Enriquecimento de Prompts

O enriquecimento de prompts é o processo automatizado de adicionar programaticamente contexto ou informações relevantes ao prompt inicial de um usuário antes que ele seja enviado a um modelo de IA, especialmente um Modelo de Linguagem Grande (LLM). O objetivo é transformar uma consulta de usuário simples ou ambígua em uma instrução detalhada, específica e sensível ao contexto. Esta etapa de pré-processamento ajuda o modelo de IA a entender melhor a intenção do usuário, levando a respostas significativamente mais precisas, personalizadas e úteis, sem alterar o modelo em si.

Como o Prompt Enrichment Funciona

O enriquecimento de prompts atua como uma camada de middleware inteligente. Quando um usuário envia uma consulta, um sistema automatizado a intercepta. Este sistema então coleta dados contextuais de várias fontes, como perfis de usuário, histórico de conversas, dados de sessão (como tipo de dispositivo ou localização) ou bancos de dados externos. Em seguida, injeta dinamicamente essas informações no prompt original. O prompt "enriquecido" resultante, agora contendo tanto a consulta do usuário quanto o contexto adicionado, é finalmente passado para o LLM para processamento. Isso melhora a capacidade do modelo de realizar tarefas complexas de Compreensão de Linguagem Natural (NLU).

Aplicações no Mundo Real

1. Suporte ao Cliente Personalizado: Um usuário interage com um chatbot de e-commerce e digita: "Onde está meu pacote?" O sistema de enriquecimento de prompt pode buscar automaticamente os detalhes da conta do usuário e o número do pedido mais recente de um banco de dados CRM. O prompt enviado ao modelo se torna: "O cliente com ID 98765 está perguntando sobre o status de seu pedido mais recente, #ABC-12345. Consulta original do usuário: 'Onde está meu pacote?'" Isso permite que o agente de atendimento ao cliente orientado por IA forneça uma atualização instantânea e específica, em vez de pedir informações de esclarecimento.
2. Recomendação de Conteúdo Mais Inteligente: Um usuário de um serviço de streaming diz: "Recomende um filme." Isso é muito vago para uma boa recomendação. O processo de enriquecimento pode aumentar este prompt com dados como o histórico de visualização do usuário, suas preferências de gênero declaradas e a hora do dia. O prompt final pode ser algo como: "O usuário gostou recentemente de thrillers de ficção científica e dramas históricos. É sábado à noite. Recomende um filme que se encaixe nesses critérios." Isso leva a uma sugestão mais relevante do sistema de recomendação e melhora a experiência do usuário por meio da personalização.

Enriquecimento de Prompts vs. Conceitos Relacionados

É importante distinguir o enriquecimento de prompt de termos semelhantes:

• Engenharia de Prompt: Esta é a ampla disciplina de projetar prompts eficazes. O enriquecimento de prompt é uma técnica específica e automatizada dentro da engenharia de prompt que se concentra em adicionar contexto dinâmico à entrada de um usuário.
• Geração Aumentada por Recuperação (RAG): RAG é um tipo poderoso e específico de enriquecimento de prompt. Ele se especializa em recuperar informações factuais de uma base de conhecimento externa para fundamentar a saída do modelo e evitar alucinações. Embora RAG seja uma forma de enriquecimento, o enriquecimento também pode usar outras fontes de contexto, como dados da sessão do usuário, que não fazem parte de uma base de conhecimento estática.
• Encadeamento de Prompts: Esta técnica divide uma tarefa em uma sequência de múltiplos prompts interconectados, onde a saída de um prompt alimenta o próximo. O enriquecimento, por outro lado, modifica um único prompt antes de ser processado. Uma etapa de enriquecimento de prompt pode fazer parte de uma cadeia maior, frequentemente como a etapa inicial. Outras técnicas como Prompting Chain-of-Thought (CoT) se concentram em melhorar o raciocínio dentro de uma única interação.
• Ajuste de Prompt (Prompt Tuning): Este é um método de treinamento de modelos. Como uma técnica de ajuste fino com eficiência de parâmetros (PEFT), ele adapta o comportamento de um modelo treinando um pequeno conjunto de novos parâmetros. O enriquecimento de prompt é uma técnica de tempo de inferência que manipula a consulta de entrada e não altera os pesos do modelo.

Embora mais comum no Processamento de Linguagem Natural (PNL), a ideia central é aplicável em todo o aprendizado de máquina. Em visão computacional, um conceito semelhante poderia envolver a adição de metadados (por exemplo, localização, hora) a uma imagem para melhorar o desempenho de um modelo como o Ultralytics YOLO11 em uma tarefa de detecção de objetos. Plataformas MLOps como o Ultralytics HUB fornecem a infraestrutura necessária para uma implantação de modelo robusta, onde pipelines de entrada sofisticados usando enriquecimento e frameworks como LangChain ou LlamaIndex podem ser implementados.