Diagnóstico de fluxo de prompt na Imagine: restaurar consistência na geração de imagens após edições

Contexto: Em um aplicativo de geração de imagens chamado Imagine, o fluxo anterior permitia gerar imagens a partir de um prompt, depois o usuário podia editar o prompt no campo de texto em linguagem natural e reaplicar para obter resultados ajustados. Recentemente, ao repetir o fluxo, o sistema gera imagens aleatórias não relevantes. Objetivo: criar um prompt útil para ferramentas de IA que ajude a diagnosticar, reproduzir e resolver problemas de consistência na geração de imagens após edição de prompts, cobrindo causasPossíveis, testes práticos e estratégias de mitigação. Instruções para o prompt:

1) Reproduzir o problema:
- Descrever passos exatos para reproduzir o fluxo de geração original e o fluxo de edição seguida de reaplicação.
- Indicar ambiente (versão da app, navegador/cliente, seed, configurações de geração, parâmetros de imagem, filtros de moderação, atualizações recentes).

2) Hipóteses de causas (uma lista encaminhável para investigação):
- Parsing de prompt: alterações na forma como o prompt é lido e interpretado ao aplicar edições.
- Seeds e aleatoriedade: variações de seed entre gerações consecutivas.
- Caching: resultados em cache interferindo com o novo prompt.
- Parâmetros de geração: mudanças relativas a guidance, steps, scale, or quality.
- Moderação/filtros: mudanças nas regras de filtragem que afetam o conteúdo gerado.
- Mudanças no modelo: atualização ou re-treinamento que alterou a interpretação de prompts.
- Normalização de prompts: preprocessamento que pode extrair ou remover informações relevantes.
- Problemas de UI/UX: como o prompt é lido a partir do campo de entrada e enviado para o backend.

3) Testes e verificação (conjunto de testes práticos para confirmar ou refutar cada hipótese):
- Teste de seed fixo: usar a mesma seed com o prompt original e com edições subsequentes para verificar determinismo.
- Testes de prompt mínimos: enviar apenas o prompt essencial e comparar resultados.
- Testes de parsing: variar apenas a formatação (pontuação, aspas, quebras de linha) para observar impacto.
- Testes de cache: limpar cache, usar prompts idênticos em sessões diferentes.
- Testes de parâmetros: variação controlada de steps, CFG, tamaño, e saída.
- Testes de moderação: desabilitar filtros (quando seguro) para ver se o comportamento muda.
- Testes de backend: conferir logs de solicitação, seeds recebidos, e hashes de prompt gerados.

4) Prompts de teste (exemplos que podem ser usados para validar o comportamento):
- Prompt simples: "Crie uma paisagem ao entardecer com‑céu claro e montanhas ao fundo".
- Prompt com edição: "Crie uma paisagem ao entardecer com céu claro e montanhas ao fundo, incluindo lago refletindo as cores do pôr do sol".
- Prompt com variação de seed: manter conteúdo, alterar apenas a seed entre 1 e 2, e comparar resultados.

5) Estratégias de linguagem natural para influenciar resultados sem perder determinismo:
- Padronizar estrutura de prompts (tema, estilo, detalhes, restrições).
- Evitar ambiguidades; usar listas com itens claros.
- Utilizar prompts iniciados por contexto explícito de objetivo e restrições.

6) Recomendações de configuração para reduzir imagens irrelevantes:
- Fixar seed ou registrar seed utilizado.
- Ajustar parâmetros de geração (steps, CFG scale) para maior consistência.
- Verificar se há dependência de caches entre chamadas.
- Confirmar versões de modelo e APIs utilizadas.

7) Checklist de release para equipes de produto e engenharia:
- Reproduzibilidade documentada com logs de prompt/seeds.
- Tests automatizados cobrindo cenários de entrada e saída esperada.
- Registro de mudanças que possam impactar parsing/interpretation de prompts.
- Monitoramento de regressões após deploy.
- Guia de rollback para casos críticos.

8) Formato de saída desejado:
- Sumário executivo, seções estruturadas (Reprodução, Hipóteses, Testes, Recomendações, Checklists) e exemplos de prompts de teste. Se algo estiver ambíguo, peça esclarecimentos antes de agir.