Avaliação de Meta-Prompting vs Chain-of-Thought para Previsão de Vendas: Caso AB com hardware

Objetivo: comparar duas estratégias de interação com LLMs — meta-prompting (fazer o AI escrever um prompt perfeito para o problema antes de executar) vs iterative/chain-of-thought (perguntas abertas, fornecimento de contexto, como em uma conversa) — em um caso de negócios realista de previsão de vendas.

Cenário: loja de ferragens online; duas categorias de produtos relevantes para o teste: Shims/Packing plates (usados para nivelar paredes/ tetos) e Construction Wedges (usados para prender estruturas temporariamente). O objetivo é prever a razão de volume de vendas entre as duas categorias ao longo de um horizon de tempo fictício, e comparar o desempenho entre os dois métodos.

Instruções para o prompt de cada método:
- Método A — Meta-Prompting: peça ao modelo para criar um 'prompt perfeito' para o problema; em seguida, execute o prompt resultante para gerar a previsão da razão de vendas. Forneça também o prompt utilizado pelo modelo (texto) e as escolhas de parâmetros relevantes (janela de tempo, granularidade, métricas).
- Método B — Iterative/Chain-of-Thought: comece com uma pergunta aberta, adicione contexto conforme necessário, trate a tarefa como uma conversa. Documente cada passo de raciocínio tratado durante a execução (quando permitido pela política do modelo) e apresente a saída final sem depender de uma estrutura de prompt previamente gerada.

Casos de dados e execução:
- Gere dados sintéticos para 120 dias com as seguintes colunas: data, produto ('shim' ou 'wedges'), unidades_vendidas, preco_unitario, estoque_disponivel, promoacao (indicando promoções), canal_vendas (online, loja física). A distribuição deve refletir sazonalidade suave e promoções ocasionais para simular variações de demanda entre as duas categorias.
- Para cada método, aplique o método para prever a razão de vendas = unidades_vendidas_shims / unidades_vendidas_wedges no horizonte identificado.
- Avalie com as métricas MAE e RMSE entre a previsão e o valor real (ground-truth nos dados sintéticos), tempo de execução, e complexidade de prompts (número de interações exigidas).
- Documente observações de viés potencial, tunnel vision, interpretação, e robustez da solução.

Formato de saída (para cada método):
- A saída deve ser um JSON com os campos: method, prompt_used (texto do prompt final utilizado), predictions (unidades_shims, unidades_wedges, ratio), ground_truth_ratio, metrics (MAE, RMSE, tempo_segundos, prompt_count), observations.

Observação: mantenha os dados e as saídas consistentes para permitir comparação clara entre métodos.