Case de IA
Governança e evolução de prompts para produtos de Inteligência Artificial
Uma ferramenta interna para transformar prompts em ativos rastreáveis, comparáveis e governados — aproximando experimentação, revisão e publicação.
Contexto
Prompt também é software quando passa a sustentar um produto.
Prompts precisavam evoluir com controle, rastreabilidade e uma experiência de experimentação menos dependente de ferramentas externas. O desafio não era apenas escrever instruções melhores, mas criar um espaço para observar, comparar e manter o que funcionava.
- Versionar alterações e decisões
- Comparar respostas entre modelos
- Reduzir a distância entre teste e uso
Pergunta de produto
Como dar contexto para cada mudança sem tornar o experimento mais lento?
A direção foi tratar o prompt como um ativo que pode ser editado, executado, avaliado e revisado no mesmo fluxo. O produto precisava favorecer a velocidade do experimento sem abrir mão de uma trilha de evolução.
- O que mudou?
- Em qual contexto foi testado?
- Qual evidência apoia a próxima versão?
Decisão de arquitetura
Um workspace único para edição, playground e versionamento.
A solução combina editor parametrizado, playground multi-LLM, histórico de commits e integração com Git. A arquitetura conceitual organiza o ciclo de trabalho ao redor do contexto, não do fornecedor do modelo.
- Editor e variáveis
- Execuções multi-LLM
- Diff, histórico e publicação
Avaliação
A comparação precisa ser recuperável para virar decisão.
O fluxo de avaliação parte de cenários e entradas comparáveis. A interface pública não apresenta métricas como resultados finais: ela mostra o lugar onde critérios, respostas e decisões podem ser reunidos.
- Casos de teste versionados
- Sinais de qualidade e confiabilidade
- Registro de incertezas
Arquitetura conceitual
Um sistema de partes conectadas por contexto e continuidade.
Diagrama público e anonimizado para validar a compreensão da solução sem expor detalhes sensíveis.
Workspace
Contexto, variáveis e intenção da solução.
Editor
Prompt legível, parametrizado e versionável.
Modelos
Execuções comparáveis entre provedores.
Evals
Critérios para aprender com cada rodada.
Git
Histórico e colaboração para evoluir.
Aprendizado em destaque