Começa por uma tarefa com resultado observável
Escolhe uma tarefa concreta e define o que torna a resposta utilizável antes de reunir exemplos. Indica o destinatário, a finalidade, os dados necessários e os limites do assistente. Quando o objetivo está claro, consegues selecionar casos que ensinam uma decisão específica, em vez de juntar textos que apenas parecem bem escritos.
Eu quero que a IA trabalhe com a minha forma de pensar, com os critérios do negócio e com o contexto que lhe forneço. Para isso, preciso de tornar esses critérios compreensíveis. Uma pasta cheia de resultados sem explicação deixa parte essencial da avaliação apenas na minha cabeça.
Imagina uma empresa fictícia que usa um assistente para responder a pedidos de demonstração. O objetivo pode ser esclarecer o próximo passo e recolher uma informação em falta. Uma resposta longa sobre a história da empresa pode estar correta e continuar a ser inadequada àquele pedido.
Guarda o pedido original junto da resposta. Sem ele, quem consulta o exemplo pode confundir uma decisão própria daquele caso com uma regra geral. Regista também qual a informação disponível no momento, porque uma boa resposta depende do que era possível saber e fazer.
Esta preparação faz parte de dar contexto à IA sem despejar informação sem critério. Cada exemplo deve justificar o espaço que ocupa. Se não ensina uma escolha, um limite ou uma exceção relevante, provavelmente pode ficar no arquivo de trabalho em vez de entrar nas instruções principais.
Para preparar o próximo passo, consulta Assistentes de IA para conhecimento interno.
Separa erro factual, desvio de tarefa e preferência
Classifica o motivo da avaliação para que o assistente perceba o que precisa de mudar. Um preço inventado é um erro factual; responder a outra pergunta é um desvio da tarefa; preferir frases mais curtas é uma escolha de estilo. Estas categorias exigem correções diferentes e não devem receber apenas a mesma etiqueta de reprovação.
No exemplo da demonstração, inventar uma data disponível invalida o compromisso apresentado. Uma resposta com a data correta, mas sem explicar como confirmar a marcação, pode estar incompleta. Já uma introdução demasiado formal pode precisar apenas de edição, mantendo toda a informação factual que estava bem.
Evita escrever somente “não gostei”. Acrescenta a razão e o resultado desejado: “A abertura demora a chegar ao pedido; começa pela confirmação do próximo passo.” Esta indicação permite corrigir a resposta sem fazer desaparecer informação importante nem obrigar o assistente a adivinhar uma preferência pessoal.
Também convém reconhecer o que estava certo numa resposta rejeitada. Podes preservar a clareza do resumo e corrigir uma promessa indevida. Se classificares tudo como mau, o próximo resultado pode abandonar precisamente a parte que querias manter, criando trabalho de revisão sem necessidade.
Uma preferência precisa de âmbito. Gostar de um tom descontraído num anúncio não significa querer esse tom numa resposta a uma reclamação. Regista o canal, o público e a situação em que a preferência se aplica, para que a biblioteca ensine adaptação em vez de uniformizar todas as conversas.
Constrói pares que tornem a diferença evidente
Apresenta a resposta inadequada ao lado de uma versão corrigida e explica a alteração decisiva. Sempre que possível, mantém o pedido e o contexto iguais. Assim, o contraste mostra o critério que mudou, sem confundir o efeito de uma correção com diferenças de público, informação disponível ou objetivo comercial entre os dois exemplos.
Num caso hipotético, a versão inadequada confirma uma funcionalidade que não consta da documentação. A versão corrigida explica o que está documentado e pede validação sobre o ponto restante. O ensinamento é preservar a fronteira entre informação confirmada e hipótese, não decorar uma frase específica.
Noutro par, ambas as versões podem estar factualmente certas. A diferença está em uma apresentar três próximos passos incompatíveis e a outra escolher o passo adequado ao pedido. Aqui, o critério é clareza de encaminhamento. Escreve isso junto do exemplo, para a escolha não parecer uma preferência aleatória.
Se trabalhas variações de anúncios com IA, podes contrastar dois textos que mudam apenas palavras com dois textos que exploram motivações diferentes. A explicação deve identificar a mudança de argumento. Trocar adjetivos sem mudar a hipótese não ensina ao assistente o que consideras uma variação útil.
Não precisas de reescrever tudo em cada par. Isolar a passagem que causou o problema ajuda a ver a decisão, desde que o contexto necessário permaneça acessível. Conserva a resposta integral no registo de origem e leva para a biblioteca apenas o que permite compreender e aplicar o critério.
Mantém a biblioteca pequena, identificada e atual
Organiza os exemplos por tarefa e atribui a cada um um identificador, uma data e uma nota sobre a decisão. Distingue regras permanentes de preferências locais e exceções. Revê casos duplicados ou incompatíveis quando o processo mudar, para o assistente não receber orientações antigas e novas como se tivessem exatamente o mesmo valor.
Uma biblioteca inicial pode cobrir uma resposta aceite, um erro factual, um desvio de tom e uma situação em que falta informação. Não existe uma quantidade mágica. O conjunto deve representar diferenças que realmente importam ao trabalho, sem repetir dezenas de vezes o mesmo padrão com palavras ligeiramente diferentes.
Preserva o histórico de alterações sem carregar todo esse histórico em cada tarefa. Se uma condição comercial mudou, o exemplo antigo pode continuar útil para compreender uma decisão passada. Precisa, porém, de ficar marcado como histórico e fora das referências aplicáveis às propostas atuais.
Usa exemplos fictícios ou materiais que podes reutilizar naquele contexto. Se um caso real contém informação de um cliente, retém apenas os elementos necessários para ensinar o critério e respeita os acessos definidos. Uma biblioteca de aprendizagem não deve tornar informação restrita disponível a pessoas que não precisam dela.
Define quem pode validar uma regra. O assistente pode sugerir que várias correções apontam para a mesma preferência, mas essa interpretação precisa de confirmação quando altera a forma de trabalhar. Um elogio pontual a uma peça não deve transformar-se automaticamente numa obrigação para todos os conteúdos futuros.
Confirma se os exemplos melhoram pedidos novos
Testa a biblioteca em pedidos que não tenham servido para construir os exemplos e compara o resultado com critérios definidos antecipadamente. Verifica factos, adequação e utilidade, além do estilo. O objetivo é perceber se o assistente aplica a decisão a situações novas, em vez de repetir a formulação do exemplo que acabou de receber.
Reserva alguns casos para essa avaliação. Podem incluir uma pergunta completa, uma lacuna e um pedido com condições diferentes das habituais. Regista quais os exemplos fornecidos e qual a versão das instruções, para conseguir relacionar uma melhoria ou uma falha com a alteração feita.
A escolha do modelo para a tarefa de negócio continua a importar, mas mudar de modelo não substitui uma avaliação clara. Se o critério permanece implícito, podes receber respostas diferentes sem saber qual está mais próxima do que precisas. Primeiro torna a avaliação observável; depois compara alternativas em condições semelhantes.
Quando um novo exemplo corrige uma falha, volta a testar casos que já funcionavam. Uma instrução para ser mais breve pode fazer desaparecer uma condição necessária. Uma instrução para pedir esclarecimentos pode gerar perguntas sobre dados já presentes. Melhorar exige observar também estes efeitos nas outras respostas.
Guarda o motivo da correção juntamente com a versão final. É esse raciocínio que permite reutilizar o trabalho quando a tarefa muda ou outra pessoa revê o assistente. A biblioteca deve ajudar a tomar decisões melhores, com menos dúvidas repetidas e com limites que a equipa consegue explicar.