![Imagem de capa de [Design de agentes #3] Pipeline de conteúdo com IA](/assets/images/posts/1dba3ed2-79c4-4348-b5e7-3014c4d498aa/ai-content-pipeline-1.jpg)
Quando se fala em criar conteúdo com IA, normalmente pensamos em um “prompt mágico”. Mas os resultados gerados de uma vez têm qualidade irregular e, no fim, alguém precisa revisar tudo manualmente.
E se mudássemos a abordagem e dividíssemos a geração em etapas, como uma linha de produção? Mantemos a criação do rascunho, a revisão de qualidade, a geração de imagens e a publicação como processos independentes, inserindo validações entre eles.
Operei um pipeline que automatiza a produção de posts de blog com essa estrutura e organizei os princípios de design obtidos. Embora seja um caso de um domínio específico, a estrutura pode ser adaptada a qualquer automação com IA.
Este artigo organiza as etapas do pipeline, os mecanismos de validação entre elas e o design do tratamento de falhas.
Vamos começar pelo resumo dos pontos principais.
- A base do pipeline de geração é separar as etapas: geração → revisão → criação de ativos → publicação.
- Fixar o esquema de saída de cada etapa permite validação e novas tentativas durante o processo.
- A revisão de qualidade também deve ser automatizada. Inserimos uma etapa de revisão com uma perspectiva diferente da usada pelo modelo que gera o conteúdo.
- Falhas são uma premissa. O ponto central é preservar o original mesmo que qualquer etapa pare de funcionar.
Separação por etapas: a diferença decisiva em relação à geração de uma vez
Esta é a estrutura do pipeline.
Entrada de palavras-chave → geração do corpo → revisão de estilo (edição) → geração de imagens → armazenamento → publicação. Cada etapa é um processo independente que recebe como entrada apenas a saída da etapa anterior.
Em comparação com a geração de uma vez, há três vantagens.
- Nova tentativa por etapa: mesmo que a geração de imagens falhe, o corpo permanece. Basta executar novamente o processo que falhou.
- Substituição por etapa: você pode trocar a lógica de revisão de estilo sem alterar a etapa de geração.
- Medição por etapa: é possível acompanhar por métricas em qual processo a qualidade se deteriora.
Os princípios de coesão e acoplamento abordados na série sobre modularização se aplicam diretamente. Agrupamos a lógica que muda em conjunto e fazemos os processos se comunicarem por esquemas.
Fixe o esquema de saída
A separação por etapas exige uma condição: a saída de cada etapa precisa ter um formato validável.
Neste pipeline, a saída da etapa de geração do corpo tem um esquema fixo: “array de candidatos a título + corpo + array de prompts de imagem + array de tags”. As posições das imagens no corpo são indicadas por uma convenção como [marcador de imagem].
Com um esquema fixo, o código do pipeline pode validar a saída do LLM em vez de simplesmente confiar nela.
| Item de validação | Tratamento em caso de falha |
|---|---|
| Presença dos campos obrigatórios | Tentar gerar novamente |
| Quantidade de marcadores de imagem = quantidade de prompts | Tentar gerar novamente |
| Os marcadores foram danificados após a revisão? | Descartar o resultado da revisão e manter o original |
Ao inserir um LLM no pipeline, a saída deixa de ser algo em que se “acredita” e passa a ser algo que se “valida”. O esquema é a referência dessa validação.
A revisão também é um processo separado
A etapa de revisão de estilo é especialmente interessante. Textos escritos por IA mantêm traços característicos (ritmo uniforme, estilo de tradução e estruturas paralelas mecânicas), então separamos sua edição em um processo LLM independente.
Há uma razão para essa separação funcionar melhor do que adicionar “escreva naturalmente” ao prompt de geração.
A geração se concentra na precisão do conteúdo, e a revisão, apenas no estilo. Quando você concentra os dois objetivos em um prompt, ambos ficam medianos; ao separar os processos, cada um pode otimizar um único objetivo.
É a versão dos prompts do princípio da responsabilidade única.
Há uma regra adicional: o processo de revisão nunca deve alterar conteúdo, números ou citações; deve apenas ajustar o estilo.
Por isso, depois da revisão, comparamos mecanicamente se os marcadores de imagem e os números principais foram preservados. Se detectarmos danos, descartamos o resultado da revisão e usamos o original.
Projete considerando as falhas
Todas as chamadas externas do pipeline podem falhar: chamadas ao LLM, API de geração de imagens e ferramentas de renderização. Por isso, o tratamento de falhas não é um recurso secundário, mas parte da estrutura.
São três princípios.
Primeiro, preservar o original. Nenhum processo sobrescreve a saída da etapa anterior. Se a revisão falhar, o original precisa permanecer intacto.
Segundo, permitir sucesso parcial. Se uma de quatro imagens falhar, salvamos as outras três e registramos apenas a falha. Reverter tudo seria uma reação exagerada.
Terceiro, tornar as falhas visíveis. Em vez de engolir os erros, registramos cada um em um campo de status para que uma pessoa possa executar novamente no painel apenas o processo com falha.
Conclusão
Em resumo, a qualidade da automação com IA vem do design do processo, não do modelo: dividir etapas, validar com esquemas e projetar para falhas.
Os princípios tradicionais de engenharia de pipelines continuam válidos na era dos LLMs.
Lendo este artigo junto com os textos sobre engenharia de harnesses e engenharia de contexto, você terá uma visão completa das “técnicas para usar bem os modelos”.