A previsão de séries temporais recém-observadas é desafiadora quando há poucos dados locais disponíveis, mudanças recentes de regime ou necessidade de adaptação rápida. Modelos fundacionais de séries temporais, como o TimesFM, permitem previsão zero-shot, reduzindo a necessidade de treinamento específico para cada nova série. Entretanto, por serem otimizados para generalização ampla, esses modelos podem deixar erros sistemáticos quando a série alvo apresenta dinâmica local recente, deslocamentos de tendência, mudanças abruptas de nível ou padrões sazonais específicos. Este trabalho apresenta o Time BoostRer, uma estratégia híbrida que mantém o modelo fundacional congelado e utiliza XGBoost como uma camada leve de refinamento local. Em vez de ajustar os pesos do modelo original, a abordagem aprende correções a partir de atributos estatísticos e temporais de baixo custo, incluindo a previsão base, o índice do horizonte, resumos recentes da série e codificações cíclicas de calendário. Para reduzir o aprendizado a partir de padrões desatualizados, o refinador é treinado apenas no regime mais recente da série, identificado por detecção de pontos de mudança após remoção de tendência e sazonalidade. A avaliação combina métricas tradicionais de erro com uma métrica complementar baseada em similaridade de derivadas, voltada a medir fidelidade de tendência e curvatura. Os resultados em bases do Monash Time Series Forecasting Archive indicam que o refinamento melhora a qualidade das previsões em grande parte dos cenários, preservando eficiência computacional, interpretabilidade e baixo custo de adaptação. A proposta contribui, portanto, como uma alternativa prática ao fine-tuning completo de modelos fundacionais em séries temporais.