Prompt para Maximizar Consistência de Saídas em LLMs

Objetivo: criar um prompt pronto para uso que ajude a explorar, medir e aumentar a consistência de saídas de LLMs. Baseado no insight de que a consistência (repetibilidade) é mais importante que apenas parecer inteligente. Instruções: 
1) Identifique tarefas com alta estabilidade de saída (ex.: sumarizar textos longos mantendo tom/limite de comprimento; extrair campos específicos; classificar ou agrupar conteúdo). 
2) Gere 6–8 prompts-modelo prontos, cada um com: objetivo claro; instruções de entrada (formato de dados); saída esperada (formato); diretrizes de consistência (por exemplo, manter saída estável ante variações pequenas de entrada); 2 exemplos de entrada/saída para cada modelo. 
3) Proponha um protocolo de avaliação de consistência: métricas (similaridade entre saídas de variações, consistência de tom, coesão entre subtópicos); cenários de teste (variações sintáticas, sinônimos, mudanças de contexto). 
4) Inclua padrões de prompt engineering para aumentar a consistência: usar sistema prompt estável, formatos de saída padronizados (ex.: JSON), templates de instruções, validação automática de saída. 
5) Descreva como estruturar um mini-benchmark: dataset de entradas, variações, critérios de aceitação, interpretação de resultados. 
6) Discuta trade-offs entre consistência e precisão, e quando a consistência devia prevalecer. 
7) Dado que diferentes ferramentas de IA podem ser usadas, inclua orientações para adaptar o prompt a elas; 
8) Recomendação de ferramenta: indique qual modelo é mais adequado (com breve justificativa). 
Entregáveis esperados: 
(a) conjunto de prompts prontos, 
(b) protocolo de avaliação com métricas, 
(c) guia rápido de implementação. 
Observações: mantenha as saídas previsíveis, evite dependência de contexto externo instável. 
Formatos de saída sugeridos: prefira SAÍDA padronizada em JSON para facilitar validação.