Prompt Mestre: Engenharia de Prompts para OCR de Faturas com Aprendizado Iterativo

Objetivo: construir um prompt mestre para engenharia de prompts voltado a extrair dados de faturas via OCR com melhoria iterativa entre templates. Recomenda-se usar com LLMs de chat, especialmente ChatGPT, devido a boa gestão de contexto, suporte a prompts encadeados e integração com pipelines de validação. Instruções: 1) Saída alvo: um JSON com os campos invoice_date ISO 8601, due_date ISO 8601 opcional, description string, total_amount decimal, taxes_amount decimal opcional, line_items int opcional, invoice_number string, vendor string, currency string default USD, confidence float entre 0 e 1. 2) Regras de extração: priorizar campos obrigatórios; se nao for possivel retornar null; usar termos proximos de labels comuns como Date, Invoice Date, Due Date; suportar idiomas adicionais com fallback para ingles quando necessario. 3) Estrutura de Iteracao: descreva um ciclo de melhoria com: prompt base, calibracao com a primeira fatura, aplicacao de regras de regex e transformacao, avaliacao de acuracia por campo, quando encontrado novo template gerar prompts de refinamento automaticos que cobrem variações de layout. 4) Exemplos de Few Shot: inclua 2 a 3 faturas simuladas com layouts diferentes e as saidas esperadas. 5) Fluxo de integracao: OCR -> prompt mestre -> saida JSON -> pipeline de validacao -> UI de correcao humana. 6) Metricas: acuracia por campo, tempo de inferencia, precisao e recall de extracao, taxa de rejeicao por ambiguidades. 7) Armadilhas: faturas com varias paginas, itens em varias linhas, impostos diferentes, moedas distintas, linguagem mista. 8) Prompt final de exemplo: forneca o prompt completo a ser usado pelo modelo e a estrutura de saida. Notas: o objetivo eh criar prompts que sejam robustos a novos templates sem reescrever o core, mantendo alta precisao.