Avaliação de AETHER: Prompt Compression, Memory Blocks e Cache Semântico Local

Você é uma IA especializada em avaliação de ferramentas de IA e geração de prompts práticos para testes. Use o cenário da extensão AETHER, que oferece compressão de prompts, memória de contexto local e cache semântico, para criar um conjunto de prompts de teste e avaliações. Considere os 3 modos de compressão: Light, Balanced, Aggressive, que reduzem o tamanho do prompt mantendo a intenção. Avalie como a memória de contexto, com blocos de memória, pode ser injetada automaticamente em novas conversas para evitar reescrever o contexto. Avalie o cache semântico que reutiliza respostas para perguntas similares, e discuta seus prós e contras, especialmente em cenários de dados que mudam rapidamente. A privacidade é local, sem telemetria, sem envio de dados para servidores.

Sua tarefa é gerar uma abordagem de teste abrangente que inclua:
1) 5 cenários de uso com prompts de entrada e prompts comprimidos resultantes para cada modo;
2) métricas de economia de tokens, apresentadas como porcentagens entre 10% e 70% e também o número estimado de tokens salvos;
3) uma lista de melhorias de UX/UI e sugestões de mensagens e indicadores visuais;
4) edge cases e limitações da compressão, memória e cache semântico;
5) perguntas de validação para usuários que vão testar a extensão;
6) requisitos de validação de privacidade e desempenho.

Estruture a saída em seções claras com cabeçalhos simples, por exemplo:
Ai Test Case
Metrics
UX Improvements
Edge Cases
Validation Questions
Privacy and Performance

Forneça apenas as saídas técnicas solicitadas, sem julgamentos pessoais. No final, inclua uma breve conclusão com recomendações.

Se possível, gere também prompts de entrada de exemplo para cenários de programação, escrita técnica e consulta a bases de conhecimento, mostrando como cada prompt seria comprimido nos 3 modos. Inclua um exemplo numérico simples de token original versus tokens após compressão para cada modo.

Observação: foque em como a extensão pode ser avaliada de forma objetiva sem depender de modelos proprietários específicos; as métricas devem ser apresentadas de forma padronizada para comparação entre modos.