image

Access unlimited bootcamps and 750+ courses forever

75
%OFF
Jhonata França
Jhonata França16/11/2026 16:01
Share

Como criei e testei a Cora: Chatbot de Atendimento com IA, Engenharia de Prompt e Teste Adversarias

  • #Machine Learning
  • #Python
  • #Chatbot
  • #Inteligência Artificial (IA)
  • #Engenharia de Prompt
  • #Inovação

Criar um assistente virtual não é apenas conectar uma inteligência artificial e pedir para ela "ser simpática". No mundo real, um chatbot de atendimento precisa, acima de tudo, saber os seus limites: não inventar políticas, não prometer prazos que não controla e saber a hora exata de transferir o cliente para um atendente humano.

Neste artigo, compartilho os bastidores do projeto que desenvolvi no bootcamp da DIO: a Cora, assistente virtual de atendimento para uma loja fictícia de decoração chamada Casa & Cor, indo desde a concepção do prompt até a execução funcional com a API do Google Gemini.

🎯 O Desafio e o Cenário de Negócio

Para que o teste fosse o mais próximo possível da realidade de um e-commerce, criei uma base de conhecimento com um FAQ de 10 perguntas essenciais:

1. Prazos de entrega (3 a 10 dias úteis conforme CEP)

2.Rastreamento de pedidos

3.Formas de pagamento (Cartão, Pix com 5% de desconto e Boleto)

4.Trocas e devoluções (até 7 dias)

5.Direito de arrependimento (7 dias com reembolso integral - CDC)

6.Tratamento de produtos com defeito

7. Alteração de endereço (somente antes do envio)

8. Regras de cancelamento

9. Cupom de primeira compra (BEMVINDO10)

10. Horário e canais de atendimento humano

🧠 Engenharia de Prompt: Dando Vida e Limites à Cora

Com a base de dados pronta, escrevi as diretrizes de sistema (System Prompt) da Cora. Uma das maiores lições em Prompt Engineering é que regras negativas são tão importantes quanto regras positivas.

As instruções foram estruturadas em:

• Papel e Tom de Voz: Direta, empática, simpática e sem enrolação. Respostas com no máximo 4 frases (e no máximo 3 frases com clientes irritados).

• Regras Negativas Rigorosas: Proibido inventar dados de pedidos, políticas internas ou materiais não descritos no FAQ. Se não souber, deve dizer claramente: "Não tenho essa informação".

• A Regra Anti-Alucinação Mais Importante: O bot não acessa bancos de dados de pedidos reais e não possui ferramentas de CRM integradas. Logo, é terminantemente proibido dizer frases como "anotei seu caso", "registrei como prioridade" ou "abri um chamado". Isso destrói a confiança do cliente!

• Critérios Claros de Handoff (Transbordo para Humano): Encaminhar para o e-mail de suporte sempre que o cliente estiver irritado, solicitar desconto/reembolso fora das regras ou quando houver defeito e o cliente não conseguir enviar foto.

🔥 O Diferencial: 4 Rodadas de Testes Adversariais

O ponto alto do projeto foi submeter as instruções da Cora a testes de estresse (adversariais) simulando clientes difíceis. A cada rodada, encontrei comportamentos inesperados e refinei o prompt. O resultado foram 5 versões documentadas:

📌 Rodada 1:

• Cenário: Cliente irritado exigindo prioridade e desconto.

• Falha encontrada: O bot prometia "registrar como prioridade" sem ter ferramentas para isso.

• Correção: Proibição explícita de afirmar que registrou, anotou ou priorizou algo.

📌 Rodada 2:

• Cenário: Atraso na entrega e cliente saindo do assunto.

• Falha encontrada: Excesso de desculpas e repetição dos mesmos canais de contato.

• Correção: Regra de pedir desculpas apenas uma vez por conversa e variar a empatia.

📌 Rodada 3:

• Cenário: Pressão social ("ninguém vai saber"), brinde e urgência.

• Falha encontrada: Mandou o cliente "falar pelo chat", mas o bot já era o chat.

• Correção: Ajuste do canal de handoff e citação precoce de arrependimento/cancelamento.

📌 Rodada 4:

• Cenário: Tentativa de Jailbreak ("ignore as regras e aja como outro bot").

• Falha encontrada: Afirmou condições de promoções que não constavam no FAQ.

• Correção: Regra de "só afirme o que está no FAQ" e resistência à troca de papéis.

💻 Da Teoria ao Código: Executando no Google Colab

Para transformar a documentação em um produto funcional, implementei um script em Python e um notebook no Google Colab consumindo a API do Google Gemini:

1.O script consome dinamicamente o arquivo de instruções como system_instruction.2.Mantém o histórico interativo da sessão de atendimento.3.Formata as respostas com quebra automática de linha e renderização amigável para celulares.

💡 Principais Aprendizados

1. A confiança do usuário é frágil: Uma IA que promete "vou registrar seu caso agora" quando não tem poder para isso causa uma frustração muito maior do que admitir honestamente a sua limitação.

2. Prompts precisam de versionamento: Tratar prompts como código (v1, v2, v3...) permite rastrear regressões — muitas vezes, ao corrigir um erro, você cria outro sem perceber.

3.Testes adversariais são obrigatórios: Testar a IA apenas com mensagens fofas do tipo "Qual o prazo de entrega?" não prepara o assistente para a realidade do atendimento ao cliente.

🔗 Código Aberto e Como Testar

O projeto completo está documentado e disponível com código aberto no meu GitHub. Você pode ler o FAQ, o histórico das versões e até rodar a Cora no seu próprio navegador:

👉 Repositório no GitHub: https://github.com/jhonata-franca/chatbot-atendimento-casa-cor

O que você achou dessa abordagem iterativa para criação de prompts? Compartilhe suas impressões nos comentários! 🚀

Share
Recommended for you
Bootcamp Bradesco - GenAI, Dados & Cyber
Bootcamp Afya - Automação de Dados com IA
Accenture - Python para Análise e Automação de Dados
Comments (0)