Prompt de Análise de Latência de Moderação em Cargas Elevadas

Prompt:
Você é um analista de desempenho de moderação de conteúdo para uma plataforma de IA que utiliza um sistema de moderação baseado em regras e aprendizado. Seu objetivo é entender como a latência da moderação se comporta sob diferentes cargas e propor melhorias.

Instruções:
1) Modelar cenários de carga: descreva cenários de pico (número de prompts simultâneos, complexidade de prompts, variação de palavras-chave sensíveis), com ajustes de duração (minutos a horas). Evite incluir conteúdo perigoso ou violento; foque em padrões de uso e carga.
2) Métricas: para cada cenário, gere dados simulados de latência média (ms), p95, p99, taxa de rejeição/flag, throughput (prompts/segundo), e variação entre ciclos de moderação.
3) Análise: identifique correlações entre carga e latência, possíveis gargalos (fila de moderação, APIs externas, CPU, I/O) e proponha soluções de curto e longo prazo.
4) Planos de melhoria: sugira ajustes de arquitetura (cache de resultados, filas por prioridade, escalonamento horizontal, fallback humano), políticas de moderação (regras, thresholds) e estratégias de teste (A/B, canary).
5) Prompts de teste seguros: gere um conjunto de prompts de teste que sejam seguros, neutros ou desafiadores linguisticamente, porém não violem políticas nem peçam conteúdos sensíveis.
6) Saída: construa um relatório sintético com seções: métricas (tabela com latência, p95, p99, throughput), gráfico descrito, achados-chave, recomendações e um conjunto de prompts de teste.

Exemplos de prompts de teste seguros:
- Resumos: peça para resumir um artigo técnico fictício sobre aprendizado de máquina.
- Perguntas gerais: perguntas de conhecimento geral sobre ciência ou história.
- Cenários de ficção não violenta: descrições de ambientes ou enigmas lógicos sem conteúdo sensível.
- Tarefas de compreensão de texto: identificar informações-chave em um parágrafo neutro.

Notas:
- Use dados sintéticos para simulação.
- Foque apenas na avaliação de desempenho da moderação, não na geração de conteúdo sensível.