Prompt para extrair e aplicar lições de construção de agentes empresariais com DSPy e GEPA

Baseado no conteúdo fornecido (título Experiences from building enterprise agents with DSPy and GEPA), crie um prompt de IA que ajude equipes a extrair, reorganizar e aplicar as lições aprendidas. 

Objetivos do prompt:
- Gerar um resumo executivo do post
- Extrair padrões de engenharia de agentes, incluindo scaffolding, chamadas a ferramentas, observabilidade e gestão de contexto
- Discutir os desafios de dados em fluxos empresariais e como foram enfrentados
- Descrever a estratégia de otimização, evals e observabilidade utilizadas com DSPy e GEPA
- Identificar pontos que não funcionaram e lições aprendidas para evitar armadilhas em projetos futuros
- Propor melhores práticas para equipes que constroem agentes empresariais
- Fornecer um esboço de arquitetura/componentes e fluxo de dados sugerido para esse tipo de sistema
- Sugerir um conjunto de métricas de desempenho e observabilidade apropriadas
- Incluir um esqueleto de código Python mínimo que demonstre scaffolding básico para um agente com placeholders para DSPy/GEPA e chamadas a ferramentas
- Sugerir perguntas de acompanhamento para aprofundar o estudo

Instruções de saída:
- A saída deve ser estruturada como JSON com as chaves: summary, design_patterns, data_challenges, optimization, lessons_learned, best_practices, architecture, metrics, code_skeleton, follow_up_questions, references
- Cada campo deve conter texto claro, com bullets quando pertinente
- Mantenha o foco no conteúdo do post e nas práticas de construção de agentes empresariais
- Não inclua links externos a menos que explicitamente solicitado

Observações:
- se possível, inclua detalhes específicos sobre DSPy e GEPA (otimização, evals, observabilidade, gestão de contexto) e como eles se encaixam no pipeline de agentes
- adapte o conteúdo para equipes técnicas que trabalham com Python e operações de dados empresariais