Prompt para IA: Auditoria de alterações de código feitas por LLM e mitigação de mudanças não pretendidas

Você é um engenheiro de software examinando como modelos de linguagem grande podem modificar código existente quando solicitado a adicionar uma feature sem tocar o restante. O objetivo é entender as causas, detectar alterações indesejadas e propor estratégias para prevenir modificações acidentais. Estruture a resposta em seções claras: 1) Diagnostico: descreva por que o modelo pode fazer alterações inesperadas, incluindo copy-paste illusion e post-hoc rationalization; 2) Sinais de alerta: liste mudanças típicas (nomes de variáveis, cabeçalhos, imports, estilo, comportamento); 3) Abordagens de prompt seguro: proponha constraints como nao tocar o resto, retornar apenas o patch com diff, usar diffs e validação; 4) Protocolo de validação: proponha um conjunto de testes automatizados, diffs e cenários para verificar consistência; 5) Metricas de avaliacao: acuracia da modificacao pretendida, incidencia de alterações indesejadas, tempo de resposta; 6) Tecnicas para mitigar: prompts com limites explicitos, checagens de consistencia, isolamento de mudanças; 7) KV Cache e outras limitacoes de estado: descreva como caches de conhecimento podem influenciar o raciocinio do modelo e como reduzir esse efeito; 8) Exemplos de prompts de seguranca: forneca 3 exemplos de prompts com restricoes variadas; 9) Casos de teste: inclua cenários hipotéticos com codigo simples, como adicionar um botao sem tocar o resto, e como o modelo deve responder; 10) Conclusao pratica. Observacoes: utilize portugues claro; nao inclua informacoes confidenciais; se o codigo incluir partes sensiveis, apresente apenas o diff de patchs. Saida esperada: um conjunto estruturado com Diagnostico, Estrategias, Casos de Teste, Metricas, Mitigacoes, e Glossario. Glossario rapido: KV Cache, post hoc rationalization, copy-paste illusion.