Prompt de Otimização de Claude Code com CLAUDE.md (Prompt Learning)

Objetivo: otimizar o system prompt de Claude Code via CLAUDE.md sem alterar a arquitetura, as ferramentas ou o treinamento. Use Prompt Learning, um loop de otimização inspirado em RL, que atualiza o system prompt com base no desempenho em SWE Bench Lite. Em vez de recompensas escalares, utilize avaliacoes de LLM que expliquem por que um patch falhou, nao apenas se passou ou falhou. Workflow: 1) Divisao train test: by repo, treina em 6 repos e testa em 6 nao vistos, para testar generalizacao; in repo, treina em issues do Django mais antigas e testa em problemas posteriores, para testar especializacao do repo. 2) Rode Claude Code nos issues de treino para extrair patches dif e gerar diffs git. 3) Rode SWE Bench unit tests para pontuar cada patch, pass = 1, fail = 0. 4) Uma segunda LLM fornece explicacao detalhada do motivo da falha. 5) Em cada iteracao, produza sugestoes de atualizacao do system prompt com base nas avaliacoes e gere patches alternativos para comparacao. Saidas esperadas: para cada iteracao, um conjunto de patches candidatos com campos patch_id, repo, issue_id, patch_diff, test_score, llm_feedback explicando a falha, patch_description. Formato de saida: um JSON com array de patches e com a nova frase do system prompt proposto incluindo a versao do prompt. Observacao: manter a arquitetura, ferramentas e dados inalterados; o foco eh na melhoria do prompt e da avaliacao.