menhguin/como-fazer-boa-pesquisa

Como fazer boa pesquisa

Quando usar

Carregue esta skill para pesquisa científica substantiva ou de ML: escolher ou reformular um problema, projetar experimentos, escrever ou reestruturar uma proposta/artigo, revisar se as evidências suportam uma afirmação ou decidir o que executar a seguir. Pule-a para uma consulta factual única ou edição mecânica de arquivo.

Esta é uma skill deliberadamente pequena e orientada a referências. Sua primeira função é fazer o modelo consultar referências de sinal excepcionalmente alto antes de planejar experimentos ou escrever um artigo. Adicione mais fontes e princípios internos conforme o usuário os desenvolver.

Carregue junto com

• humanizer sempre que esta skill for ativada. Leia-a antes de redigir ou editar qualquer proposta, artigo, resumo, introdução, revisão ou memorando de pesquisa voltado ao usuário. Aplique sua passagem anti-IA à prosa final, preservando a precisão técnica e a voz do usuário.
• ai-research-custom quando o trabalho pertencer ao sistema de pesquisa do usuário. Essa skill gerencia o roteamento de artefatos, a forma canônica do registro de projeto/experimento, os critérios de interrupção e os livros-razão.
• deep-research-orchestration-custom quando a tarefa exigir uma varredura da literatura ou uma síntese ampla de fontes. Esta skill governa a qualidade da pesquisa; a deep-research-orchestration-custom governa a distribuição e recuperação.

Referências prioritárias

Leia as partes relevantes de Hamming, Carlini e Nanda antes de tomar decisões substantivas de projeto de pesquisa ou estrutura de artigo. Consulte também Schwartz/BootLoops ao selecionar ou executar trabalho quantitativo assistido por agente. Leia Kei primeiro quando a pesquisa estiver sendo realizada em uma startup ou outro ambiente aplicado, porque os outros quatro assumem um contexto acadêmico ou de grande laboratório. Se a tarefa for pequena, extraia apenas o princípio que altera a decisão; não resuma ritualisticamente cada ensaio.

1. Richard Hamming, "You and Your Research"
   https://www.cs.virginia.edu/~robins/YouAndYourResearch.html

   Use para seleção de problemas e orientação de pesquisa. Pergunte se o problema é importante e tem um ataque razoável; se uma restrição aparente pode ser transformada no resultado; se a tarefa isolada pode se tornar um resultado reutilizável sobre uma classe; e qual evidência contraditória deve permanecer visível. Preserve o equilíbrio que Hamming descreve: acredite na ideia o suficiente para executá-la, duvide dela o suficiente para perceber onde falha.

2. Nicholas Carlini, "How to win a best paper award (or, an opinionated take on how to do important research)"
   https://nicholas.carlini.com/writing/2026/how-to-win-a-best-paper-award.html

   Use para critério de pesquisa, execução e foco do artigo. Enuncie a ideia central do artigo em poucas palavras; comece pelo subproblema com maior probabilidade de matar o projeto; execute experimentos precisos, múltiplas tentativas e controles para objeções previsíveis; torne o artigo localmente completo sem executar todos os experimentos meramente relacionados; escreva a conclusão do melhor cenário antes de se comprometer fortemente; conheça o leitor pretendido; e projete figuras que se sustentem sozinhas.

3. Neel Nanda, "Highly Opinionated Advice on How to Write ML Papers"
   https://www.alignmentforum.org/posts/eJGptPbbFPZGLpjsp/highly-opinionated-advice-on-how-to-write-ml-papers

   Use para afirmações, evidências e escrita iterativa. Comprima o projeto em uma a três afirmações concretas, por que elas importam, e um a três experimentos decisivos por afirmação. Prefira experimentos que distingam hipóteses concorrentes; faça um teste adversarial da narrativa; use linhas de base fortes e razoavelmente ajustadas; rotule análises exploratórias versus confirmatórias; preserve limitações e nulos; e expanda em estágios: narrativa comprimida em tópicos -> esboço da introdução -> esboço completo do artigo -> figuras/resultados -> prosa -> edições repetidas.

4. Matthew Schwartz, "Claude-shaped science" (Anthropic Science Blog, 1 de outubro de 2026)
   https://www.anthropic.com/research/claude-shaped-science
   Kit de ferramentas e protocolos: https://bootloops.ai/harness.html · https://github.com/BootLoops-ai/bootloops · https://github.com/BootLoops-ai/skills

   Use para seleção de problemas e execução confiável com agentes de pesquisa. O estudo de caso BootLoops de Schwartz adiciona uma questão de adequação de capacidade ao teste de importância-e-ataque de Hamming: quais problemas importantes se tornam tratáveis através da amplitude, codificação, leitura em escala de máquina ou computação exaustiva do modelo? Pesquise entre disciplinas por estrutura matemática compartilhada e métodos existentes antes de forçar um agente a imitar o fluxo de trabalho de um pesquisador humano. Mantenha essas distinções explícitas:

   • Correção técnica e valor científico são portões separados. Verifique novidade e relevância em relação à literatura atual e expertise do domínio. Nos exemplos de ecologia e genética de Schwartz, especialistas consideraram os cálculos corretos iniciais desinteressantes e os redirecionaram para perguntas úteis. Prefira perguntas recentemente respondíveis a meramente mais dígitos ou reprodução mais rápida; não deixe que "modelado por IA" se torne uma desculpa para otimizar apenas a tratabilidade.
   • Melhore o método antes de escalar um trabalho maçante. Meça uma execução pequena, inspecione o gargalo e pesquise ferramentas e algoritmos existentes antes de lançar um cálculo longo. Se uma melhoria generalizar, valide-a em casos conhecidos e retenha seu propósito, aplicabilidade, interface e critérios de verificação para que o próximo projeto a herde, incluindo ferramentas úteis de projetos fracassados.
   • Projete verificações que não possam certificar suas próprias entradas. Use uma rota de referência independente e pontos/dados retidos não usados para ajustar ou selecionar a resposta; registre a proveniência da referência. Recupere verdades plantadas e rejeite casos deliberadamente corrompidos para testar o próprio verificador. Use escalonamento de precisão ou limites de erro certificados quando apropriado. A concordância numérica apoia um cálculo, mas não é por si só uma prova de uma identidade geral.
   • Torne a conclusão literal. Preserve scripts de reprodução executáveis, critérios quantitativos de aceitação, gráficos e suposições não resolvidas. Um lema estrutural não comprovado, um axioma substituído ou um vago "boa concordância" não é um resultado completo. Use revisões céticas independentes, resolva descobertas e verifique novamente o artefato real em vez de aceitar um resumo tranquilizador. Preserve o plano atual e as evidências em disco entre sessões e compactações.

   Leia o protocolo upstream relevante quando necessário, especialmente acceptance-gate, planted-truth, independence-bookkeeping, timing-discipline, reading-contract ou tool-stewardship; consulte prove-protocol para trabalho de prova. Estas são referências independentes de modelo, não habilidades automaticamente instaladas ou garantias universais. Schwartz é proprietário e mantém BootLoops com financiamento da Anthropic; as realizações científicas relatadas são relatadas pelo autor e exigem validação em nível de projeto. Reavalie os limites de capacidade específicos do modelo à medida que os modelos mudam.

5. Kei, "Doing a Research Startup" (5 de setembro de 2024)
   https://web.archive.org/web/20240920140442/https://keiyuva.ai/posts/type.startup/
   Cópia arquivada. O original, keiyuva.ai/posts/type.startup, ficou offline quando o domínio expirou em 2026.

   Use como uma introdução quando a pesquisa estiver sendo realizada em uma startup ou outro ambiente aplicado. A pesquisa experimental ali ocorre sob restrições que se assemelham às da academia ou de um grande laboratório e diferem delas de maneiras que alteram as decisões. A maioria dos conselhos de pesquisa, incluindo as quatro referências acima, assume um ritmo, contexto e conjunto de incentivos diferentes, portanto, estabeleça para que serve o trabalho e onde está sendo feito antes de aplicar qualquer um deles. Kei escreve como fundador de uma startup de pesquisa. Investidores pagam pela velocidade, mas mais dinheiro não torna a pesquisa mais rápida de forma confiável: "Você pode tentar 50 coisas e falhar em todas, ou acertar em 1-2 tentativas." O progresso não tem métricas claras, então alguém tem que atuar como um PI forte que define a direção e decide o que encerrar, porque ter todos tentando de tudo é como a empresa quebra. Os gastos estão atrelados à independência, o que favorece apostas restritas, pequenos experimentos bem-sucedidos que se constroem uns sobre os outros e lançamentos de produtos sólidos e de tamanho adequado entre os retornos à pesquisa. Recursos apertados também podem forçar um método mais barato e melhor do que um orçamento maior teria comprado. Ao relatar um resultado, diga o que foi tentado e por que falhou; o ensaio trata "não funcionou" sem nenhuma explicação do porquê como um sinal de alerta. Trate-o como o relato de um fundador sobre uma empresa.

Sequência de trabalho

1. Escolha o problema. Escreva por que ele é importante, por que há um ataque razoável agora e o que apenas esta equipe está posicionada para fazer. Para trabalho assistido por agente, nomeie a vantagem específica da IA e estabeleça separadamente o valor científico. Indique o contexto e para que serve o trabalho (um artigo, um produto, um cliente, uma captação de recursos), pois isso decide qual dos conselhos acima se aplica.
2. Comprima antes de expandir. Escreva a ideia em uma frase, a conclusão do melhor cenário e não mais do que três afirmações.
3. Mapeie afirmações para evidências. Para cada afirmação, declare o experimento decisivo, a explicação alternativa mais forte, a linha de base mais forte e o resultado que a mataria ou estreitaria.
4. Ataque a falha provável primeiro. Construa o teste mais barato da incerteza mais estrutural antes de polir o resto.
5. Projete as figuras do artigo cedo. Cada figura planejada precisa de uma conclusão em uma frase e uma afirmação nomeada que ela suporta. Se a legenda não puder explicá-la, divida-a.
6. Mantenha o artigo singular e o apêndice amplo. Cada experimento do texto principal deve avançar a ideia central. Coloque varreduras úteis, mas não estruturais, conhecimento tácito e descobertas secundárias em apêndices ou notas complementares.
7. Escreva da perspectiva de um leitor frio. Contexto -> problema -> afirmação -> evidência -> impacto. Defina os termos que o leitor precisa; não esconda uma ideia simples por trás de uma linguagem formal.
8. Carregue e aplique humanizer. Remova frases modeladas por IA, ritmo de parede de texto, cabeçalhos desnecessários, transições padronizadas, uso excessivo de travessão e linguagem genérica de importância. Leia a prosa em voz alta ou use TTS quando o artefato for importante.
9. Audite antes do lançamento. Verifique precisão factual/de citação, força das evidências, nulos não relatados, status pré/pós-hoc, reprodutibilidade e se a conclusão realmente responde "e daí?"

Saída mínima para um novo projeto

Produza estes itens antes de uma proposta longa:

• Ideia em uma frase
• Conclusão do melhor cenário
• Uma a três afirmações
• Mapa afirmação -> evidência -> falseador
• Primeiro teste de eliminação
• Principais figuras planejadas
• Fatores de confusão conhecidos e linhas de base mais fortes
• O que está deliberadamente fora do escopo

Só então expanda para prosa.