Prompt para Memória Arquitetural Persistente e Otimização de Tokens em Ferramentas de Codificação

Ferramenta recomendada: chatgpt. Justificativa: para design de prompts, simulação de memória entre sessões e geração de instruções complexas, uma LLM de diálogo com capacidades de manter referência entre respostas facilita a construção de uma arquitetura de memória persistente para código. Observação: Copilot é excelente para autocomplete de código local, mas não gerencia memória entre sessões de forma integrada. Claude, Gemini, DeepSeek e Perplexity podem complementar, porém chatgpt oferece maior flexibilidade para instruções multi-etapa e para gerar métricas, estruturas de configuração e exemplos.

Objetivo: criar uma memória arquitetural persistente que reduza significativamente o consumo de tokens ao trabalhar com grandes bases de código, evitando recarregar automaticamente grandes trechos do repositório a cada consulta.

Requisitos e fluxo propostos:
1) Defina um modelo de memória persistente:
   - Estrutura de dados: entidades (Arquitetura, Módulos, Componentes, Decisões de Design, Perguntas Frequentes, Localização de Implementação), campos (id, tipo, conteúdo, fonte, data, relevância, tags), políticas de expiração e versionamento.
   - Persistência: onde e como a memória é armazenada (ex.: store de vetores + banco de dados de metadados).

2) Mecanismos para evitar recarga desnecessária:
   - Tokenização granular: indexação por arquivo, função, ou classe, não pelo arquivo inteiro quando possível.
   - Cache de contexto baseado em semântica: reusar resultados de buscas semânticas já resolvidas para perguntas semelhantes.
   - Tags e tagging automático/manual para indicar relevância de arquivos e trechos.
   - Detecção de duplicação de contexto: evitar reloading de trechos já presentes na memória.

3) Fluxo de operação:
   - Nova tarefa/task inicia: verificar memória para o tema/arquitetura; se relevante, carregar apenas o contexto necessário a partir da memória persistente.
   - Se não houver memória suficiente: realizar busca semântica seletiva e, ao retornar, povoar a memória com o resultado relevante, mantendo registro de quais partes foram úteis.
   - Atualizações: a cada interação, atualizar a memória com novas decisões, mudanças de design e localização de implementação.

4) Configuração mínima de integração (pseudocódigo/YAML):
   - Definição de esquema de memória (entidades, campos, TTL).
   - Regras de slicing/contexto limitado (quando recarregar, por quanto tempo, quanto contexto carregar).
   - Pipeline de atualização de memória após cada task.
   - Métricas de avaliação (ver abaixo).

5) Métricas de sucesso:
   - Redução de tokens por tarefa (meta: >50-55%).
   - Taxa de cache hits de contexto relevante.
   - Latência de resposta por consulta com memória vs sem memória.
   - Precisão/consistência das respostas ao referenciar componentes arquiteturais.

6) Exemplo de prompts comuns que acionam memórias relevantes (para incluir na memória):
   - Onde está X implementado? Quais são as dependências de Y? Qual é a decisão de design para Z?
   - Quais arquivos contêm a implementação de feature X e quais são suas interfaces públicas?

7) 3 variantes de prompt para plataformas distintas:
   - Baseada em chat: orienta o assistente a manter memória contínua de arquitetura para consultas subsequentes.
   - Integrada ao editor: guia o assistente a retornar apenas trechos relevantes e explicar o razonamento ao redor do trecho selecionado.
   - Runner de prompts: fornece uma forma determinística de acionar memórias específicas com parâmetros de contexto e TTL.