O que um projeto com IA me ensinou sobre a importância de definir limites para uma LLM
Durante uma mentoria com a Valéria Baptista no DIO Campus Expert, uma das reflexões que mais chamou minha atenção foi a importância de compartilhar aquilo que aprendemos. Não basta concluir um curso ou obter uma certificação; consolidamos ainda mais o conhecimento quando conseguimos transformar nossa experiência em um aprendizado que também pode ajudar outras pessoas.
Por isso, lembrei do projeto final que desenvolvi no bootcamp Bradesco – GenAI e Dados, da DIO: o FinAssist, um assistente financeiro conversacional por voz e texto.
Antes de iniciar o projeto, eu imaginava que o maior desafio seria integrar a API da OpenAI à aplicação. Na prática, a integração foi mais tranquila do que eu esperava. O verdadeiro desafio foi garantir que a LLM respeitasse as regras de negócio da aplicação sem alterar informações que precisavam permanecer exatamente como foram geradas pelo backend.
Para isso, defini uma arquitetura simples:
- O backend determinístico é responsável pelos cálculos e pela geração da resposta original.
- O LLM (via API da OpenAI) é utilizada para:
- Reescrever as respostas geradas pelo backend para melhorar a clareza, preservando rigorosamente números, valores e unidades e responder perguntas não mapeadas (fallback), utilizando o contexto da conversa.
Mesmo com instruções no prompt como "Responda em PT-BR e use R$" e "Não invente dados, produtos ou informações do cliente", o modelo ainda realizava pequenas alterações que comprometiam a precisão das respostas. Em alguns casos, removia o cifrão dos valores monetários (por exemplo, R$ 500,00 → R 500,00) e acrescentava a expressão "ao ano" em simulações com prazo de seis meses, modificando o significado da resposta produzida pelo backend.
Figura 1. Resposta antes do refinamento do prompt.
Foi nesse momento que compreendi, na prática, a importância da engenharia de prompts. A solução foi tornar as instruções muito mais específicas e restritivas, por exemplo:
- Preserve **rigorosamente** todos os números, valores e unidades de tempo da resposta original.
- **NUNCA** adicione "ao ano", "ao mês", "após X meses" se não estiver no original.
- **Sempre use "R$" (com cifrão) antes de qualquer valor monetário. Exemplo: "R$ 500,00".**
Com esses ajustes, o modelo passou a responder de forma muito mais consistente e alinhada às regras da aplicação.
Figura 2. Resposta após o refinamento do prompt
O principal aprendizado que levo desse projeto é que integrar uma LLM é apenas parte do trabalho. Também é preciso definir claramente seu papel dentro da aplicação e estabelecer limites para que ela complemente as regras de negócio, em vez de modificá-las.
E você? Quais estratégias utiliza para garantir que uma LLM respeite as regras do seu sistema? Compartilhe nos comentários!
#GenAI #LLM #EngenhariaDePrompts #DIOCampusExpert #InteligênciaArtificial
