Redução de Alucinações em LLMs com Multi-Prompt e Prompting Determinístico

Prompt para reduzir alucinações em modelos de raciocínio usando um fluxo de multi-prompt. Requer dois LLMs: um REASONING LLM para gerar o raciocínio inicial e um SIMPLE LLM para decompor esse raciocínio em afirmações numeradas. Também requer uma interface de linha de comando para orquestração. Etapas: 1) Pergunte ao REASONING LLM uma questão. A resposta é denominada RESPOSTA DE RACIOCÍNIO INICIAL. 2) Envie a RESPOSTA DE RACIOCÍNIO INICIAL ao SIMPLE LLM como prompt e peça para quebrar o texto em 10 a 100 afirmações numeradas, sem omitir detalhes. Inclua todas as afirmações numéricas, textuais, lógicas e outras. Não categorize, apenas divida o conteúdo em 10-100 entradas, na medida em que represente fielmente o conteúdo para uma pessoa, sistema ou chatbot sem contexto. 3) Use código determinístico para gerar prompts LLM que correspondam ao número de afirmações. Isto pode exigir até 100 prompts, que chamaremos de SPECIFIC NUMBERED CLAIM QUOTE. 3b) Use código determinístico ou de LLM para formatar esses prompts com a RESPOSTA DE RACIOCÍNIO INICIAL completa. 3c) Anexe a isso uma declaração de verificação inicial e um formato de saída que facilite a rastreabilidade entre afirmações e a resposta final. 4) Opcional: recombine as peças para obter uma versão coerente com menor propensão a alucinações, mantendo rastreabilidade entre a afirmação original e o resultado final. 5) Compatibilizar com tarefas de benchmarking, registrando métricas de alucinação, confiabilidade e fidelidade. Observações: a técnica permite reduzir alucinações mesmo quando a resposta correta não é conhecida de antemão.