Lucas, "traduzir e estruturar dados complexos de posições em prompts analíticos" é onde a engenharia de prompt realmente brilha. O limite costuma ser a alucinação da IA ao inferir dados de valuation que não estão explícitos no texto da carteira, quebrando a lógica de rebalanceamento. Para mitigar, você prefere forçar a IA a usar apenas os dados fornecidos ou implementar uma camada de validação numérica antes de gerar o prompt?
Para impedir alucinação, eu acredito que a assertividade do prompt com um trecho, como "... Não altere, invente ou crie dados, informações, valores ou taxas que não souber ou que não estejam atualizados ..." seria suficiente. Além disso, as posições da carteira são enviadas junto no início, justamente para forçar que a estatística da IA use apenas esses dados concretos fornecidos pelo usuário. Uma camada de validação numérica ainda está em estudo e não está implementada no MVP em https://globe-yield-compass.lovable.app/
Obrigado pela pergunta.
Márcio Reck
O instrucional no prompt ajuda, mas não resolve a tendência intrínseca do modelo de preencher lacunas estatísticas quando a distribuição de pesos é complexa. Sem uma camada de validação numérica externa que cheque consistência antes da geração, o risco de drift na alocação permanece alto. A abordagem de forçar o uso estrito dos dados brutos é sólida, mas a validação pós-geração é o que garante a integridade matemática no rebalanceamento.
Entendido. Vou considerar a validação pós-geração com prioridade maior aqui.
A propósito, estamos com domínio próprio agora em https://globalyield.today/