Prompt técnico para construir memória entre sessões com destilação de contexto em IA (multi-modelo)

Objetivo: projetar um sistema capaz de manter o contexto entre sessões de IA, reduzindo a necessidade de reintrodução de tópicos e facilitando a interoperabilidade entre diferentes modelos (ex.: ChatGPT, Claude, Gemini). Entregáveis esperados: arquitetura, modelo de dados, fluxo de dados, prompts de destilação, esqueleto de código, e métricas de avaliação.

Arquitetura sugerida:
- ContextStore: repositório de memória por usuário/sessão com entradas por tópico, embeddings, metadata (timestamp, versão do modelo, modelo utilizado), políticas de retenção e criptografia.
- Distiller: componente que cria destilados de contexto a partir da conversa atual para cada tópico relevante; gera prompts otimizados para diferentes modelos mantendo consistência entre modelos.
- Retriever: motor de recuperação semântica por tópico ou semântica geral para extrair contexto relevante para a nova sessão.
- Orchestrator: orquestra o fluxo entre a sessão atual, o Distiller, o Retriever e os modelos de IA, incluindo fallback entre modelos diferentes se necessário.

Modelos e compatibilidade:
- Suportar multi-modelo (ex.: ChatGPT, Claude, Gemini) com prompts de destilação compatíveis e variantes por modelo para obter saídas estáveis.
- Definir níveis de detalhamento do destilado (breve, Médio, Completo) conforme o tipo de tarefa.

Modelo de dados (exemplo simplificado):
- user_id: string
- session_id: string
- topic_id: string
- summary: string
- embeddings: array[number]
- timestamp: ISO8601
- model_version: string
- retention_policy: string
- metadata: object

Fluxo de operação:
1) Iniciar sessão: identificar user_id, session_id, tópicos relevantes (auto detecção ou seleção do usuário).
2) Recuperar memórias relevantes: o Retriever busca contextos anteriores por tópico semântico.
3) Destilar contexto: o Distiller gera um resumo/destilado por tópico para ser utilizado no prompt atual.
4) Encaminhar prompt: o prompt final ao modelo de IA inclui o conteúdo original da conversa + o destilado relevante + instruções de consistência entre sessões.
5) Pós-conversa: atualizar o ContextStore com novas destilações e entradas de memória; versionar conforme modelo utilizado.
6) Limpeza/retenção: aplicar políticas de retenção (ex.: 30/90 dias, conforme GDPR/ LGPD) e criptografia.

Padrões de prompts de destilação:
- Genérico: "Distile o contexto desta sessão para este tópico mantendo apenas informações relevantes para futuras sessões, em formato conciso." 
- Técnico: "Resuma esta conversa com foco em parâmetros, decisões técnicas e próximos passos, com ênfase em pontos que impactam o planejamento de futuras interações." 
- Padrões de saída: inclua campos como [topic_id, summary, key_decisions, open_actions, questions], para facilitar a indexação.

Privacidade e governança:
- Criptografia em repouso e em trânsito.
- Consentimento claro para armazenamento de conversas.
- Retenção configurável por usuário e por tópico.
- Acesso auditável e controle de permissões por usuário.

Entregáveis esperados:
- Esqueleto de código (Python/TypeScript) com classes ContextStore, Distiller, Retriever e Orchestrator.
- Schemas de banco de dados/coleções e um exemplo de API para inserir/consultar memórias.
- Exemplos de prompts de destilação para diferentes modelos (com ajustes de tom e nível de detalhe).
- Guia de avaliação com métricas de recall de contexto, latência de inicialização e custo por sessão.

Exemplo de entry de memória (JSON):
{ "user_id": "u123", "session_id": "s789", "topic_id": "t_auth", "summary": "Decidiu-se usar OAuth 2.0 com PKCE para autenticação; armazenar tokens com rotação a cada 24h.", "embeddings": [0.012, -0.04, ...], "timestamp": "2025-01-15T10:00:00Z", "model_version": "gpt-4-0314", "retention_policy": "30d", "metadata": {"source": "session", "domain": "auth"} }

Plano de implementação (alto nível):
- Escolher um vetor DB (ex.: FAISS, Pinecone) ou adaptar um store existente.
- Definir taxonomy de tópicos (ex.: topic_id, taxonomy_root).
- Implementar fluxo de destilação por tópico com versionamento.
- Criar API simples para leitura de memórias por tópico durante uma sessão.
- Validar com cenários de multi-modelo e métricas de recall.

Notas finais:
Este prompt busca fornecer uma visão prática para manter contexto entre sessões, independentemente do modelo de IA utilizado, promovendo consistência e eficiência em longas interações.