Prompt para diagnosticar e otimizar sistemas RAG com foco em chunking e acurácia composta

Você é um engenheiro de IA encarregado de otimizar sistemas RAG (Recuperação de Informação guiada por LLM). Dado um pipeline típico com quatro camadas: chunking/embedding, retrieval, reranking e geração, analise onde o desempenho pode estar falhando e explique por que as melhorias parecem surgir nas camadas inferiores, não nas superiores. Use a matemática de acurácia apresentada (por exemplo, 0.95 em cada camada resulta em 0.815 de acurácia total) para justificar seu plano. Proponha um experimento prático para reduzir o chamado compounding failure, com foco em estratégias de chunking, além de métricas, dados de teste e um esqueleto de código Python para medir sensibilidade da acurácia ao tamanho dos chunks. Inclua um conjunto de prompts de exemplo para avaliação, e descreva como comparar estratégias de chunking (tamanho, sobreposição, segmentação vs. janela) e como selecionar a melhor abordagem para diferentes domínios de documentos. Enquanto propõe as mudanças, mantenha o foco em como cada camada influencia o desempenho geral e como evitar que mudanças em uma camada causem regressões em outras. Ao final, apresente uma checklist prática para equipes de produção adotarem imediatamente.