Dicas de context optimization para Engenharia de Prompt

"Como um engenheiro de prompt sênior focado em otimização de contexto para modelos de linguagem grandes, preciso desenvolver uma estratégia robusta para um novo projeto de atendimento ao cliente via chatbot. O desafio é que as consultas dos usuários são frequentemente vagas, com informações dispersas em várias frases ou até parágrafos. O modelo deve identificar e extrair **apenas os 3 (três) termos ou frases-chave mais relevantes que definem a intenção principal do usuário e o escopo da consulta**, mesmo quando não explicitamente declarados.

Para testar sua capacidade, analise o seguinte cenário e gere uma lista numerada com os 3 (três) termos/frases-chave mais importantes que capturam a essência da solicitação, ignorando informações secundárias ou redundantes.

**Cenário:** 'Estou tendo um problema com o meu pedido número 7890. Eu fiz a compra no dia 15 de maio e paguei com cartão de crédito. Acontece que a previsão de entrega era para o dia 22 de maio, mas hoje é dia 25 e ainda não recebi nada. Gostaria de saber onde está o meu pacote e se é possível rastrear. Já verifiquei o e-mail e não encontrei nenhuma atualização. Também tentei ligar para o SAC, mas a linha está sempre ocupada. É uma entrega de um fone de ouvido. Preciso dele com urgência para um trabalho. É muito importante que chegue logo. A transportadora que aparecia no site era a 'Entrega Rápida'. O código de rastreamento que me deram não funciona.'

**Sua saída esperada é uma lista numerada, contendo APENAS os 3 termos/frases-chave mais relevantes, sem explicações adicionais.**"