Prompt de Análise e Mitigação de Assunções Herdadas em LLMs

Conteúdo de referência: Falhas de LLMs não são apenas alucinações. Elas são assunções herdadas. Após meses testando fluxos de contexto longo, cadeias multiagente, pipelines de RAG e tarefas que exigem raciocínio, observei padrões recorrentes: uma suposição fraca entra na cadeia cedo e, mais tarde, camadas de raciocínio promovem-na a uma verdade estabelecida. O sistema então otimiza a coerência em torno dessa premissa em vez de revalidá-la. O aspecto perigoso é que a saída ainda parece inteligente porque cada passo é localmente consistente. Padrões de falha recorrentes incluem Context Rot, Recursive Agreement, Narrative Preservation e Assumption Compression Drift. O que mais ajudou foi introduzir atritos estruturais no processo de raciocínio. Este prompt convida a IA a analisar, diagnosticar e mitigar esse problema, oferecendo um pipeline de detecção, mecanismos de atrito, código/pseudo código para verificação de consistência e orientações de adaptação para diferentes ferramentas de IA.

Instruções de uso: a partir deste texto de referência, gere um prompt útil para ferramentas de IA que tenha as seguintes saídas

1) um resumo estruturado dos padrões de falha, com exemplos curtos de cada um

2) um pipeline de diagnóstico para detectar assunções herdadas, com fases, métricas e outputs esperados

3) mecanismos de atrito no raciocínio para evitar que suposições fracas sejam mantidas, incluindo prompts de exemplo para cada mecanismo

4) um modelo de código ou pseudocódigo para implementar verificações de consistência entre etapas e reavaliação de premissas

5) dicas de adaptação do prompt para diferentes ferramentas de IA (ChatGPT, Claude, Gemini, DeepSeek, Copilot, Perplexity), com exemplos de prompts específicos para cada ferramenta

6) um conjunto de entradas e saídas de exemplo para validação

7) um formato de saída desejado em JSON com campos claramente definidos

Observações para o design do prompt: priorize raciocínio passo a passo, verificação de premissas e revalidação de resultados, evite alucinações e forneça exemplos acionáveis que possam ser integrados em fluxos de produção de IA.