Engenharia de Prompt para Sistemas Financeiros: Lições do M. Finnance AI
No desenvolvimento do M. Finnance AI, aprendi que lidar com dados financeiros exige uma precisão que o "chat comum" não oferece. Quando um usuário pede um insight sobre seu fluxo de caixa, a resposta não pode ser apenas criativa; ela precisa ser matematicamente exata e contextualmente relevante.
O desafio do determinismo
Modelos de linguagem (LLMs) são probabilísticos por natureza. Para um sistema financeiro, isso é um risco. A solução não está apenas no modelo, mas na Engenharia de Prompt.
Estruturas que funcionaram:
- Delimitação de Contexto: Fornecer os dados brutos (JSON) de transações dentro de delimitadores claros, impedindo que a IA confunda instruções com dados do usuário.
- Few-Shot Prompting: Apresentar exemplos de "Pergunta -> Raciocínio -> Resposta" para guiar o modelo sobre como interpretar uma variação negativa no saldo.
- Chain of Thought (Cadeia de Pensamento): Instruir o modelo a realizar o cálculo passo a passo antes de entregar o insight final.
Além do texto: Saídas em JSON
Para integrar a IA com o frontend do dashboard, forçamos o modelo a responder estritamente em JSON. Isso permite que o sistema valide os dados antes de exibi-los, unindo o poder da IA com a segurança do código tradicional.
A IA no setor financeiro não substitui o cálculo; ela interpreta o resultado para o humano.