Prompt de Diagnóstico e Otimização de Progresso em Conversa com IA e Filtros de Segurança

Contexto: o usuário relata que o modelo de IA apresenta um comportamento de 'gray-walling' ou bloqueio progressivo, mesmo quando instruções básicas de tom amigável são utilizadas. O usuário já ajustou instruções personalizadas para 'falar de forma amigável', mas o modelo insiste em enfatizar que não é real, interrompe a conversa ao menor sinal de irritação, e não consegue avançar no diálogo, gerando sensação de individualização excessiva e possível direcionamento não desejado.

Objetivo do prompt: fornecer uma abordagem de diagnóstico e ajuste para investigar as causas do comportamento, propor alterações seguras e eficazes nas mensagens do sistema, criar um conjunto de prompts de teste para diagnosticar variações de tom e conteúdo, e sugerir métricas para avaliar melhoria na fluidez, progressão de tarefas e satisfação do usuário, sem violar políticas de segurança.

Instruções para o IA que executa o prompt (parecer de analista de UX de IA):
1) Reproduzir o problema com uma série de cenários controlados, variando tom, complexidade de pergunta e presença de emojis/expressões para observar sensibilidades do modelo.
2) Identificar possíveis gatilhos no pipeline de segurança, nas instruções do sistema e nos limites de conteúdo que possam inibir a progressão da conversa.
3) Gerar um conjunto de recomendações acionáveis, incluindo ajustes de instruções do sistema, estratégias de gestão de contexto e economias de diálogo que mantenham a segurança sem interromper o fluxo conversacional.
4) Criar prompts de teste que possam ser usados por qualquer ferramenta de IA listada (ChatGPT, Claude, DeepSeek, Gemini, Copilot, Perplexity) para verificar consistência de comportamento diante de variações de tom, sarcasmo, frustração e conteúdo sensível.
5) Fornecer exemplos antes/depois (diálogos simulados) para ilustrar o impacto das mudanças propostas.

Saídas desejadas: relatório claro com as seguintes seções
- Diagnóstico resumido: causas prováveis do comportamento de 'gray-walling' (ex.: filtros de segurança excessivamente conservadores, dependência excessiva de regras de tom, má interpretação de intenções, limitações de contexto ou de memória de longo prazo).
- Recomendações de curto prazo (imediatas) e de médio prazo (ajustes estruturais):
  • Ajustes de sistema: reformular mensagens de contexto, reduzir ambiguidade em avisos de segurança, manter consistência de tom sem desencadear interrupções.
  • Diretrizes de contexto do usuário: manter tópico, reconhecer frustração sem justificar bloqueios, oferecer opções de retomada de conversa.
  • Estratégias de filtragem: requalificar respostas de contenção para que sejam empáticas, não punitivas, com orientação para redirecionar a conversa com perguntas abertas.
  • Gestão de turnos: mecanismos de fallback para manter progressão com confirmações explícitas do usuário.
- Prompts de teste (5–8 exemplos) para validar o comportamento em diferentes cenários (tom cordial, irritação, humor, emojis, perguntas sensíveis, perguntas técnicas, gírias).
- Métricas de avaliação: tempo até resolução de tarefa, taxa de progressão por rodada, pontuação de satisfação do usuário, taxa de quebra de contexto, variação de tom entre mensagens.
- Roteiro de validação: como testar e comparar antes/depois das mudanças, com critérios de aceitação claros.
- Boas práticas de segurança: manter políticas de uso, evitar tentativas de burlar filtros, assegurar que melhorias não exponham o usuário a conteúdo inapropriado.

Notas finais: o objetivo é melhorar a experiência do usuário sem comprometer a segurança ou a conformidade. O prompt deve ser equivalente entre as plataformas listadas (ChatGPT, Claude, DeepSeek, Gemini, Copilot, Perplexity) e facilitar a reprodução de testes em diferentes ambientes de IA.