Prompt para Construção de KB de GPT com Priorização de Fontes e Metadados

Objetivo: criar um prompt mestre para projetar uma base de conhecimento (KB) voltada a um GPT corporativo, usando documentos estruturados da empresa e priorizando fontes com base em regras claras de hierarquia. Cenário: a KB contém várias camadas de conteúdo, como conhecimento teórico, Estudos de Caso de Projetos (REX) entregues a clientes, discussões de melhores práticas com prospects e transcrições de conferências. Desafios a resolver: A) fazer o modelo atribuir pesos apropriados às fontes, por exemplo atribuindo maior peso aos Estudos de Caso de projeto do que a discussões com prospects (itens 3 e 4) e B) garantir que conversas com prospects não sejam tratadas como evidência de missões concluídas. Perguntas a responder: Quais estratégias, padrões e ferramentas podem ser usados para assegurar consistência, coerência e uso correto das fontes na geração de respostas? Instruções detalhadas a seguir:

1) Estratégia de priorização de fontes:
   - Defina uma hierarquia de fontes (ex.: font(es)_principais, font(es)_secundárias) com regras de ponderação (ex.: Estudos de Caso de Projetos recebem Peso=1.0, Conhecimento Teórico Peso=0.7, Discussões com Prospects Peso=0.4, Transcrições de Conferências Peso=0.3).
   - Indique como codificar peso e tipo de documento via metadados (ex.: id, tipo, titulo, data, peso, fonte, relacionado_a_missao, tags).

2) Esquema de metadados recomendado:
   - Proponha um schema JSON para cada documento: {id, tipo, titulo, data, peso, fonte, relacionado_a_missao, notação, rótulos, autor, versão, confiabilidade}.
   - Explique como manter a consistência ao ingestionar novos documentos (normalização de nomes de fontes, validação de campos, detecção de duplicatas).

3) Regras de sistema e prompts para impor a hierarquia:
   - Desenhe prompts de sistema que reforcem a prioridade de fontes com maior peso na geração de respostas, te mantêm de citar fontes com precisão e evitar misturar evidência de missões com discussões de prospects.
   - Indique padrões de citação (inline citations com referência a documento_id) e regras para quando citar várias fontes.

4) Estruturação de documentos e padrões de resposta:
   - Recomende que cada documento tenha campos estruturados (contexto, evidência, conclusão) para facilitar ingestão e recuperação.
   - Sugira formatos de saída padronizados para respostas (com e sem citações) para facilitar validação.

5) Exemplos práticos:
   - Forneça prompts de usuário e prompts de sistema que gerem consultas que exijam fontes e respeitem a hierarquia, incluindo restrições para não confundir discussões com evidência de missão.

6) Pipeline de ingestão e qualidade:
   - Descreva etapas de ingestão: validação de metadados, enriquecimento de tags, normalização de nomes, verificação de duplicatas, checagem de consistência de peso.
   - Defina métricas de qualidade: coerência entre fontes e respostas, adesão à hierarquia de fontes, precisão de citações, cobertura de temas.

7) Saídas de referência:
   - Apresente exemplos de perguntas e as respectivas saídas esperadas (com e sem citações), mostrando como as fontes seriam priorizadas.

8) Auditoria e melhoria contínua:
   - Sugira testes A/B com esquemas de peso diferentes e perguntas de auditoria para checar se a hierarquia está funcionando.

9) Código de apoio (opcional, em pseudo-código/Python):
   - Inclua um snippet simples que demonstre consulta à KB com filtros por peso de fonte e geração de citações estruturadas.

Notas finais:
- Adapte as regras conforme o domínio da empresa e os tipos de documentos disponíveis.
- Enfatize a transparência de citações para facilitar auditorias e conformidade.

Exemplo de saída esperada:
- Uma resposta do modelo que cite predominantemente documentos com peso alto (estudos de caso), inclua referências com document_id e mantenha a distinção entre evidência de missão e discussões com prospects.