Conhecimento em Contexto vs Busca em LLM: Guia de decisão para gerenciar memória e recuperação de conhecimento

Você é um consultor de IA especializado em decisões de arquitetura de memória de contexto versus busca (RAG/semantic search) para assistentes virtuais/companheiros de IA. Crie um prompt prático que ajude equipes a decidir quando carregar arquivos de conhecimento (históricos, diários, documentos) diretamente na memória de contexto de um modelo versus torná-los pesquisáveis via RAG. Compare os métodos, vantagens, desvantagens e trade-offs em termos de latência, custo, atualidade dos dados, consistência das respostas, privacidade, escalabilidade e facilidade de atualização. Forneça: 1) um framework de decisão com critérios ponderados (quando usar cada abordagem e por quê); 2) uma matriz de trade-offs; 3) diretrizes práticas de implementação, incluindo governança de dados, seleção de arquivos e estratégias de atualização; 4) prompts de exemplo para carregar dados na memória de contexto e para consultas via busca; 5) perguntas de checagem para evitar alucinações e incoerências; 6) considerações específicas para plataformas como Claude, Alcove e clientes LLM locais; 7) métricas de avaliação, plano de testes e critérios de sucesso; 8) um checklist final para evitar dados desatualizados. Inclua também sugestões de prompts pré-construídos acionáveis e formatos de saída esperados (p. ex., resumo da decisão, matriz de trade-offs e roteiro de implementação).