Framework CLARO para domar prompts e parar com as alucinações da IA

Estimated reading time: 5 minutos

Quem nunca pediu um resumo inofensivo para uma IA e recebeu de volta um dado completamente inventado com a maior convicção do mundo, que atire a primeira pedra…

A sensação é de pura frustração. Você acha que vai economizar duas horas de trabalho e passa três consertando o que o modelo tirou das vozes da cabeça dele.

E não, não é só impressão sua:

• Um estudo da Purdue University analisou respostas de ferramentas de IA para engenharia de software e identificou erros em 52% dos casos.
• O Stanford AI Index Report já apontou que reduzir alucinações virou a maior dor de cabeça (e de investimento) dos times de tecnologia.

Mas calma, minha senhora… Não precisa entrar em pânico nem desistir de usar as IAs na sua rotina. O grande segredo não é ter sorte com o modelo, e sim assumir o controle do que você coloca na caixinha de entrada. É aqui que entra o Framework CLARO, uma obra criada por mim em conjunto com algum modelo de IA que eu uso bastante rss.

A ideia é ter uma estrutura enxuta e prática que eu uso para blindar meus comandos contra respostas sem pé nem cabeça, e eu vou compartilhar com você porque eu sou muito legal (=D).

O que é o Framework CLARO?

Pensa na IA generativa não como um cérebro pensante, mas como um estagiário ultra veloz que quer te agradar a qualquer custo. Se você deixa uma lacuna aberta, ele não vai te perguntar o que fazer… ele vai inventar algo plausível para preencher o espaço.

O Framework CLARO organiza a conversa em 5 travas de segurança:

C  Contexto e Persona
L  Limites e Restrições
A  Ação e Raciocínio
R  Referências e Exemplos
O  Output e Formato

Cada letra fecha uma porta para a improvisação do modelo.

Os 5 pilares explicados sem complicação:

• C — Contexto e Persona: Quem a IA representa nessa tarefa e qual é o cenário de fundo.
• L — Limites e Restrições: A regra de ouro. O que o modelo NÃO pode fazer de jeito nenhum.
• A — Ação e Raciocínio: O passo a passo exato do que precisa ser executado.
• R — Referências e Exemplos: Casos reais e amostras do resultado que você espera.
• O — Output e Formato: Como você quer essa resposta entregue (tabela, JSON, checklist, texto corrido).

Como diz a pesquisadora Sarah Jones:

“Modelos generativos não pensam por conta própria; eles apenas seguem probabilidades. Quando você restringe o espaço amostral com regras claras, você erradica a margem para invenções.”

Na prática: aplicando os pilares no dia a dia

1. Contexto e Persona com peso real

Chega de usar “aja como um redator”. Isso não diz quase nada pro modelo. Experimente dar bagagem:

“Você é um analista de dados sênior, com foco em auditoria rigorosa e postura analítica cética.”

O vocabulário muda na hora, e o modelo passa a priorizar validação em vez de criatividade solta.

2. Limites rígidos (a trava anti-alucinação)

Aqui está o pulo do gato: dê autorização explícita para a IA dizer que não sabe. Se você não disser isso, ela vai inventar. Coloque no prompt:

“Se a resposta não estiver presente no arquivo enviado, responda exclusivamente: ‘Dado ausente no documento’. Não deduza nada fora do texto.”

Pronto. O modelo para de tentar adivinhar o futuro.

3. Ação, Raciocínio e Exemplos reais

Para tarefas complexas, force o modelo a pensar em voz alta antes de cuspir o resultado final. E sempre que puder, dê um exemplo (a famosa técnica few-shot)… Mostrar um exemplo perfeito de entrada e saída vale mais do que três parágrafos de explicações teóricas.

Templates prontos do Framework CLARO para salvar

Para facilitar sua vida, separei 3 modelos prontos que você pode copiar e ajustar para o seu contexto:

1. O Template Mestre (para relatórios, análises e auditorias)

# 1. PERSONA E CONTEXTO
Você é um auditor sênior. Sua prioridade máxima é a precisão factual e a fidelidade absoluta aos dados fornecidos. Adote um tom direto e profissional.

# 2. TAREFA
Analise o documento abaixo e liste os principais riscos operacionais identificados.

# 3. DADOS DE ENTRADA
"""
[Cole o texto bruto aqui]
"""

# 4. REGRAS ANTI-ALUCINAÇÃO
1. Responda única e exclusivamente com base no texto acima.
2. Se a informação não estiver clara ou ausente, escreva: "Dado ausente no contexto".
3. Não deduza fatos. Aponte apenas o que está explícito.
4. Mantenha termos literais entre aspas.

# 5. RACIOCÍNIO PASSO A PASSO
Antes de gerar o resultado:
1. Leia o texto isolando as evidências.
2. Valide cada ponto encontrado.
3. Monte o resumo final.

# 6. FORMATO DE SAÍDA
Entregue em formato de lista estruturada com marcadores.

2. O Modelo para Tech Leads e Engenharia (RFCs para Backlog)

# 1. PAPEL E CONTEXTO
Você é um Tech Lead Sênior atuando como mentor de devs em início de carreira. Sua missão é quebrar decisões técnicas complexas em tarefas atômicas, claras e didáticas, focando em MVP.

# 2. ENTRADA
"""
[Cole aqui a RFC, notas da reunião ou arquitetura proposta]
"""

# 3. TAREFAS
1. Mapeie os passos lógicos ausentes no documento original.
2. Crie o detalhamento técnico em etapas sequenciais para implementação.

# 4. RESTRIÇÕES
1. Utilize somente a stack e os bancos citados no documento.
2. Não use abstrações genéricas; seja prescritivo nos passos.
3. Se faltar definição técnica de infra, indique: "A definir com o time".

# 5. FORMATO DE SAÍDA
Divida em dois blocos:
BLOCO 1: ESTRATÉGIA TÉCNICA (Abordagem enxuta, riscos e alertas)
BLOCO 2: REFINAMENTO TÉCNICO (História, passo a passo de código, testes obrigatórios e critérios de aceite)

3. O Modelo para Produto e Negócios (Discovery para Especificação)

# 1. PAPEL
Você é uma Product Manager Sênior focada em experiência do usuário e geração de valor de negócio. Você não escreve sobre código ou bancos de dados.

# 2. CONTEXTO
Considere as dores dos clientes e anotações de discovery coladas abaixo.

# 3. TAREFA
Transforme essas necessidades em uma especificação funcional clara, com critérios de aceite comportamentais.

# 4. RESTRIÇÕES
1. Termos proibidos: API, Banco de Dados, Query, JSON, Endpoint. Use palavras de negócio: Sistema, Informação, Tela.
2. Descreva apenas ações visíveis para a pessoa usuária.

# 5. FORMATO DE SAÍDA
- Resumo do valor para o negócio
- O que está FORA do escopo
- Critérios de aceite (cenários de sucesso e regras de tela)
- Métricas de sucesso recomendadas

O truque final: force a IA a auditar o próprio trabalho

Antes de fechar o prompt, adicione sempre esse pequeno bloco no final:

# ETAPA DE REVISÃO OBRIGATÓRIA
Antes de enviar a resposta final, revise linha por linha:
- Cada afirmação feita tem respaldo direto no texto de entrada?
- Se você encontrar qualquer conclusão deduzida ou inventada, delete imediatamente.

Essa simples autoanálise obriga o modelo a rodar uma checagem interna antes de entregar a resposta. É impressionante como limpa os excessos.

Dica: Para validar detalhes de integração de LLMs em sistemas corporativos, consulte a documentação do Google Cloud Vertex AI e as diretrizes do W3C AI Standards.

Dúvidas rápidas que sempre aparecem por aqui:

No final das contas, engenharia de prompt não é sobre mágica ou palavras secretas… É sobre clareza, alinhamento de expectativas e limites bem definidos.

Você já testou colocar restrições explícitas assim nos seus comandos? Me conta nos comentários como você tem lidado com as alucinações por aí!