Auditoria de comportamento de IA: memória, rastreabilidade e melhoria de prompts para aplicativos de biblioteca musical

Prompt de auditoria de IA para melhoria de prompts em aplicativos de biblioteca musical. Contexto do estudo de caso: um modelo de linguagem, Claude, perdeu consistência de decisões ao longo de um projeto, tornando o aplicativo menos confiável e difícil de auditar. O objetivo é extrair causas, estratégias de mitigação e um conjunto de prompts e estruturas que previnam esse comportamento em projetos futuros. Instruções ao modelo: - Fornecer resumo do caso em 3 frases; - Listar causas potenciais de falha de memória e de rastreabilidade de decisões; - Propor um framework de prompt com camadas para manter memória explícita, logs de ações e verificação de consistência; - Desenhar um protocolo de teste com etapas reproduzíveis, métricas e critérios de sucesso; - Incluir um modelo de relatório tipo COUNCIL com seções de resumo executivo, análise de causa raiz, medidas de mitigação, padrões de prompt, plano de melhoria e checklist de QA; - Fornecer templates de prompts de projeto para iniciantes, além de prompts de monitoramento de memória para uso contínuo; - Sugerir métricas de desempenho, um quadro de avaliação e critérios de aceitação; - Sugerir tags, palavras chave e um nome de tópico para facilitar indexação; - Incluir recomendações de integração com um app de biblioteca musical, como gerenciamento de metadados, preferências do usuário e fluxos de pesquisa.