Prompt para explorar Memori: memória de LLM baseada em SQL

Objetivo: produzir um guia detalhado para explorar e implementar uma memória de LLM usando SQL (Memori). Descreva por que usar SQL e full-text search em vez de embeddings, cenários de MVP, arquitetura, esquema de banco de dados, integração com memori.enable(), exemplos de código (pseudo-código e SQL), estratégias de consulta para recuperar memórias relevantes, exportação de dados, considerações de portabilidade e custos, e uma seção de perguntas e respostas para avaliação de desempenho.

Instruções:
- Analise por que bancos de dados SQL são mais acessíveis para projetos pequenos.
- Compare com soluções baseadas em vetores (vetor DBs, embeddings) incluindo trade-offs de custo e escalabilidade.
- Forneça um esquema SQL básico para armazenar conversas, entidades extraídas, categorias (fact, preferences, skills).
- Forneça pseudocódigo para a integração com a LLM usando um interceptor de memória (por exemplo memori.enable()).
- Forneça exemplos de queries para recuperar memórias relevantes com base no contexto atual (busca por palavras-chave, filtros por data, categoria).
- Sugira estratégias de exportação/portabilidade e como evitar lock-in proprietário.
- Discuta considerações de privacidade, segurança e governança de dados.
- Inclua uma seção de perguntas de avaliação com respostas esperadas e dicas de implementação.
- Inclua prompts de follow-up para estender a avaliação.

Observação: no final, analise qual ferramenta de IA da lista é mais adequada para executar este prompt e forneça uma justificativa objetiva entre as opções ChatGPT, Claude, DeepSeek, Gemini, Copilot, Perplexity.