Roadmap — Multimodal Prompting

Diagnóstico migrado de guia/roadmap - ia.md (30/06). Cada entrada tem estado de enriquecimento, score, classificação de custo e plano de execução acionável.

Galho: 03-Dominios/Tecnologia/IA/Multimodal Prompting

Diagnóstico de 30/06 — pode estar defasado. Vários itens marcados ⬜ podem já ter sido enriquecidos depois; reconciliar com o estado real ao tratar o galho.

Régua de análise

Checklist verificar-nota — 12 itens (isenções por fase/tipo/broto aplicadas por nota):

Grupo	Itens
ESTRUTURA	E1 TL;DR · E2 Abertura-problema · E3 Mermaid · E4 Casos práticos · E5 O que vem a seguir · E6 Inglês · E7 Tabela PT↔EN · E8 Armadilhas [!warning]
PROFUNDIDADE	P1 Código-com-falha · P2 Mecanismo explicado
LINKS	L1 Wikilink cross-galho · L2 Referência externa (URL)
MÍDIA	M1 Vídeo/podcast embutido

Esquema de fase: detectado: COM fase (Iniciado) Piso de linhas: aplicável — Iniciado ≥300

Tabela-resumo

Métrica	Valor
Total de notas	7
⬜ pendente	0
➖ não precisa	2
✅ feita	5
🔄 em andamento	0
% concluído	100%

---

Notas

01 - O salto multimodal — por que isso importa [mecânico]

• Enriquecimento: ✅ feita (2026-07-03)
• Estado: 301 linhas totais / 146 linhas não-em-branco · fase: Iniciado · status: seedling
• Núcleo/gaps: E1, E3
• Score: 10/12
• Plano de execução:
  • Expandir TL;DR de 1 linha longa para ≥3 linhas separadas no callout [!abstract] (split: estado do mercado / o gargalo / vantagens multimodal)
• Resultado: ✅ verificado PASS (2026-07-03): plano aplicado + auditoria cética passou.

02 - Imagens como input — screenshots, charts, mockups [substantivo]

• Enriquecimento: ✅ feita (2026-07-03)
• Estado: 311 linhas reais · fase: Iniciado · status: seedling
• Núcleo/gaps: E1, E2, E3, P1
• Score: 8/12
• Plano de execução:
  • Expandir TL;DR de 1 bloco para ≥3 linhas separadas no [!abstract] (ex: estado do mercado / os 5 tipos de tarefa / regra de resolução/custo)
  • Adicionar abertura-problema antes de ”## Cinco tipos de tarefa visual” — cenário concreto (screenshot de bug, mockup de revisão) que justifique a escolha de provider/detalhe antes da taxonomia
• Resultado: ✅ verificado WARN (2026-07-03): plano aplicado + auditoria cética passou. — WARN: ressalvas menores (ver relatório da sessão)

03 - PDFs e documentos — extração e análise [mecânico]

• Enriquecimento: ➖ não precisa
• Estado: 305 linhas reais · fase: Iniciado · status: seedling
• Núcleo/gaps: E3, P1
• Score: 10/12
• Plano de execução:
  • — nenhuma
• Resultado: —

04 - Áudio e vídeo — Whisper, Gemini Live e geração [substantivo]

• Enriquecimento: ✅ feita (2026-07-03, refação pós-reprovação)
• Estado: 318 linhas · fase: Iniciado · status: seedling
• Núcleo/gaps: E2, E3, L1, P1
• Score: 8/12
• Plano de execução:
  • (E2) Adicionar parágrafo de abertura com problema/cenário antes do primeiro ## — a nota vai direto pras seções sem contextualizar o desafio prático
  • (L1) Adicionar wikilink cross-galho (não só notas internas do Multimodal Prompting)
  • (Caducidade) Verificar se “Claude voice sem API pública estável até maio/2026” ainda é verdade e atualizar
  • (Opcional/E3) Mermaid do pipeline Whisper→LLM vs áudio-direto, para visualizar a decisão
• Resultado: ✅ refeita com PESQUISA REAL (não o burst reprovado). E2: abertura com cenário de reunião de negociação. E3: Mermaid da decisão transcrever-vs-escutar. L1: cross-galho → 01 - O problema — por que tokens custam dinheiro. Caducidade corrigida (web-verificado 03/07): Claude Voice Mode existe (app + Claude Code desde mar/2026) mas é input-only/ditado — não é áudio-como-mídia nem API de voz bidirecional; removido o erro de listá-lo junto a Gemini Live/OpenAI Realtime. Zero fabricação.

05 - Tabelas e spreadsheets como input estruturado [substantivo]

• Enriquecimento: ✅ feita (2026-07-03, refação pós-reprovação)
• Estado: 402 linhas · fase: Iniciado · status: seedling
• Núcleo/gaps: E2, E3, P1
• Score: 9/12
• Plano de execução:
  • (E2/Núcleo) Adicionar abertura com cenário concreto antes do TL;DR — ex: planilha de 500 linhas, cola tudo no prompt ou manda print ou usa Code Interpreter, e a escolha errada custa tokens/precisão
  • (P1/Opcional) Adicionar exemplo de código-com-falha (colar CSV grande, ignorar separador BR) para reforçar as armadilhas com evidência de código quebrado
• Resultado: ✅ E2: abertura com cenário da planilha de 500 linhas + eixo de decisão. E3: Mermaid dos três modos. P1 com EVIDÊNCIA REAL (pandas 3.0 rodado localmente): o CSV BR (sep ;, decimal ,) lido com defaults NÃO lança ParserError — vira 1 coluna só (silencioso); com sep=';' mas sem decimal=',', .sum() concatena string ('12,504,90') sem erro. Corrige a suposição do burst reprovado (que afirmava ParserError). Outputs conferidos, zero fabricação.

06 - Como dizer ao modelo o tipo de leitura [mecânico]

• Enriquecimento: ➖ não precisa
• Estado: 300 linhas reais · fase: Iniciado · status: seedling
• Núcleo/gaps: E3, P1
• Score: 10/12
• Plano de execução:
  • — nenhuma
• Resultado: —

07 - Limites e armadilhas multimodais [substantivo]

• Enriquecimento: ✅ feita (2026-07-03)
• Estado: 221 linhas reais · fase: Iniciado · status: seedling
• Núcleo/gaps: E2, E3, P1
• Score: 9/12
• Plano de execução:
  • Adicionar abertura narrativa (5-8 linhas) entre o [!question]- e a ## 1. Alucinação visual — cenário de equipe em produção que descobriu multimodal, mandou print de tudo, e viu custo e falhas explodirem
  • Adicionar diagrama Mermaid (≈15 linhas) mapeando as 9 categorias de falha em dois eixos: tipo (percepção/raciocínio/custo-infra) e mitigabilidade (alta/parcial/baixa) — cobre E3 e ajuda a cruzar o piso de 300
• Resultado: ✅ verificado PASS (2026-07-03): plano aplicado + auditoria cética passou.