Olá, Fernanda. Como vai?
Parabéns pela excelente resolução do desafio! Estruturar a saída do modelo diretamente em formato JSON é uma das habilidades mais valiosas e requisitadas na Engenharia de Prompts, pois permite que o resultado seja integrado e consumido automaticamente por outros sistemas, como bancos de dados, dashboards ou aplicativos.
O seu resultado ficou limpíssimo, muito bem organizado, e os resumos capturaram com muita precisão a essência de cada crítica, separando os pontos fortes e fracos de forma bem analítica.
Para agregar ainda mais valor ao seu projeto e trazer insights sobre análise de dados e desenvolvimento de software no cenário do mercado real, separei duas sugestões super legais:
1. A Sutileza do Sentimento "Misto" (Análise de Negócio)
Na sua classificação, você definiu a Resenha 1 e a Resenha 3 como sentimentos "positivos". Sob uma ótica geral, faz bastante sentido, já que na primeira a pessoa usa muito o produto e na terceira ela gostou tanto da marca que acabou comprando um modelo maior.
Contudo, se olharmos com lentes de análise de produto, ambas as resenhas trazem dores críticas importantes (insegurança com a grade que pode cair e derramar comida, alimento que ficou cru de um lado e queimado do outro, botões confusos). Para equipes de Customer Experience (CX) ou Engenharia de Produto, classificar esses cenários como "misto" é muito mais estratégico. Isso sinaliza para a empresa que, apesar de o cliente aprovar o conceito do produto, existem atritos severos na experiência de uso que precisam de atenção.
- Dica de Prompt: Para forçar a IA a ser mais criteriosa e calibrar melhor essas nuances, você pode definir regras explícitas para cada sentimento no seu comando:
- Positivo: o usuário elogia o produto e não apresenta reclamações ou defeitos relevantes.
- Misto: o usuário elogia o produto, mas relata problemas de uso, frustrações ou dificuldades de design.
- Negativo: a experiência geral foi ruim ou o produto quebrou/comprometeu totalmente o uso.
2. Padronização de Chaves em JSON (Boas Práticas de Programação)
As chaves que a IA gerou no seu resultado utilizaram espaços, maiúsculas e caracteres especiais/acentos (ex: "ID da resenha", "Lista de pontos fortes"). Visualmente, para nós seres humanos, fica ótimo de ler!
No entanto, no desenvolvimento de sistemas (seja consumindo esse dado em Python, JavaScript ou salvando em uma API), chaves com acentos e espaços podem gerar erros de sintaxe ou exigir tratamentos extras no código para serem acessadas. A boa prática universal é padronizar as chaves utilizando formatos como o snake_case (tudo minúsculo, sem acentos e separado por sublinhado _) ou o camelCase (sem espaços, com a primeira letra das palavras seguintes em maiúsculo).
Veja como o seu JSON ficaria ainda mais profissional e pronto para o mercado corporativo:
{
"id_resenha": 1,
"resumo": "A cliente usa bastante...",
"pontos_fortes": [
"Funciona muito bem",
"Prepara alimentos saborosos"
],
"pontos_fracos": [
"Grade difícil de limpar"
],
"sentimento": "misto"
}
Você pode garantir que a IA gere os dados sempre blindados nesse padrão adicionando uma instrução simples ao seu prompt original: "Gere a saída estritamente em formato JSON estruturado, utilizando a convenção snake_case para a nomenclatura de todas as chaves (ex: id_resenha, pontos_fortes)".
A sua entrega cumpre perfeitamente o objetivo do exercício e mostra que você compreendeu muito bem o conceito de extração de entidades e formatação. Continue praticando e explorando essas aplicações reais!
Espero que possa ter lhe ajudado!
