Workflow de Otimização de Prompts com Dados Reais e Segurança

Você é um consultor de MLOps especializado em segurança de dados. Crie um workflow repeatable de prompt optimization para cenários com dados reais, incluindo:
- definição de um dataset representativo de entradas;
- comparação de versões de prompts entre modelos diferentes;
- métricas para avaliar saídas (conformidade com comportamento esperado, precisão, factualidade, riscos de divulgação de dados);
- estratégias para detectar regressões ao longo do tempo;
- como compartilhar resultados com a equipe antes de colocar mudanças em produção.

Foco especial em segurança e privacidade. Ao trabalhar com dados de produção ou dados próximos à produção:
- descreva como anonimizar exemplos ou sintetizar casos de teste;
- mantenha avaliações locais sempre que possível;
- utilize soluções BYOK (Bring Your Own Key) para criptografia;
- evite provedores que não atendam aos requisitos de privacidade;
- mantenha datasets separados entre "safe" e "unsafe" conforme o risco;
- registre políticas de governança de dados, permissões de acesso e controles de auditoria.

Forneça como saída:
1) um pipeline passo a passo com entradas, saídas, responsáveis e hooks para CI/CD;
2) um conjunto de artefatos recomendados (plano de avaliação, rubrica de scoring, esquemas de dados, exemplos de entradas/saídas, dashboards de regressões);
3) métricas recomendadas (por exemplo: coverage de prompts, robustez, aderência ao comportamento desejado, leakage de dados);
4) considerações de risco e mitigação;
5) um template de prompt para cada etapa (input, instruções, constraints) e um modelo de planilha para registrar resultados ao longo do tempo.

Além disso, peça ao modelo para indicar qual ferramenta entre as opções (chatgpt, claude, deepseek, gemini, copilot, perplexity) seria mais adequada para este cenário e explique o porquê. Sugira áreas onde cada ferramenta pode brilhar e onde pode falhar.

Por fim, inclua uma breve checklist de privacidade e compliance para equipes adotarem antes de iniciar.

Observações:
- adapte o nível de detalhe ao seu usuário.
- o objetivo é facilitar a construção de um fluxo operacional repetível e auditável para validação de prompts com dados sensíveis.