verificacao-global-de-tropos-com-llm

Descrição

A skill verificacao-global-de-tropos-com-llm realiza a validação de nível 2 de tropos narrativos pré-classificados. Ela submete as sugestões de tropos (candidatos) a um modelo de linguagem (LLM) local auxiliado por um prompt estruturado contendo a sinopse do enredo global. Isso permite diferenciar o tropo factual de clichês incidentais, além de catalogar subversões criativas (variantes lógicas do tropo).

Quando usar

Gatilhos concretos e observáveis:

• O classificador de nível 1 (skill classificacao-local-de-tropos) gera a lista de candidatos a tropos e salva no banco de dados.
• O escritor solicita a checagem manual de "consistência e originalidade do enredo" na aba do romance.
• Ocorre a geração automática de relatórios de análise de clichês no encerramento da escrita de um capítulo.

Quando NÃO usar:

• Na triagem bruta inicial de texto (deve rodar obrigatoriamente após a filtragem rápida do classificador local).
• Em tempo de digitação instantâneo tecla-a-tecla (rodar em background ou sob demanda).

Pré-requisitos

• Lista de tropos candidatos gerada no nível 1 com seus respectivos scores de confiança.
• Resumo global do romance compilado (saída $R_{L3}$ da skill sumarizacao-hierarquica-recursiva).
• Modelo de linguagem local instrutivo e leve (ex: Phi-3.5-mini-instruct) rodando localmente.

Processo (passo a passo executável)

1. Compilação de Prompt Contextual:
   • Para cada tropo candidato retido (ex: Mentor Death):
     • Buscar no dicionário PT-500 a definição canônica e exemplos literários do tropo.
     • Extrair o snippet do capítulo onde o tropo foi pré-classificado.
     • Recuperar a sinopse do romance até o capítulo atual ($R_{L3}$).
     • Montar o prompt de inferência combinando essas quatro informações.
2. Inferência por Classificação Ternária:
   • Chamar o LLM local com o prompt montado.
   • Instruir o modelo a classificar a ocorrência em uma das três classes estritas:
     • PRESENTE: O tropo ocorre exatamente de forma canônica (clichê tradicional).
     • AUSENTE: Falso positivo (a frase cita elementos parecidos, mas a ação dramática não corresponde ao tropo).
     • VARIANTE: O autor introduziu o tropo de forma subvertida, irônica ou descontruída (ex: o mestre morre mas reencarna no parágrafo seguinte).
3. Mapeamento de Subversões Criativas:
   • Salvar o resultado no banco.
   • Se rotulado como VARIANTE, marcar o trecho na interface gráfica do escritor como uma "Subversão Criativa / Originalidade", fornecendo um feedback motivador e registrando na linha do tempo.
   • Se PRESENTE, catalogar a métrica na aba de densidade de clichês de gênero.

Parâmetros e configuração

• LLM_VALIDATION_TEMPERATURE: Temperatura de geração do modelo de validação. Padrão: 0.00 (forçar comportamento determinístico).
• MAX_CONTEXT_SYNOPSIS_WORDS: Tamanho máximo em palavras da sinopse global incluída no prompt. Padrão: 400.
• TARGET_VALIDATION_LLM: Identificador do modelo local. Padrão: Phi-3.5-mini-instruct-Q4.

Armadilhas e como evitá-las

• Armadilha: Análise Sem Contexto de Enredo: classificar tropos profundos (ex: Mentor Death) alimentando o LLM apenas com a frase literal isolada da cena (ex: "Valdris deitou-se na cama e fechou os olhos para sempre"). Sem saber pela sinopse global que Valdris era o mestre e guia do protagonista Kael, a IA falhará sistematicamente na identificação, marcando-a como AUSENTE (TropeEval, 2025). Mitigação: Injetar obrigatoriamente a sinopse atualizada do enredo do livro no prompt de contexto da inferência. O modelo deve receber a árvore relacional de quem é quem (papel dos personagens no GTE) antes de validar a cena.

Critérios de validação (Definition of Done)

• O pipeline híbrido (Nível 1 + Nível 2 LLM) atinge F1-score macro mínimo de 0.61 na ontologia de tropos, e F1-score de pelo menos 0.74 em tropos de alta frequência.
• O LLM local descarta falsos positivos causados por metáforas casuais em 100% dos testes unitários da suíte de regressão.

Fundamentação científica

• TropeEval (2025) - Evaluating Trope Understanding in Large Language Models - arXiv 2025
• Surprising Turns (2025) - Detecting Narrative Subversion and Creative Tropes in Literature - arXiv 2025
• FlawedFictions (Ahuja, K. et al., 2025) - Finding Flawed Fictions: Plot Hole Detection - COLM 2025

Requisitos do projeto relacionados

• RF-172 (identificação de tropos)
• RF-174 (brainstorm de arcos)

Maturidade e riscos de adoção

Nível: Emergente. Risco: Pequenos LLMs locais podem demorar até 2 segundos por tropo validado e apresentar variações nas respostas devido a prompts instáveis. Fallback para v1: Validar tropos mais comuns (como mortes, traições ou casamentos) aplicando buscas diretas em banco relacional no estado do GTE (ex: checar se o mentor de Kael foi marcado como "Morto" no banco), dispensando a inferência de LLM na v1.

Exemplos

Entrada (Prompt compilado):

• Tropo: Mentor Death (Mentor morre deixando o herói desamparado).
• Contexto global: "Valdris é o mestre ferreiro que treinou Kael".
• Snippet: "Kael chorou sobre o corpo inerte de Valdris no laboratório". Saída esperada (Classificação):

{
  "status": "PRESENTE",
  "trope": "Mentor Death",
  "confidence": 0.94,
  "justification": "O personagem Valdris, mestre do herói, faleceu na cena de acordo com o snippet."
}

Caso de falha conhecido: Classificar a frase "Kael comprou um mentor de madeira para treinar esgrima" como o tropo ativo "Mentor Death" devido à palavra "mentor".