35 refatorações de IA com eval antes e depois

Tirar uma responsabilidade do prompt principal e dar a ela uma chamada própria.

Remover uma chamada que não muda o resultado e juntar o trabalho na etapa vizinha.

Substituir uma pilha de regras por poucos exemplos bem escolhidos que mostram o comportamento.

Levar a regra de uso de uma ferramenta para a descrição dela, perto de onde o modelo decide.

Juntar pedaços de prompt espalhados em um template com nome, versão e variáveis.

Marcar claramente o que é ordem do sistema e o que é conteúdo a ser lido.

Tirar exemplos do código e guardar em um conjunto versionado, escolhido na hora certa.

Transformar um SE isso, faça aquilo escrito no prompt em uma transição explícita no código.

Quando o caminho é sempre o mesmo, fixar a ordem das etapas no código.

Dar a uma tarefa grande um agente próprio, com contexto limpo e ferramentas só dela.

Limitar passos, tempo e dinheiro de cada execução e definir o que acontece no limite.

Rodar ao mesmo tempo as chamadas que não dependem uma da outra.

Classificar a entrada primeiro e mandar para um prompt ou agente especializado.

Juntar agentes que só passam texto adiante em um agente com as ferramentas certas.

Definir um schema para a saída da etapa e validar antes de seguir.

Substituir turnos antigos por um resumo e por fatos guardados fora do contexto.

Parar de colar documentos no system prompt e buscar só o trecho relevante.

Quando o material cabe na janela, mandar inteiro e usar cache de prompt.

Fazer cada ferramenta devolver só os campos úteis, num formato estável.

Fundir ferramentas parecidas e remover as que ninguém usa.

Mover cálculo, formatação e validação para uma função que o modelo chama.

Dar a cada ferramenta só o acesso de que ela precisa para o caso de uso.

Quebrar uma ferramenta genérica (run_sql, call_api) em operações nomeadas e seguras.

Publicar a integração como servidor MCP para que qualquer agente use o mesmo contrato.

Pausar a execução e mostrar a ação para um humano antes de pagar, enviar ou apagar.

Ler conteúdo de fora com um modelo sem ferramentas e passar adiante só dados estruturados.

Checar código, SQL ou comando gerado e rodar em ambiente isolado.

Definir o que fazer quando o modelo, a ferramenta ou o provedor falham.

Separar erros temporários de erros definitivos e só repetir o que pode passar.

Deixar credenciais no código da ferramenta, onde o modelo nunca as vê.

Montar um conjunto de casos e medir a versão atual antes de qualquer ajuste.

Registrar cada chamada, ferramenta, versão de prompt e custo em um trace navegável.

Reaproveitar prefixos de prompt e respostas para perguntas equivalentes.

Tentar primeiro com um modelo barato e subir só quando a confiança for baixa.

Salvar o estado a cada etapa para retomar depois de queda, espera ou aprovação.