Output Layer

TL;DR

A Output Layer define em que formato o modelo entrega. Não é detalhe de UI — é decisão arquitetural. Markdown? Tabela? Checklist? JSON validado por schema? Quais seções são obrigatórias, qual o nível de confiança esperado, quando o modelo sinaliza incerteza, como o output já vira ação. Sistemas que pulam essa camada produzem texto bonito mas inintegrável. Sistemas que tratam Output Layer como contrato conseguem encadear pipelines determinísticos.

O que é esta camada

A Output Layer é o contrato de saída do sistema. Define o que sai, em qual estrutura, com quais campos obrigatórios. Quando o output é consumido por outro sistema (próximo passo do pipeline, dashboard, API), Output Layer vira structured output tipado.

Template mínimo (adaptado do thread @hooeem):

primary_format: <markdown | tabela | checklist | JSON | XML>
required_sections:
  - <seção 1>
  - <seção 2>
confidence_level: <obrigatório? escala? livre?>
uncertainty_flags: <como o modelo sinaliza incerteza>
actionability: <output como ação direta vs sugestão vs análise>

Para output não-trivial consumido por código, vale formalizar via JSON Schema, Pydantic ou TypeScript types. Modelos de fronteira (GPT-4o, Claude, Gemini) suportam structured outputs que garantem aderência ao schema.

Decisões-chave

1. Markdown vs JSON. Markdown pra leitura humana; JSON pra consumo por código. Misturar (JSON dentro de markdown em ```json) é tentador mas frágil — parser pode quebrar e o modelo pode escapar mal. Quando o output vai pra pipeline, vá direto pra JSON estrito.

2. Schema rígido vs leve. Schema rígido (campos obrigatórios, tipos validados) reduz alucinação de campos mas penaliza quando o modelo quer flagar caso fora do esperado. Leve (alguns required, muitos optional) dá flexibilidade mas exige validação pós-hoc.

3. Confidence como campo obrigatório. Forçar o modelo a emitir confidence (high|medium|low ou 0-1) muda comportamento — ele se calibra. Útil pra Guardrail Layer rotear pra revisão humana abaixo de threshold.

4. Uncertainty flags explícitos. Campos como assumptions, missing_data, caveats deixam o modelo “guardar incerteza num lugar nomeado”. Sem eles, incerteza vira hedge prosaico (“pode ser que…”).

5. Actionability. Output que é ação (uma chamada de função) tem latência mais baixa e menos risco de interpretação. Output que sugere ação preserva humano-no-loop. Escolher um lado por tarefa.

Onde aprofundar no Codex

• Structured Outputs — trilha-irmã sobre schemas, Pydantic, structured outputs nas APIs (em construção).
• Dicionário: structured output.
• Dicionário: function calling — relação entre tool call e structured output.

Veja também

• 03 - Prompt Layer — comportamento que produz o output
• 04 - Context Layer — conhecimento que alimenta o output
• 09 - Evaluation Layer — rubrica aplica em cima do que sai aqui

Fontes

• @hooeem — Become an AI Engineer, chapter #18, Step 4 (Output layer template).
• OpenAI — Structured Outputs guide. Schema enforcement na API.
• Anthropic — Tool use with Claude. JSON schema em tool calls.