Proteção contra Alucinações

​

Visão Geral

​

O que são Alucinações?

• Comparação das saídas com o contexto de referência
• Avaliação da fidelidade ao material de origem
• Fornecimento de feedback detalhado sobre conteúdo problemático
• Suporte a limiares personalizados para rigor da validação

​

Uso Básico

​

Configurando a Proteção

from crewai.tasks.hallucination_guardrail import HallucinationGuardrail
from crewai import LLM

# Uso básico - utiliza o expected_output da tarefa como contexto
protecao = HallucinationGuardrail(
    llm=LLM(model="gpt-4o-mini")
)

# Com contexto de referência explícito
protecao_com_contexto = HallucinationGuardrail(
    context="IA ajuda em várias tarefas, incluindo análise e geração.",
    llm=LLM(model="gpt-4o-mini")
)

​

Adicionando às Tarefas

from crewai import Task

# Crie sua tarefa com a proteção
minha_tarefa = Task(
    description="Escreva um resumo sobre as capacidades da IA",
    expected_output="Um resumo factual baseado no contexto fornecido",
    agent=meu_agente,
    guardrail=protecao  # Adiciona a proteção para validar a saída
)

​

Configuração Avançada

​

Validação com Limiar Personalizado

# Proteção rigorosa exigindo alta pontuação de fidelidade
protecao_rigorosa = HallucinationGuardrail(
    context="Computação quântica utiliza qubits que existem em estados de superposição.",
    llm=LLM(model="gpt-4o-mini"),
    threshold=8.0  # Requer pontuação >= 8 para validar
)

​

Incluindo Contexto da Resposta de Ferramentas

# Proteção com contexto de resposta da ferramenta
protecao_clima = HallucinationGuardrail(
    context="Informações meteorológicas atuais para o local solicitado",
    llm=LLM(model="gpt-4o-mini"),
    tool_response="API do Clima retornou: Temperatura 22°C, Umidade 65%, Céu limpo"
)

​

Como Funciona

​

Processo de Validação

1. Análise de Contexto: A proteção compara a saída da tarefa com o contexto de referência fornecido
2. Pontuação de Fidelidade: Usa um avaliador interno para atribuir uma pontuação de fidelidade (0-10)
3. Determinação do Veredito: Determina se o conteúdo é fiel ou contém alucinações
4. Verificação de Limiar: Se um limiar personalizado for definido, valida contra essa pontuação
5. Geração de Feedback: Fornece motivos detalhados caso a validação falhe

​

Lógica de Validação

• Modo Padrão: Utiliza validação baseada em veredito (FIÉL vs ALUCINADO)
• Modo com Limiar: Requer que a pontuação de fidelidade atinja ou supere o limiar especificado
• Tratamento de Erros: Lida com erros de avaliação de forma elegante e fornece feedback informativo

​

Resultados da Proteção

# Exemplo de estrutura de resultado da proteção
{
    "valid": False,
    "feedback": "Content appears to be hallucinated (score: 4.2/10, verdict: HALLUCINATED). The output contains information not supported by the provided context."
}

​

Propriedades do Resultado

• valid: Booleano indicando se a saída passou na validação
• feedback: Explicação detalhada quando a validação falha, incluindo:
  • Pontuação de fidelidade
  • Classificação do veredito
  • Motivos específicos para a falha

​

Integração com o Sistema de Tarefas

​

Validação Automática

# Fluxo de validação de saída da tarefa
task_output = meu_agente.execute_task(minha_tarefa)
resultado_validacao = protecao(task_output)

if resultado_validacao.valid:
    # Tarefa concluída com sucesso
    return task_output
else:
    # Tarefa falha com feedback de validação
    raise ValidationError(resultado_validacao.feedback)

​

Rastreamento de Eventos

• Validação Iniciada: Quando a avaliação da proteção começa
• Validação Concluída: Quando a avaliação termina com resultados
• Falha na Validação: Quando ocorrem erros técnicos durante a avaliação

​

Melhores Práticas

​

Diretrizes para o Contexto

contexto = """
Empresa XYZ foi fundada em 2020 e é especializada em soluções de energia renovável.
Possui 150 funcionários e faturou R$ 50 milhões em 2023.
Seus principais produtos incluem painéis solares e turbinas eólicas.
"""

# Bom: Contexto focado
contexto = "O clima atual em Nova York é 18°C com chuva leve."

# Evite: Informações irrelevantes
contexto = "The weather is 18°C. The city has 8 million people. Traffic is heavy."

​

Seleção de Limiar

​

Considerações de Performance

​

Impacto no Tempo de Execução

• Sobrecarga de Validação: Cada proteção adiciona ~1-3 segundos por tarefa
• Eficiência do LLM: Escolha modelos eficientes para avaliação (ex: gpt-4o-mini)

​

Otimização de Custos

• Seleção de Modelo: Utilize modelos menores e eficientes para avaliação da proteção
• Tamanho do Contexto: Mantenha o contexto de referência conciso, mas abrangente
• Cache: Considere armazenar resultados de validação para conteúdos repetidos

​

Solução de Problemas