Meta-Prompting é uma técnica de scaffolding eficaz projetada para aumentar a capacidade dos modelos de linguagem (LM). Este método transforma um único LM em um maestro multifacetado, habilidoso em gerenciar e integrar múltiplas consultas de LMs independentes. Usando instruções de alto nível, o meta-prompt orienta o LM a decompor tarefas complexas em subtarefas menores e mais gerenciáveis. Essas subtarefas são então processadas por diferentes instâncias de "especialistas" do mesmo LM, cada uma operando de acordo com instruções personalizadas específicas. O cerne do processo é o próprio LM, atuando como maestro, garantindo a comunicação perfeita e a integração eficaz das saídas desses modelos especialistas. Ele também usa seu pensamento crítico inerente e um robusto processo de verificação para refinar e validar o resultado final. Essa abordagem de prompt colaborativo permite que um único LM atue simultaneamente como um maestro abrangente e uma equipe diversificada de especialistas, melhorando significativamente seu desempenho em várias tarefas. A natureza sem tiro e independente da tarefa do meta-prompt simplifica enormemente a interação do usuário, eliminando a necessidade de instruções detalhadas específicas da tarefa. Além disso, nossa pesquisa demonstra que ferramentas externas (como o interpretador Python) podem ser integradas perfeitamente à estrutura de meta-prompting, expandindo sua aplicabilidade e utilidade. Através de experimentos rigorosos com o GPT-4, demonstramos que o meta-prompting supera os métodos de scaffolding tradicionais: em média em todas as tarefas, incluindo o jogo dos 24 pontos, o xadrez em um movimento e desafios de programação Python, o meta-prompting com funcionalidade de interpretador Python superou prompts padrão em 17,1%, prompts de especialistas (dinâmicos) em 17,3% e prompts de múltiplas personalidades em 15,2%.