Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Ancoragem: Fundamentar Respostas em Factos

Aula 8 de 16 Atualizada a 3 de novembro de 2026 Programador
Nesta página
  1. Ancoragem: Fundamentar Respostas em Factos
  2. Por Que a Ancoragem é Essencial
  3. Técnica 1: Contexto Explícito
  4. Técnica 2: Citações Obrigatórias
  5. Técnica 3: Verificação Pós-Geração
  6. Técnica 4: Prompting Defensivo Anti-Alucinação
  7. Combinação com Ferramentas da API
  8. Pontos-chave

Lição atualizada a 3 de novembro de 2026 com base na documentação da OpenAI: temperature e top_p apenas são aceites com um esforço de raciocínio de none, ao passo que os modelos GPT-5.6 raciocinam por predefinição (medium). As chamadas que definem estes parâmetros devem, portanto, especificar reasoning={"effort": "none"} (API de Respostas) ou reasoning_effort="none" (Chat Completions). Fontes: Utilizar o GPT-6 · GPT-5.6 Terra.

Ancoragem: Fundamentar Respostas em Factos

A ancoragem restringe o modelo a basear as suas respostas exclusivamente nos dados que fornece, em vez de recorrer ao seu conhecimento interno. É a sua primeira linha de defesa contra alucinações e um requisito não negociável assim que uma aplicação sai da fase de protótipo. Um assistente de suporte que invente uma cláusula contratual não está a cometer um erro simpático: está a vincular legalmente a sua empresa ao cliente que a leu.

Por Que a Ancoragem é Essencial

Os LLM geram texto estatisticamente provável, o que não significa necessariamente que seja factualmente correto. Sem ancoragem, um modelo pode fabricar citações, estatísticas ou referências técnicas que soam perfeitamente plausíveis: um número de versão que nunca existiu, um período de reflexão credível mas falso, ou um nome de parâmetro inventado do nada. Nada na formulação denuncia a fabricação, e é exatamente isso que torna o fenómeno perigoso em produção. Quanto melhor escrita estiver a resposta, menos provável é que o utilizador a verifique e maior se torna o risco legal e reputacional.

Técnica 1: Contexto Explícito

O método mais simples é também o mais robusto: injete o texto de origem no prompt e proíba o modelo de ir além dele. As suas instruções devem incluir três elementos: uma restrição ao documento fornecido, a frase de recurso exata a utilizar quando falta informação e a obrigação de citar o trecho utilizado. Teste o resultado num caso limite: um pedido de reembolso aos 45 dias deve acionar a regra de reembolso parcial de 50%, e não a resposta complacente que o cliente espera ouvir.

from openai import OpenAI

client = OpenAI()

document = """
Acme Corp Refund Policy (v3.2, January 2026):
- Full refund within 30 days of purchase
- Partial refund (50%) between 30 and 60 days
- No refund after 60 days
- Customized products are non-refundable
- Refunds are processed within 5 business days
"""

system = """You are an Acme Corp customer support assistant.

STRICT RULES:
- Answer ONLY based on the document provided below
- If the answer is not in the document, say "I do not have
  this information in our current policy"
- NEVER make assumptions beyond the document
- Quote the relevant passage in quotation marks

REFERENCE DOCUMENT:
""" + document

response = client.responses.create(
    model="gpt-5.6-terra",
    reasoning={"effort": "none"},  # temperature requires effort none
    instructions=system,
    input="I would like a refund for an item purchased 45 days ago.",
    temperature=0.1
)

Técnica 2: Citações Obrigatórias

O nível seguinte exige uma referência para cada afirmação feita. Isto tem um duplo efeito. A resposta torna-se verificável pelo utilizador, que pode rastreá-la até ao trecho original em vez de confiar apenas na sua palavra. E o modelo autocensura-se nas alegações que não consegue ligar a nenhuma fonte, já que a instrução lhe diz explicitamente para as omitir em vez de as entregar sem referência. Numerar os documentos no contexto, como faz a função abaixo, também torna as citações utilizáveis na sua interface: “[Documento 2]” pode tornar-se num link clicável para o ficheiro correto.

system_with_citations = """You are a research assistant.

For every assertion in your response, add a reference
to the source passage in brackets, for example: [Source: paragraph 3].

If you cannot cite a source passage, do not include the assertion.

Response format:
1. Response with inline citations
2. "Sources Used" section with exact excerpts"""

def reponse_grounded(question: str, documents: list[str]) -> str:
    """Generate a grounded response with citations."""
    context = "\n\n---\n\n".join(
        f"[Document {i+1}]\n{doc}"
        for i, doc in enumerate(documents)
    )

    response = client.responses.create(
        model="gpt-5.6-terra",
        reasoning={"effort": "none"},  # temperature requires effort none
        instructions=system_with_citations + f"\n\nDOCUMENTS:\n{context}",
        input=question,
        temperature=0.1
    )
    return response.output_text

Técnica 3: Verificação Pós-Geração

As duas primeiras técnicas reduzem o risco sem o eliminarem totalmente. Para casos críticos, adicione uma segunda passagem: uma chamada dedicada que decompõe a resposta em afirmações elementares e verifica cada uma delas contra as fontes. O princípio é o mesmo da revisão de código — o autor lê mal o seu próprio trabalho, enquanto um novo par de olhos o lê muito melhor — e funciona aqui pela mesma razão, já que o verificador não produziu o texto que está a examinar. Definir a temperatura para 0.0 não é um detalhe: um verificador deve ser tão reproduzível quanto possível, caso contrário não saberá se um veredicto variável provém da resposta ou do «humor» do modelo.

def verifier_grounding(reponse: str, sources: str) -> dict:
    """Verify whether a response is properly grounded in the sources."""
    verification_prompt = f"""Analyze whether this response is faithful to the sources.

RESPONSE TO VERIFY:
{reponse}

SOURCES:
{sources}

For each assertion in the response, indicate:
- The assertion
- Whether it is supported by the sources (YES/NO)
- The corresponding source passage (or "None")

End with a grounding score: X supported assertions / Y total."""

    response = client.responses.create(
        model="gpt-5.6-terra",
        reasoning={"effort": "none"},  # temperature requires effort none
        input=verification_prompt,
        temperature=0.0
    )
    return {"verification": response.output_text}

Técnica 4: Prompting Defensivo Anti-Alucinação

Certas formulações reduzem significativamente as alucinações e não são intercambiáveis: cada uma aborda um sintoma distinto. A formulação explícita permite simplesmente ao modelo admitir ignorância, o que muitas vezes é suficiente. A abordagem penalizadora hierarquiza os erros entre si, útil quando se enfrenta um modelo que prefere espontaneamente dizer qualquer coisa em vez de nada. A abordagem estrutural torna a incerteza visível na própria saída, valiosa quando a sua interface precisa de distinguir visualmente o que é certo do que é inferido. Por fim, a abordagem de restrição delimita a fonte com etiquetas, o que funciona particularmente bem quando o contexto injetado é volumoso e o limite entre documento e instrução corre o risco de se esbater.

defensive_prompts = {
    "explicit": "If you do not know the answer, say 'I don't know'.",

    "penalizing": "It is FORBIDDEN to invent information. "
                  "An 'I don't know' response is always preferable "
                  "to incorrect information.",

    "structural": "For each point in your response, indicate your confidence level: "
                  "[CERTAIN] based on the document, "
                  "[PROBABLE] inferred from context, [UNCERTAIN] unverified.",

    "constrained": "Answer using EXCLUSIVELY the information "
                   "between the <source> and </source> tags. "
                   "Any external information is forbidden."
}

Quando utilizadas corretamente, estas formulações reduzem as alucinações em 60 a 80%. No entanto, precisa de observar isto no seu próprio ambiente em vez de confiar numa média: a taxa de ancoragem calcula-se repetindo a verificação num lote de respostas e agregando as pontuações obtidas.

def taux_grounding(reponses: list[dict]) -> float:
    """Calculate the grounding rate across a set of responses.

    Each response is a dict with 'reponse' and 'sources'.
    """
    scores = []
    for item in reponses:
        verif = verifier_grounding(item["reponse"], item["sources"])
        # Extract the score (adapt to output format)
        scores.append(verif)
    return scores

Combinação com Ferramentas da API

A API da OpenAI oferece duas ferramentas nativas que o poupam de construir a sua própria camada de recuperação. A File Search procura em documentos que carregou e injeta automaticamente trechos relevantes no contexto. A Web Search ancora as respostas em resultados web recentes, o que ajuda quando o assunto evolui mais rapidamente do que a sua base documental. Em ambos os casos, as instruções de restrição permanecem essenciais: a ferramenta trata de trazer o material, mas é o seu prompt — e apenas o seu prompt — que proíbe o modelo de se desviar dele.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions="Answer based only on the provided documents.",
    input="What are the warranty conditions?",
    tools=[{"type": "file_search"}]
)

Agora, coloque toda a cadeia à prova num documento interno da empresa — um FAQ, termos de serviço, documentação técnica, não importa, desde que seja real. Construa o assistente ancorado utilizando contexto explícito, consulte-o com dez perguntas em que três abranjam deliberadamente pontos ausentes do documento e verifique se ele recusa essas três em vez de as embelezar. Em seguida, adicione a verificação pós-geração e meça a sua taxa de ancoragem real: é este valor, e não a confiança que deposita no seu prompt, que decide se o assistente está pronto para produção.

Pontos-chave

  • A ancoragem é essencial para qualquer aplicação profissional
  • Injete o contexto da fonte diretamente no prompt e imponha citações
  • Verifique a ancoragem após a geração para casos críticos
  • Formulações defensivas reduzem as alucinações em 60 a 80%
  • Utilize temperature=0.0-0.1 para maximizar a fidelidade às fontes