--- title: "Generated Knowledge Prompting (PT)" source: "https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)" wiki: "systems-analysis.info/int" article: "Generated_Knowledge_Prompting_(PT)" language: "pt" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Portuguese" - "Category:Prompt engineering" revision_id: 2593 wiki_created_at: 2026-09-06T23:06:36Z wiki_modified_at: 2026-09-06T23:06:36Z downloaded_at: 2026-09-07T22:52:19Z --- # Generated Knowledge Prompting (PT) **Generated Knowledge Prompting** (**GKP**, ou **prompting com geração de conhecimento**) — é um método de engenharia de prompt desenvolvido para aprimorar a capacidade dos grandes modelos de linguagem (LLMs) em resolver tarefas que exigem raciocínio e o uso de conhecimento factual^{[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_note-liu2022acl-1)}. A ideia principal do GKP é fazer com que o modelo execute a tarefa em duas etapas: primeiro, gerar um conjunto de fatos relevantes sobre o tema da consulta e, em seguida, com base nesse conhecimento, formular a resposta final^{[\[2\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_note-liu2021arxiv-2)}. Essa abordagem permite que os LLMs ativem e utilizem seu conhecimento interno, *parametrizado*, que está implicitamente codificado em bilhões de parâmetros, mas que muitas vezes não é acessível por meio de consultas padrão. O GKP resolve o problema em que os modelos "não sabem o que sabem" e os ajuda a conectar fatos dispersos para construir uma conclusão correta^{[\[2\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_note-liu2021arxiv-2)}. ## História e origem O método **Generated Knowledge Prompting** foi apresentado pela primeira vez no artigo científico "*Generated Knowledge Prompting for Commonsense Reasoning*", preparado por um grupo de pesquisadores liderado por **Jiacheng Liu**. A versão inicial do trabalho foi publicada no arquivo de preprints *arXiv* em 15 de outubro de 2021, e a versão final foi apresentada na prestigiada conferência *Association for Computational Linguistics* (ACL) em 2022^{[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_note-liu2022acl-1)}. O GKP tornou-se um dos primeiros e mais significativos métodos a propor uma mudança no paradigma de interação com os LLMs, deslocando o foco da geração de uma resposta em uma única etapa para um processo cognitivo de duas etapas. ## Mecanismo de funcionamento em duas etapas O mecanismo do GKP divide uma tarefa complexa em dois subprocessos mais simples: a extração de informações relevantes e seu uso subsequente para inferência. ### Etapa 1: Geração de conhecimento (Knowledge Generation) Na primeira etapa, um modelo de linguagem ("gerador de conhecimento") é utilizado para criar vários (M) fragmentos de conhecimento relevantes para a pergunta original. Esse processo é iniciado com o auxílio da técnica de *few-shot prompting*, na qual são fornecidos ao modelo alguns exemplos para aprendizado "em contexto". O prompt para a geração de conhecimento possui uma estrutura estritamente definida: 1. **Instrução**: Uma orientação geral, por exemplo: "Gere alguns fatos sobre o tema". 2. **Exemplos de demonstração**: Vários pares "pergunta-conhecimento" escritos por um humano. Esses exemplos desempenham um papel crucial, pois ensinam ao modelo que tipo de informação é considerada útil. O conhecimento gerado não deve conter a resposta diretamente. 3. **Nova pergunta**: A consulta original do usuário, para a qual o conhecimento precisa ser gerado. Para uma única pergunta, são geradas *M* variantes de conhecimento (no trabalho original, M=20) para obter um conjunto diversificado de fatos para a segunda etapa^{[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_note-liu2022acl-1)}. ### Etapa 2: Integração do conhecimento e formulação da resposta (Knowledge Integration) Na segunda etapa, utiliza-se outro modelo de linguagem ("modelo de inferência"), que pode operar tanto no modo *zero-shot* quanto ser ajustado (fine-tuned) para uma tarefa específica. O processo de integração ocorre da seguinte forma: 1. **Aumentação da consulta**: A pergunta original (*q*) é combinada sequencialmente com cada um dos *M* fragmentos de conhecimento gerados (*k_m*). Como resultado, são criadas *M+1* consultas aumentadas (incluindo a pergunta original sem conhecimento). 2. **Avaliação e seleção da resposta**: O modelo de inferência avalia a probabilidade condicional de cada opção de resposta possível (*a*) para cada consulta aumentada. A resposta final é a opção que obtém a maior pontuação de probabilidade em pelo menos uma das consultas. Esse mecanismo de duas etapas introduz uma espécie de processo metacognitivo: "*Antes de responder, pense e formule o que você sabe sobre este tópico*". ## Eficácia e resultados dos testes A eficácia do GKP foi testada em uma série de benchmarks acadêmicos para avaliar o raciocínio baseado em senso comum. O método demonstrou uma melhoria significativa no desempenho em comparação com abordagens básicas. | Nome do benchmark | Tarefa | Acurácia do modelo base (%) | Acurácia com GKP (%) | Aumento (%) | |-----------------------|------------------------|-----------------------------|----------------------|-------------| | **NumerSense** | Senso comum numérico | 64.05 | 72.47 | +8.42 | | **CommonsenseQA** | Senso comum geral | 39.89 | 47.26 | +7.37 | | **CommonsenseQA 2.0** | Senso comum geral | 70.20 | 73.03 | +2.83 | | **QASC** | Senso comum científico | 76.74 | 80.33 | +3.59 | Resumo dos resultados do GKP nos principais benchmarks (dados de Liu et al., 2022)^{[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_note-liu2022acl-1)} O maior aumento é observado no modo *zero-shot*, o que comprova a capacidade do GKP de ativar eficientemente o conhecimento interno do modelo sem treinamento adicional. ## Análise comparativa com outras técnicas ### GKP vs. Chain-of-Thought (CoT) A principal diferença entre o GKP e o Chain-of-Thought (CoT) está no tipo de informação gerada: - **GKP** gera **conhecimento declarativo** — fatos, definições, afirmações sobre o mundo (*"o quê"*). Ele fornece ao modelo um contexto adicional. - **CoT** gera **conhecimento procedural** — passos lógicos, cálculos, uma sequência de raciocínios (*"como"*). Ele fornece ao modelo um caminho de raciocínio. Dessa forma, o GKP fornece a base factual, enquanto o CoT fornece a estrutura lógica da inferência^{[\[3\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_note-wei2022cot-3)}. ### GKP vs. Retrieval-Augmented Generation (RAG) Ao contrário do GKP, o método Retrieval-Augmented Generation (RAG) utiliza fontes de conhecimento externas e não paramétricas. - **GKP** utiliza **conhecimento interno**, que o modelo assimilou durante o treinamento. Ele força o modelo a *"lembrar"* o que já sabe. - **RAG** utiliza **conhecimento externo** de bancos de dados, documentos ou da internet. Ele força o modelo a *"buscar"* informações no mundo externo. A escolha entre GKP e RAG depende da tarefa: o GKP é eficaz se o conhecimento necessário for de domínio público e bem representado nos dados de treinamento, enquanto o RAG é indispensável para dados altamente especializados, recentes ou proprietários. ## Limitações e riscos - **Problema de "alucinações"**: O principal risco do GKP é a possibilidade de gerar fatos incorretos. Se, na primeira etapa, o modelo gerar uma afirmação falsa, na segunda etapa ela será tratada como verdadeira, levando a uma resposta confiante, mas completamente errada. - **Custos computacionais**: O método exige múltiplas chamadas à LLM (M+1 chamadas para uma única consulta), o que aumenta significativamente o tempo de resposta (*latency*) e o custo de uso em comparação com o prompting padrão. - **Complexidade no desenvolvimento de prompts**: A eficácia do GKP depende fortemente da qualidade dos exemplos *few-shot*, cuja criação é uma tarefa não trivial e trabalhosa. ## Evolução e abordagens híbridas As ideias subjacentes ao GKP serviram como catalisador para o desenvolvimento de técnicas de prompting mais complexas e robustas, tais como: - **Hint-before-Solving (HSP)**: Um sucessor ideológico direto do GKP, que aplica o princípio de duas etapas ("primeiro o conhecimento, depois a ação") não a uma resposta simples, mas a um processo de raciocínio mais complexo no CoT^{[\[4\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_note-hsp2024-4)}. - **Verify-and-Edit (VE)**: Um framework híbrido que responde ao problema de "alucinações" no GKP e no CoT. O VE primeiro gera uma cadeia de raciocínio (como o CoT), depois verifica automaticamente os fatos-chave usando uma busca externa (como o RAG) e edita o raciocínio antes de gerar a resposta final^{[\[5\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_note-zhao2023ve-5)}. ## Ligações externas - Generated Knowledge Prompting no Prompt Engineering Guide ## Literatura - Liu, J. et al. (2021). *Generated Knowledge Prompting for Commonsense Reasoning*. arXiv:2110.08387 - Liu, J. et al. (2022). *Generated Knowledge Prompting for Commonsense Reasoning*. In \*Proc. ACL 2022\*. ACL:2022 - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903 - Wang, X. et al. (2022). *Self-Consistency Improves Chain-of-Thought Reasoning in Language Models*. arXiv:2203.11171 - Fu, J. et al. (2024). *Hint-before-Solving Prompting: Guiding LLMs to Effectively Utilize Encoded Knowledge*. arXiv:2402.14310 - Zhao, R. et al. (2023). *Verify-and-Edit: A Knowledge-Enhanced Chain-of-Thought Framework*. arXiv:2305.03268 - Lin, B. et al. (2020). *NumerSense: Probing Numerical Commonsense Knowledge of Pre-trained Language Models*. Dataset page - Talmor, A. et al. (2019). *CommonsenseQA: A Question-Answering Challenge Targeting Commonsense Knowledge*. ACL paper - Khot, T. et al. (2019). *QASC: A Dataset for Question Answering via Sentence Composition*. arXiv:1910.11473 - Mu, J. et al. (2023). *Learning to Compress Prompts with Gist Tokens*. arXiv:2304.08467 ## Notas 1. ↑ ^{[1.0](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_ref-liu2022acl_1-0)} ^{[1.1](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_ref-liu2022acl_1-1)} ^{[1.2](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_ref-liu2022acl_1-2)} ^{[1.3](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_ref-liu2022acl_1-3)} Liu, J., Liu, A., Lu, X., et al. (2022). «Generated Knowledge Prompting for Commonsense Reasoning». *Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics*. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_ref-liu2021arxiv_2-0)} ^{[2.1](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_ref-liu2021arxiv_2-1)} Liu, J., Liu, A., Lu, X., et al. (2021). «Generated Knowledge Prompting for Commonsense Reasoning». *arXiv preprint arXiv:2110.08387*. [2] 3. [↑](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_ref-wei2022cot_3-0) Wei, J., Wang, X., Schuurmans, D., et al. (2022). «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models». *arXiv preprint arXiv:2201.11903*. [3] 4. [↑](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_ref-hsp2024_4-0) Katz, O., Maman, Y., et al. (2024). «Hint-before-Solving Prompting: Guiding LLMs to Effectively Utilize Scaffolding». *arXiv preprint arXiv:2402.14310*. [4] 5. [↑](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(PT)#cite_ref-zhao2023ve_5-0) Zhao, R., Zhang, J., et al. (2023). «Verify-and-Edit: A Knowledge-Enhanced Chain-of-Thought Framework». *arXiv preprint arXiv:2305.03268*. [5]