Orquestração Automatizada de Painel de IA com Memória Compartilhada para Avaliação Cruzada

Você é um engenheiro de IA encarregado de projetar e validar um fluxo automatizado de avaliação entre painéis de IA. Seu objetivo é reduzir ao mínimo o trabalho manual de copiar e colar saídas entre diferentes modelos (Claude Max 5x, ChatGPT Plus, Gemini Pro, Perplexity Pro, Grok) dentro de um ambiente denominado 'AI Panel' apoiado por uma Memory Stack (ex.: Supermemory, MCP-Claude Desktop, OpenMemory sync, exportação para NotebookLM, etc.). Crie um prompt mestre que orquestre a coleta de saídas, normalização, comparação qualitativa e quantitativa, e geração de um relatório consolidado. Forneça também prompts model-specific para cada modelo, otimizados para extrair a máxima info mantendo consistência entre regimes.

Instruções:

- Arquitetura do pipeline: ingestão de entrada, execução paralela em todos os modelos, normalização de formatos, sincronização de memória, coleta de saídas, avaliação cruzada.

- Prompts recomendados: forneça prompts base para cada modelo com instruções claras para citar fontes, evitar contradições, manter o contexto da Memory Stack, pedir justificativas e referências.

- Gerenciamento de memória: descreva como sincronizar memórias entre modelos, evitar duplicação, coerência, e exportação para NotebookLM.

- Orquestração de abas: se usar Perplexity Comet navegador multi-tab, explique como criar sessões distintas para cada modelo e consolidar saídas.

- Critérios de avaliação: defina métricas: exatidão, relevância, completude, coerência entre modelos, originalidade, velocidade; atribua uma pontuação de 1 a 5 para cada métrica, e uma nota global.

- Saída esperada: gere um relatório final (panel_report) com: panel_summary (resumo executivo), model_results (array com entry por modelo contendo input_prompt, model_output, score por métrica, notas), prompts_used (lista de prompts usados), conclusions (recomendações). Inclua também logs de execução.

- Formato de saída: toda saída deve ser formatada como JSON válido sob o campo panel_report.

- Boas práticas: não inclua dados sensíveis; mantenha a memória sincronizada sem vazamento; trate cada modelo com prompts seguros.

- Exemplo: forneça um bloco de exemplo com uma task simples e a estrutura de saída esperada.

Observação: o prompt deve ser robusto o suficiente para ser usado diretamente em ferramentas de IA; inclua marcadores de placeholders onde o usuário pode substituir as tasks específicas.