A Skill Grill Me: Como Eu Extraio Meu Próprio Cérebro

A Skill Grill Me: Como Eu Extraio Meu Próprio Cérebro

A skill que mais me ensinou sobre construir um AI Operating System tem seis frases de extensão.

Não seiscentas linhas. Não uma toolchain Python com uma dúzia de documentos de referência. Seis frases em um arquivo markdown. Abri esperando encontrar algo inteligente e quase fechei a aba quando vi como era curta. Então executei, e ela me interrogou durante cinquenta e um minutos sobre um fluxo de empacotamento — e no final sabia mais sobre como eu realmente opero essa parte do meu negócio do que qualquer documento que eu já tinha escrito sobre isso.

Essa é a skill Grill Me para Claude Code, e ela resolve o problema mais difícil de todo este espaço: colocar o que está na sua cabeça dentro da máquina. Não "o que é uma skill." Não "dez skills que você deveria instalar." O gargalo sem glamour sobre o qual ninguém quer falar — seu conhecimento está trancado no seu crânio, e um modelo base não pode ler mentes.

Aqui está a parte que demorei a aceitar. Você, eu e qualquer outra pessoa lendo isso estamos apontando o mesmo modelo para nossos problemas. Claude Opus 4.8. Os mesmos pesos, o mesmo treinamento, o mesmo raciocínio. O modelo não é sua vantagem. O que torna seus outputs de IA diferentes da papinha genérica que todo mundo gera vem de um único lugar: o contexto, a voz e as decisões duramente conquistadas que você alimenta. Tire isso e cada output regride para a média insípida. Então o verdadeiro jogo nunca foi "encontrar um modelo melhor." É "extrair seu conhecimento e moldá-lo para uma máquina consumir." Grill Me é a melhor ferramenta que encontrei para fazer exatamente isso.

Por que seu brain dump produz output de IA genérico

Deixe-me começar com o que errei durante meses.

Quando queria construir uma skill, eu sentava e escrevia tudo que sabia sobre o processo em um arquivo markdown. Um brain dump. Achava que estava sendo minucioso — trezentas linhas, cabeçalhos, marcadores, o pacote completo. Então a skill construída em cima disso produzia trabalho que era ok. Competente. Esquecível. O tipo de output que faz você pensar "sim, isso está mais ou menos certo" e depois silenciosamente reescreve metade.

O problema não é que sou um mau escritor. O problema é que um brain dump só captura o que você já sabe que sabe. Não pode capturar o que você não pensa em mencionar — as exceções, o "ah espera, exceto quando o cliente está na UE," a razão pela qual você parou de fazer do outro jeito três anos atrás. Esse conhecimento tácito é precisamente a diferenciação que torna seu AIOS seu em vez de ser o de todo mundo. E você nunca vai escrever isso voluntariamente, porque por definição você esqueceu que é sequer uma decisão.

Aprendi isso observando como eu defino o escopo de projetos de clientes. Os projetos que vão bem não são aqueles onde deixo o cliente falar. São aqueles onde faço perguntas desconfortáveis, quase irritantes. "O que acontece com o pedido se o pagamento é bem-sucedido mas a verificação de estoque falha?" O cliente pausa. Não tinham pensado nisso. Essa pausa é todo o valor. É a diferença entre um sistema que é 80% confiável e um que é 95% confiável. As perguntas que parecem exagero são as que encontram as lacunas.

Grill Me pega exatamente essa dinâmica — a entrevista de descoberta implacável — e aponta para você. A IA se torna o consultor irritante, e você se torna o cliente que não tinha pensado no caso limite. Essa inversão de papéis é todo o truque. Se você dedicou tempo a por que contexto de agente IA supera configuração, esta é a versão mais concentrada dessa ideia que conheço.

Mas antes de mostrar o prompt, você precisa ver quão pouco realmente há nele. Vai te surpreender.

O que a skill Grill Me realmente contém

Aqui está a skill completa. Este é o verdadeiro SKILL.md do meu diretório .claude/skills/grill-me/, originalmente escrito por Matt Pocock e publicado em seu repositório público de skills sob skills/productivity/grill-me/:

---
name: grill-me
description: Interview the user relentlessly about a plan or design until
  reaching shared understanding, resolving each branch of the decision tree.
  Use when user wants to stress-test a plan, get grilled on their design,
  or mentions "grill me".
---

Interview me relentlessly about every aspect of this plan until we reach a
shared understanding. Walk down each branch of the design tree, resolving
dependencies between decisions one-by-one. For each question, provide your
recommended answer.

Ask the questions one at a time.

If a question can be answered by exploring the codebase, explore the codebase
instead.

É isso. É a coisa toda. O frontmatter é fiação — um nome e uma descrição que dizem ao Claude quando disparar a skill. O corpo contém quatro instruções:

1. Entreviste implacavelmente até o entendimento compartilhado. Não "faça algumas perguntas." Implacavelmente. A palavra faz trabalho real — dá ao modelo permissão para continuar além do ponto onde um assistente educado pararia.
2. Percorra a árvore de design, resolvendo dependências uma a uma. Cada decisão tem decisões filhas. "Busca avançada ou caixa simples?" Se avançada — quais filtros? Quais ordens de classificação? Cada resposta abre novos galhos. Você percorre até cada folha ser concreta.
3. Para cada pergunta, dê sua resposta recomendada. Esta é a parte que a maioria não percebe. Não é um interrogatório em branco. O modelo propõe um padrão, então você está reagindo a uma recomendação, não gerando respostas do zero. Reagir é dez vezes mais rápido que redigir.
4. Se a codebase pode responder, olhe lá em vez de perguntar. Não desperdice minha atenção com perguntas que um grep poderia resolver.

Essa quarta linha é por que eu confio nela. Uma skill pior me faria quarenta perguntas incluindo cinco que poderia ter respondido sozinha lendo meu código. Esta resolve as perguntas baratas sozinha e reserva meu cérebro para as caras.

Quantas perguntas uma sessão de Grill Me realmente faz? Nas minhas sessões reais, entre aproximadamente 16 e 50, dependendo de quão nebuloso é o tema — o que coincide com o que outros praticantes relatam. Uma feature bem definida fica na parte inferior. Uma operação empresarial completa fica na parte superior, e além.

A lição que continuo reaprendendo: skills eficazes não são automações complexas. A coisa mais útil em toda minha configuração é um prompt de seis frases. Escrevo sobre essa tensão em como testo skills do Claude antes que quebrem meu fluxo de trabalho — complexidade geralmente é um sinal de alerta, não uma feature. Grill Me é a prova.

Então se o original é tão bom, por que eu o modifiquei? Por causa de um modo de falha específico que aparece no momento em que suas sessões ficam longas.

A correção que tornou sessões longas de grill utilizáveis: checkpointing

O Grill Me original tem um problema que não consegue ver por si mesmo, e você só o encontra quando suas sessões ficam longas.

Minha sessão de empacotamento durou cinquenta e um minutos. Por volta do minuto quarenta, a conversa tinha crescido enormemente — dezenas de perguntas, dezenas de respostas, ramificações dentro de ramificações. E o modelo começou a derivar. Uma decisão que eu tinha fixado no minuto oito silenciosamente parou de aparecer em seu raciocínio no minuto quarenta. Não porque o modelo é burro, mas porque à medida que a conversa ativa cresce, turnos anteriores recebem menos atenção. O detalhe que você resolveu uma hora atrás compete com tudo desde então pelo mesmo foco finito. (Se você sentiu isso em sessões longas, detalhei a mecânica em higiene de contexto e limites de tokens do Claude Code.)

Uma entrevista brilhante de uma hora é inútil se o modelo esquece a primeira metade no final.

Então a melhoria que uso é extremamente simples: checkpoint após cada pergunta individual. No momento em que uma pergunta é respondida, a skill adiciona essa troca a um arquivo markdown no disco — antes de passar para a próxima pergunta. A conversa na janela de contexto pode derivar o quanto quiser. O registro é imutável, está em um arquivo, completo desde a pergunta um.

Guardo estes em uma pasta brainstorms/ na raiz do projeto. Cada sessão produz um log, e cada log carrega três coisas:

• Decisões-chave — as folhas resolvidas da árvore de design, declaradas como compromissos. "Devoluções são tratadas por X, não Y, porque Z."
• O log completo de P&R — cada pergunta e minha resposta exata, em ordem, para que eu possa reconstruir o raciocínio depois.
• Um resumo de destaques — um breve resumo no topo do arquivo que posso escanear em trinta segundos, seis semanas depois, sem reler todo o transcrito.

your-project/
├── brainstorms/
│   ├── 2026-06-05-packaging-process.md
│   ├── 2026-06-04-ai-safety-rollout.md
│   └── 2026-06-01-client-onboarding-flow.md
├── .claude/
│   └── skills/
│       └── grill-me/
│           └── SKILL.md
└── ...

Existe um primo real e publicado dessa ideia que vale conhecer. A skill grill-with-docs pega a mesma entrevista implacável e escreve termos resolvidos em um glossário CONTEXT.md e trade-offs difíceis e surpreendentes em arquivos ADR (docs/adr/) à medida que cristalizam, inline, em vez de agrupá-los no final. O mesmo instinto da minha pasta brainstorms/ — capture o momento em que uma decisão é tomada, n��o depois da sessão quando você está cansado e a nuance evaporou. Dois caminhos para o mesmo destino: a conversa ao vivo é frágil, o arquivo no disco não é.

E uma vez que o arquivo existe, algo útil acontece depois que a sessão termina.

O que acontece depois que a entrevista termina

A captura não é a linha de chegada. É a matéria-prima.

Quando uma sessão termina, tenho um log brainstorms/ estruturado cheio de decisões e casos limite que o modelo acabou de extrair da minha cabeça. O próximo passo é retroalimentar isso no sistema: pedir ao Claude para sugerir atualizações para a skill relacionada e sua documentação com base nas nuances que acabou de capturar. A sessão de empacotamento não produziu apenas notas — produziu uma skill de empacotamento melhor, porque cada "ah, exceto quando..." que eu tinha esquecido agora estava escrito e podia ser incorporado nas instruções sobre as quais a skill opera.

Aqui é também onde Grill Me faz algo que não esperava: sinaliza o que você não sabe. No meio da sessão de segurança de IA, chegou a um galho que eu não conseguia responder — algo sobre um limite de retenção de dados que genuinamente não era minha decisão. Em vez de adivinhar ou me deixar blefar, marcou. "Isso precisa de input de quem é responsável pela sua postura de compliance." Essa única marca valeu mais que dez respostas, porque me disse exatamente onde ir perguntar a um humano real antes de construir algo sobre uma suposição incorreta.

Então o loop é: grillar → capturar em markdown → atualizar a skill → marcar as lacunas → preencher as lacunas com o stakeholder certo → grillar novamente no próximo trimestre quando o processo tiver mudado. Cada passagem te deixa com uma skill mais testada em batalha e um AIOS que sabe mais do seu negócio real. Este é o fluxo de trabalho de suporte sob o AI Operating System que construí com Claude Code — o pilar cobre a arquitetura; Grill Me é como você o preenche com conhecimento que genuinamente é seu.

Se você quer esse tipo de extração de conhecimento estruturada funcionando em toda uma empresa — não apenas um processo — esse é o tipo de coisa que a Ramlit constrói para equipes: transformar a expertise trancada nas cabeças do seu pessoal sênior em sistemas que o resto da empresa (e sua IA) pode realmente usar.

Agora para o número que me fez reorganizar como começo cada skill.

A matemática de iteração: começar em 90% em vez de 70%

Este é o argumento para passar uma hora sendo grillado antes de escrever uma única linha de instruções de skill.

Construa uma skill da maneira normal — brain dump, escreva, execute — e na primeira tentativa ela fica em algum lugar perto de 70% de eficácia. Boa o suficiente para ser útil, errada o suficiente para precisar de supervisão. Então você itera. Cada uso real revela uma lacuna, você corrige, e ao longo de muitos ciclos rasteja em direção a 95%. A trajetória funciona. Só é lenta, porque cada lacuna custa um ciclo completo de construir-executar-descobrir para encontrar.

Grill Me antecipa essa descoberta. Porque a entrevista caça casos limite antes de você construir, a mesma skill começa sua vida em torno de 90% em vez de 70%. Você não encontra a exceção da UE no dia quarenta quando um cliente recebe um output errado. Você a encontra no minuto doze da entrevista, quando o modelo pergunta "o que muda para clientes da UE?" e você diz "ah — certo."

O velho ditado do carpinteiro se encaixa perfeitamente: passe quatro horas afiando o machado antes de duas horas cortando a árvore. O trabalho antecipado parece atraso. Não é. Um machado afiado através de uma árvore em duas horas supera um cego cortando por oito. Uma hora de grill que te leva de 70% a 90% na iteração um economiza uma dúzia de ciclos de corrigir-e-reexecutar a jusante. Nunca me arrependi da hora. Me arrependi de cada skill que lancei sem ela.

Para ser justo sobre o trade-off: isso é trabalho cognitivo real, não uma ferramenta passiva que você dispara e esquece. Uma sessão de Grill Me de cinquenta minutos é cinquenta minutos de pensar duro sobre decisões que você lidava no piloto automático. Se está cansado, é exaustivo. E para uma skill genuinamente trivial, grill completo é exagero — às vezes um brain dump realmente é suficiente. Ajuste a profundidade da entrevista ao que está em jogo com a skill. O ponto não é grillar tudo. É grillar as coisas que doem se você errar.

Então como você realmente executa uma?

Como usar a skill Grill Me no Claude Code

Duas formas de ativá-la, e se comportam um pouco diferente.

Linguagem natural. Digite algo como "Ei, me grille sobre como fazemos onboarding de clientes" ou "me grille sobre este plano de deploy." A descrição da skill combina com a frase e o Claude a dispara. É assim que inicio a maioria das sessões — é conversacional e você pode direcioná-la de forma ampla.

Comando slash. Execute /grill-me diretamente. Mais deliberado, bom quando você sabe exatamente o tema e quer pular o aquecimento.

De qualquer forma, aqui está o fluxo que sigo:

1. Nomeie o alvo com precisão. Não "me grille sobre meu negócio." Amplo demais — você terá um passe superficial sobre tudo. Escolha um processo: "me grille sobre como aplico IA com segurança dentro do negócio." Alvo estreito, entrevista profunda.
2. Responda honestamente, incluindo 'não sei.' As respostas "não sei" são a coisa mais valiosa que você produzirá, porque são as lacunas que a sinalização vai capturar. Não blefe para parecer competente diante de um modelo que está tentando ajudá-lo.
3. Reaja às suas respostas recomendadas. Lembre-se, ele propõe um padrão para cada pergunta. Frequentemente o movimento mais rápido é "sim, isso, mas mude uma coisa." Você está editando, não redigindo.
4. Deixe rodar longo. Resista ao impulso de encerrar na pergunta dez porque está entediado. O ouro geralmente está na segunda metade, nos galhos que você não sabia que existiam. Sessões acima de uma hora são normais e boas.
5. Colha o output. Quando termina, você tem notas de descoberta, um resumo de decisões-chave, logs de P&R estruturados, e uma lista de marcas indicando onde precisa de outro humano. Leia o resumo de destaques. Depois peça ao Claude para incorporar as novas nuances na skill relevante.

Uma ressalva honesta sobre a configuração: o Grill Me upstream básico não faz checkpoint para uma pasta brainstorms/ por conta própria — essa é a camada de melhoria que descrevi, e você precisa adicioná-la ao corpo da skill (uma instrução para adicionar cada pergunta respondida a um arquivo markdown datado antes de continuar). O original mantém tudo na conversa ao vivo, que é exatamente onde o problema de deriva mora. Se suas sessões são curtas, o original está bem. Se são longas, adicione a instrução de checkpoint ou você perderá a primeira metade.

Esse é todo o fluxo de trabalho. Seis frases de prompt, uma pasta, e o hábito de deixar a máquina fazer as perguntas que você nunca faria a si mesmo.

Na próxima vez que sentar para construir uma skill e sentir o impulso de simplesmente despejar tudo que sabe em um arquivo — pare. Você não sabe o que sabe. Deixe a máquina descobrir. Abra uma sessão, diga "me grille," e dedique a hora desconfortável. A versão do seu AIOS que sai do outro lado soará como você em vez de como todo mundo apontando o mesmo modelo para os mesmos problemas. Essa voz — a que nenhum modelo base pode te dar — é a única vantagem que existe.

Perguntas Frequentes

O que é a skill Grill Me no Claude Code?

Grill Me é uma skill do Claude Code que te entrevista implacavelmente sobre um plano, processo ou design até que seu conhecimento esteja completamente capturado. Percorre cada galho da árvore de decisões uma pergunta por vez, propondo uma resposta recomendada para cada uma, e resolve perguntas da codebase sozinha em vez de perguntar. Foi criada por Matt Pocock. Veja o que a skill realmente contém acima para o código-fonte completo.

Como ativo a skill Grill Me?

Diga "me grille sobre [tema]" no Claude Code, ou execute o comando slash /grill-me diretamente. A formulação em linguagem natural combina com a descrição da skill e a dispara automaticamente; o comando slash é mais deliberado quando você já sabe exatamente o tema.

Quantas perguntas uma sessão de Grill Me faz?

Uma sessão típica faz entre 16 e 50 perguntas aproximadamente, dependendo de quão bem definido é o tema. Features bem definidas ficam na parte inferior; uma operação empresarial completa fica na parte superior e pode durar mais de uma hora. Ajuste a profundidade da sessão a quão custoso é ter a skill errada.

Por que Grill Me é melhor que simplesmente escrever um brain dump?

Um brain dump só captura o que você já sabe que sabe — perde os casos limite tácitos e decisões esquecidas que tornam seu AIOS único. A entrevista implacável do Grill Me traz essas lacunas à luz antes de você construir, razão pela qual uma skill grillada começa perto de 90% de eficácia em vez dos ~70% com que uma skill de brain dump tipicamente começa.

Grill Me salva a conversa em um arquivo?

A skill original mantém tudo na conversa ao vivo, que pode derivar em sessões longas. O fluxo de trabalho melhorado adiciona uma instrução de checkpoint que adiciona cada pergunta respondida a um arquivo markdown datado em uma pasta brainstorms/ antes de continuar — preservando cada decisão mesmo enquanto o contexto do chat cresce. Veja a correção de checkpointing acima.

Vamos Trabalhar Juntos

Procurando construir sistemas de IA, automatizar fluxos de trabalho ou escalar sua infraestrutura tecnológica? Adoraria ajudar.

• Fiverr (builds personalizados e integrações): fiverr.com/s/EgxYmWD
• Portfolio: mejba.me
• Ramlit Limited (soluções empresariais): ramlit.com
• ColorPark (design e branding): colorpark.io
• xCyberSecurity (serviços de segurança): xcybersecurity.io