Ancoragem: Fundamentar Respostas em Factos
Nesta página
Lição atualizada a 3 de novembro de 2026 com base na documentação da OpenAI:
temperatureetop_papenas são aceites com um esforço de raciocínio denone, ao passo que os modelos GPT-5.6 raciocinam por predefinição (medium). As chamadas que definem estes parâmetros devem, portanto, especificarreasoning={"effort": "none"}(API de Respostas) oureasoning_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