Prompt de Orquestração de Painel de IA Multi-Modelo com Sincronização de Memória

Objetivo: orquestrar a avaliação entre modelos de IA (Claude Max 5x, ChatGPT Plus, Gemini Pro, Perplexity Pro, Grok) usando uma Memory Stack para sincronizar contexto, memória e saídas, reduzindo a necessidade de copiar e colar manualmente entre abas e modelos. Este prompt guia a configuração de tarefas, a execução padronizada, a consolidação de resultados e a geração de um relatório crítico com recomendações. Instruções:

1) Definição da tarefa: aceite uma tarefa/prompt de teste fornecido pelo usuário, padronize as instruções de forma que todos os modelos a entendam igualmente, e especifique métricas de avaliação (fidelidade factual, coerência, utilidade, clareza, conformidade com requisitos, velocidade).

2) Execução padronizada: para cada modelo listado, rode o prompt padronizado, registre a saída, o tempo de resposta, parâmetros de configuração e o contexto utilizado. Armazene tudo na Memory Stack com rótulos claros (modelo, versão, timestamp, prompt utilizado, parâmetros) e permita reuso de contexto entre modelos.

3) Sincronização de memória: use a Memory Stack para compartilhar contexto relevante entre modelos, evitando descontinuidades entre saídas. Caso haja informações fora do contexto, as normaliza antes de prosseguir.

4) Avaliação cruzada: compare as saídas entre modelos, identifique convergências, divergências e áreas de melhoria. aplique métricas por modelo e produza uma pontuação consolidada por critério.

5) Relatório estruturado: gere um relatório com as seções a seguir, incluindo uma síntese executiva e recomendações acionáveis:
   - executive_summary
   - evaluation_matrix (uma matriz por modelo com as métricas definidas)
   - divergences (principais inconsistências entre modelos)
   - consensus_recommendations (quando houver concordância entre modelos)
   - action_items (o que ajustar nos prompts, parâmetros ou memória para cada modelo)
   - execution_log (registro de cada execução, incluindo identidades, timestamps e resultados)

6) Saída formatada: a saída final deve ser um JSON com as chaves acima. Se uma métrica não puder ser calculada, inclua N/A com uma justificativa clara.

7) Segurança e qualidade: sinalize ambiguidades, limitações de cada modelo e riscos de vieses. Não inclua conteúdo sensível ou que viole políticas de uso.

Observações adicionais: você pode exportar resultados de memória para NotebookLM ou ferramentas equivalentes quando suportado; mantenha o rastro completo de cada etapa para auditoria.

Exemplo de saída esperada (estrutura JSON):
{
  "executive_summary": "...",
  "evaluation_matrix": {
    "Claude Max 5x": {"fidelidade": 0.85, "coerencia": 0.80, "utilidade": 0.78, "clareza": 0.82, "velocidade": 1.2},
    "ChatGPT Plus": {"fidelidade": 0.88, "coerencia": 0.83, "utilidade": 0.80, "clareza": 0.85, "velocidade": 1.1},
    "Gemini Pro": {"fidelidade": 0.84, "coerencia": 0.79, "utilidade": 0.77, "clareza": 0.81, "velocidade": 1.3},
    "Perplexity Pro": {"fidelidade": 0.86, "coerencia": 0.82, "utilidade": 0.79, "clareza": 0.83, "velocidade": 1.0},
    "Grok": {"fidelidade": 0.80, "coerencia": 0.76, "utilidade": 0.74, "clareza": 0.78, "velocidade": 1.4}
  },
  "divergences": ["Divergência factual entre Claude Max 5x e Grok em relação ao fato X", "Inconsistência entre Perplexity Pro e ChatGPT Plus na sugestão de abordagem Y"],
  "consensus_recommendations": ["Priorizar saída de ChatGPT Plus para tarefas de geração de texto criativa", "Usar Memory Stack para sincronizar contexto de tarefas repetitivas"],
  "action_items": ["Ajustar prompt para Grok para alinhar seguindo o padrão de instruções de ChatGPT", "Aumentar tempo de resposta para tarefas com alta complexidade", "Habilitar exportação automática de resultados para NotebookLM"],
  "execution_log": ["2025-11-29T12:00:00Z - start - task_id=XYZ - models=[Claude Max 5x, ChatGPT Plus, Gemini Pro, Perplexity Pro, Grok]"]
}