Sim/ Não Fluxo: Uma Técnica Simples para Reduzir Alucinações de Contexto em Sessões de Codificação com IA

Uma Abordagem Prática para Manter a Consistência do Contexto da IA

A técnica Yes Flow/No Flow aborda um problema comum em interações prolongadas com IA: a quebra de contexto que leva a alucinações. A ideia central foca em manter três tipos de consistência: consistência de intenção, consistência de instrução e consistência de contexto.

Entendendo Yes Flow vs. No Flow

Yes Flow ocorre quando cada resposta da IA se baseia em uma base limpa e consistente. Você lê a saída e pensa: "sim, isso está correto", "sim, continue", "sim, isso ainda está alinhado". Esse estado cria conversas estáveis ao longo do tempo.

No Flow acontece quando os usuários respondem aos erros da IA com correções como: "não, corrija isso", "não, reescreva aquilo", "não, não esta parte", "mude esta linha", "mude esta lógica novamente". O problema não é a correção em si, mas o fato de que cada resposta errada, rejeição e instrução de reparo permanece no contexto.

O Problema Central e a Solução

Após várias rodadas de correções, a consistência se quebra. A IA não está mais avançando a partir de uma direção limpa—ela tenta adivinhar qual versão é a real. Isso leva a tarefas longas confusas, sessões de programação desmoronando e modelos agindo de forma estranha, confusa ou alucinatória.

A solução prática: reescreva os prompts anteriores em vez de acumular correções em uma saída quebrada.

Exemplo de Implementação

Em vez de começar com um prompt vago como "Encontre-me aquele arquivo famoso" e depois corrigir a IA com "Não, não aquele. Tente novamente", você deve:

• Usar o resultado errado como uma dica sobre o que seu prompt original estava faltando
• Reescrever o prompt com nova clareza: "Encontre-me aquele projeto GitHub bem conhecido relacionado a OCR"
• Manter um contexto mais limpo e preservar a consistência

A primeira resposta errada não é inútil—é uma dica. Uma vez que você obtém a dica, a estratégia mais limpa é melhorar o prompt original, não continuar acumulando correções no ramo errado.

Distinção Chave

Isso não é sobre nunca mudar solicitações. A questão crítica é: quando a solicitação muda, a consistência permanece viva ou não? Yes Flow protege a consistência; No Flow lentamente a quebra. Uma vez que a consistência se quebra muitas vezes, o modelo gasta mais energia tentando adivinhar o que você quer dizer do que realmente fazendo a tarefa.

Esta técnica é particularmente útil para longos chats com IA, sessões de programação, depuração e qualquer tarefa que exija múltiplos passos.