IA instável? Como usar DSPy para estruturar prompts

Por que a engenharia de prompt artesanal chegou ao limite

Quem já tentou construir um sistema corporativo usando inteligência artificial generativa percebeu rapidamente a frustração de ajustar textos manualmente. Mudar uma única palavra em um prompt gigante pode fazer o modelo esquecer regras importantes, estragar o formato do resultado ou inventar informações do nada. Isso acontece porque tratamos modelos de linguagem como se fossem humanos sensíveis a poesia, quando na verdade eles precisam de engenharia de software previsível. Para entender os riscos dessa instabilidade, vale conferir as técnicas discutidas em como criar guardrails com validação estrita, que ajudam a conter comportamentos indesejados.

O que é programação declarativa em inteligência artificial

A programação declarativa é um conceito em que você diz ao computador o que quer alcançar, em vez de ditar passo a passo como ele deve fazer cada tarefa. No contexto de modelos de linguagem, isso significa parar de escrever textos longos cheios de instruções complexas e começar a definir assinaturas limpas, como entradas, saídas e tipos de dados esperados. Em vez de torcer para que a inteligência entenda a sua formatação, você entrega uma estrutura de dados rígida. Isso traz para o universo da IA a mesma paz de espírito que temos ao usar tipagem estática em linguagens como TypeScript ou Go.

Como o DSPy transforma prompts em código reutilizável

Criado na Universidade Stanford, o DSPy é um framework que remove o trabalho manual de criar e ajustar textos para modelos de linguagem. Ele transforma seus prompts em módulos de código que podem ser encadeados, testados e ajustados de forma automatizada. Na prática, você define uma assinatura informando o que entra e o que sai, e o framework cuida de montar o texto ideal para cada modelo que você decidir usar. Se você precisar migrar de um modelo caro para um modelo local menor, por exemplo, o seu código continua funcionando perfeitamente sem que você precise reescrever centenas de frases de instrução.

Implementando uma assinatura declarativa na prática

Para ver essa lógica funcionando, imagine que precisamos extrair sentimentos e entidades de textos de clientes de forma totalmente estruturada. Em vez de criar um texto gigante explicando a tarefa, definimos um bloco declarativo simples utilizando Python. O código a seguir mostra como estruturar essa tarefa usando o DSPy, garantindo que o resultado retorne exatamente no formato esperado pelo seu sistema de backend.

import dspy

class ExtrairAnaliseCliente(dspy.Signature):
    """Analisa o texto do cliente e extrai o sentimento e os principais pontos levantados."""
    texto_cliente = dspy.InputField(desc='Comentário recebido no suporte')
    sentimento = dspy.OutputField(desc='Positivo, Neutro ou Negativo')
    pontos_chave = dspy.OutputField(desc='Lista resumida dos problemas citados')

analisador = dspy.Predict(ExtrairAnaliseCliente)
resultado = analisador(texto_cliente='O sistema caiu durante o faturamento e perdi tempo precioso.')
print(resultado.sentimento, resultado.sentimento)

O papel dos compiladores e otimizadores automáticos

Uma das maiores vantagens de adotar essa abordagem baseada em código é a capacidade de otimizar o comportamento do sistema de forma matemática. Assim como um compilador de linguagem de programação otimiza o código de máquina para rodar mais rápido, o DSPy possui otimizadores que ajustam os exemplos fornecidos ao modelo. Ele testa diferentes variações de instruções e selecciona automaticamente quais exemplos trazem as respostas mais precisas para a sua base de dados real. Para garantir que essa evolução seja segura, o processo pode ser integrado a rotinas de teste e validação contínua, similar aos conceitos de como criar avaliações com Ragas para medir a confiabilidade das respostas.

Vantagens operacionais de abandonar o texto livre

Adotar a programação declarativa em vez da engenharia artesanal traz ganhos claros de manutenção e escalabilidade para equipes de engenharia. Quando um modelo de IA sofre atualização pelo provedor e altera seu comportamento, ajustar um prompt artesanal espalhado por dezenas de arquivos no sistema é um pesadelo logístico. Com o DSPy, se a lógica estrutural muda, você atualiza a assinatura central ou roda o otimizador novamente para adaptar os exemplos. Isso reduz o custo de suporte, diminui o retrabalho e permite que o time foque na regra de negócio em vez de ficar adivinhando palavras mágicas para convencer a inteligência a colaborar. Para aprofundar esses conceitos na prática em produção, confira também nossa análise técnica sobre API instável no Node.js? Como aplicar circuit breaker.

Considerações finais sobre o futuro dos prompts

A engenharia de prompt baseada em tentativa e erro atingiu o teto da sustentabilidade em projetos de software reais. Tratar instruções para modelos de inteligência artificial como código estruturado, testável e compilável é o caminho natural para estabilizar aplicações corporativas. Ferramentas como o DSPy mostram que o futuro da interação com modelos de linguagem passa pela engenharia de software tradicional, onde contratos claros, validações estritas e automação substituem a intuição humana e o texto livre.