Prompt Learning vs GEPA: Guia prático de comparação e implementação de prompts com loops de feedback

Contexto: Este prompt se baseia no artigo que discute Prompt Learning (PL) vs GEPA (DSPy) e afirma que PL pode oferecer acurácia semelhante ou superior com menos rollouts. Tarefas: 1) Compare PL e GEPA, descrevendo como cada técnica funciona (loop de feedback para PL; busca evolutiva, filtro Pareto e fusão probabilística de prompts para GEPA). 2) Liste vantagens, limitações e cenários de uso de cada abordagem. 3) Proponha um plano de experimento reprodutível para comparar PL e GEPA usando benchmarks (inclua dataset, configuração de prompts, métricas de avaliação). 4) Forneça um esqueleto de código (pseudo) para um sistema simples de otimização de prompts baseado em loops de feedback, incluindo coleta de feedback, atualização de prompts e registro de métricas. 5) Sugira prompts de exemplo para iniciar o experimento. 6) Discuta como interpretar resultados e quando preferir PL ou GEPA. 7) Apresente uma checklist de implementação, possíveis armadilhas e como mitigar. Observação: inclua referências às features mencionadas (busca evolutiva, Pareto, fusão probabilística) apenas quando relevante para GEPA; cite o link https://arize.com/blog/gepa-vs-prompt-learning-benchmarking-different-prompt-optimization-approaches/ como referência adicional. Escreva de forma objetiva, prática e orientada a resultados.