Este artigo destaca a inconsistência na saída de assistentes de codificação de IA, como o Copilot, quando a padronização é deixada a cargo de hábitos individuais de prompt. Ele argumenta que o verdadeiro problema na engenharia assistida por IA não é a capacidade, mas sim a falta de consistência nas decisões de código.
Este conteúdo apresenta CGD-PD, uma camada leve para modelos de linguagem grandes (LLMs) que melhora a resposta a perguntas lógicas de três vias (Verdadeiro/Falso/Desconhecido). Ele aborda falhas recorrentes como inconsistência de negação e previsões 'Desconhecido' epistêmicas, utilizando decisões consistentes e desambiguação baseada em prova para maior precisão.
O conteúdo aborda o desafio de usar sistemas de IA, como LLMs, em produção, onde sua natureza probabilística leva a saídas inconsistentes, apesar de serem frequentemente corretas. O objetivo é transformar esses sistemas inerentemente probabilísticos para que se comportem de forma tão consistente e repetível quanto possível, aproximando-os do determinismo necessário para fluxos de trabalho reais.
O autor levanta problemas comuns em fluxos de trabalho de agentes de IA, como estados obsoletos e verificação de resultados falha. Ele apresenta `agent-consistency`, um pacote Python MIT-licenciado, para ajudar a resolver essas questões e pede feedback sobre a abordagem.