Protocolo de Estudo de Memória e Drift de Contexto em Conversas Longas com LLMs

Você é um pesquisador de IA encarregado de desenhar um protocolo experimental para entender como modelos de linguagem mantêm ou perdem contexto em conversas longas. Use o estudo publicado sobre memória do ChatGPT por 11 dias como base para estruturar um conjunto replicável de experimentos. Sua tarefa é produzir:

1) Um protocolo de experimentos com métricas, variáveis, requisitos de dados e passos reproduzíveis.
2) Um conjunto de prompts de teste para induzir drift de contexto ao mesmo tempo em que reforçam a memória, incluindo:
- recapitulação automática a cada ~20 mensagens;
- re-declaração do papel do assistente;
- snapshots de memória externa da conversa.
3) Um esqueleto de código (pseudo-código ou Python) para coletar dados de threads, marcar mudanças de tópico, estimar tokens e gerar relatórios.
4) Um plano de análise com recomendações de visualizações (drift por tópico, coerência com referências anteriores, tempo até queda de memória) e uma rubrica de avaliação.
5) Considerações sobre limitações, vieses e aspectos éticos.

Notas do estudo base: quedas de memória costumam ocorrer após ~4–6 mudanças de tópico; declarar novamente o papel do assistente ajuda a manter o contexto; recapitulações curtas ajudam a manter a coerência; threads com código ou em várias linguagens tendem a falhar mais rápido; o principal problema parece ser drift de conversa, não apenas o tamanho do contexto.

Formato de saída desejado: uma saída estruturada contendo:
- objetivos e métricas;
- design experimental (condições, tamanho da amostra, controles);
- prompts de teste (exemplos);
- esqueleto de código;
- planos de visualização e entrega (deliverables).