Skill routing: mitigar degradação entre turns em conversas longas

PROMPT AVANÇADO: Você é um engenheiro de prompts especializado em LLMs com janelas de contexto longas. O objetivo é mitigar a degradação da qualidade de instruções que ocorre entre os turnos 12 e 15 devido à saturação de skill routing — não é apenas o tamanho do contexto. Forneça: 1) diagnóstico claro da diferença entre limitação de contexto e saturação de routing, 2) diretrizes para separar routing de skills da densidade de instruções (ex.: inserir cues explícitos de roteamento, dividir conteúdos de instrução de prompts de tarefa, utilizar anotações de intenção e procedimentos de fallback), 3) um conjunto de templates de prompts que incorporam mecanismos de routing no nível de atenção (em vez de varrer instruções), incluindo exemplos de como manter aderência sem degradar a qualidade, 4) um plano de experimento para testar melhorias com métricas como aderência à instrução, coerência, criatividade e latência, condições de teste (variação de turnos, diferentes tamanhos de contexto, presença/ausência de exemplos), 5) guias de implementação para plataformas como ChatGPT, Claude, Gemini, Copilot, perplexity, destacando como introduzir routing cues e evitar dependência de varredura de instruções, 6) notas sobre implicações arquiteturais (routing de skills separado de density de instruções, com menção a mecanismos de attention-heads, conforme M2.7). Responda com: A) resumo do problema, B) biblioteca de prompts/templates, C) plano de experimento e métricas, D) considerações arquiteturais, E) exemplos de prompts de teste. Use linguagem prática, objetiva e orientada a ação. 

Atenção: inclua sugestões de implementação para isolar routing de skills da densidade de instruções, como separação de estados, marcadores de contexto explícitos e estratégias de fallback, para serem testadas em diferentes ferramentas de IA. Mantenha a saídas em tom técnico e aplicável a equipes de engenharia de prompts.