocínio aprimorado (e quando desacelerar o modelo), revise um _primer_ conceitual sobre a capacidade Deep Think do Gemini 2.5[^3](https://[sider.ai](https://sider.ai)/blog/ai-tools/how-to-understand-deepmind-s-gemini-2-5-deep-think-breakthrough).
## Padrões Avançados: De Assistente a Sistema de Resolução de Problemas
- Divisão "Planejador–Executor": O primeiro _prompt_ constrói um plano de alto nível; os _prompts_ subsequentes executam etapas discretas. Mantém o modelo honesto.
- Auto-_checklists_: Pré-comprometa-se com uma _checklist_ e exija que o modelo marque os itens com evidências antes da entrega.
- Respostas com evidências em primeiro lugar: Exija citações, citações, números de linha ou saídas de código antes de qualquer resumo narrativo.
- Cadeia de Especialistas: Peça ao modelo para interpretar três especialistas que propõem soluções de forma independente e, em seguida, sintetize.
- Pensamento orçado: "Gaste 25 marcadores enumerando as possibilidades e, em seguida, classifique por impacto esperado."
## Armadilhas Comuns (e Correções)
- Objetivos vagos → Use o _prompt_ "Reafirmar e Esclarecer" para apertar o _briefing_.
- Respostas de tiro único → Force o modo de planejamento antes da execução.
- Suposições ocultas → Peça registros de suposições e desafie-os.
- Fatos alucinados → Exija citações e marque alegações não verificáveis.
- Excesso de confiança → Solicite intervalos de confiança e notas de incerteza.
## Pacotes de _Prompt_ de Início Rápido (Copiar/Colar)
- _Briefing_ Analítico:

- Análise da Causa Raiz:

- Modelo para Medição:

- Prova e Contraprova:

## A propósito: Combine o Gemini 2.5 com o [Sider.AI](https://sider.ai) para Acelerar
Se você trabalha no navegador e deseja um fluxo de trabalho mais suave—bibliotecas de _prompt_, execução de código lado a lado e ciclos de verificação rápidos—ferramentas como o [Sider.AI](https://sider.ai) podem otimizar seu dia. Ele permite que você crie _prompts_, itere com modelos e conecte as saídas de volta em documentos, código ou visualizações de dados sem malabarismos de guias. Vale a pena notar se você precisa de iteração rápida e confiável para pesquisa, engenharia ou análise. Saiba mais em [Sider.AI](https://sider.ai) (https://[sider.ai](https://sider.ai)/).
## Principais Conclusões
- O Gemini 2.5 brilha quando você o faz planejar primeiro e, em seguida, executar em partes.
- A verificação não é opcional—use testes, simulações e citações para aumentar a precisão.
- Os fluxos de trabalho multimodais desbloqueiam alavancagem real: analisar documentos → código → validar → resumir.
- Estruture seus _prompts_ como sistemas: _checklists_, planejadores e autocríticas.
- Combine com ferramentas de fluxo de trabalho para reduzir o atrito e manter o ciclo apertado.
## O Que Vem a Seguir
- Construa uma biblioteca de _prompts_ pessoal para seus 3 principais problemas recorrentes.
- Crie uma _checklist_ de verificação por domínio (matemática, código, análise).
- Execute uma revisão semanal: colete vitórias/fracassos e refine seus _scaffolds_.
- Explore as atualizações oficiais para acessar pontos e recursos à medida que o Gemini 2.5 evolui.
### FAQ
Q1:Como uso o Gemini 2.5 para resolução de problemas complexos?
Comece com um _prompt_ de planejamento primeiro, execute passo a passo e verifique com testes. Peça ao Gemini 2.5 para fornecer rastreamentos de raciocínio, gerar código para verificações e citar fontes para alegações para resultados mais confiáveis.
Q2:O que torna o Gemini 2.5 melhor em raciocínio do que os modelos anteriores?
O DeepMind enquadra o Gemini 2.5 como um "modelo de pensamento" que pondera seus pensamentos antes de responder, o que melhora a resolução de problemas passo a passo e reduz erros em tarefas complexas.
Q3:O Gemini 2.5 pode lidar com tarefas multimodais como imagens e código?
Sim, o Gemini 2.5 foi projetado para fluxos de trabalho multimodais—ler imagens ou PDFs, escrever código para analisar dados e resumir resultados—tornando-o adequado para resolução de problemas de ponta a ponta.
Q4:Como posso reduzir as alucinações com o Gemini 2.5?
Force respostas com evidências em primeiro lugar: exija citações, verificação baseada em código e soluções de método duplo. Use _checklists_, _prompts_ adversariais e pontuação de confiança para melhorar a confiabilidade.
Q5:Onde posso encontrar _prompts_ passo a passo para o Gemini 2.5?
Use os modelos de _prompt_ e as táticas de verificação em um guia tutorial abrangente focado na resolução de problemas acadêmicos e técnicos com o Gemini 2.5 e revise os explicadores Deep Think para uma base conceitual.