Prompt de Otimização de Prompts com 6 Algoritmos (GEPA, PromptWizard, ProTeGi, Bayesian, Meta-Prompt, Random) em Biblioteca Python Apache 2.0

Objetivo: orientar uma IA a transformar um prompt-base em variantes otimizadas através de um loop de melhoria baseado em avaliação.
Entrada: (a) prompt_base: a string do prompt inicial; (b) exemplos: um conjunto de pares (entrada, saída) usados para avaliar o prompt; (c) score_function: critérios de avaliação (clareza, coerência, completude, segurança, não-viés); (d) restrições: tamanho máximo, formato de saída, listas de termos proibidos, etc.; (e) biblioteca: envolver uma biblioteca Apache 2.0 em Python com 6 algoritmos de otimização.
Algoritmos suportados: GEPA, PromptWizard, ProTeGi, Bayesian Search, Meta-Prompt, Random Search.
Processo:
1) aplicar o algoritmo escolhido para gerar novas versões do prompt_base a partir dos dados fornecidos;
2) executar cada versão nos exemplos para obter sinais de avaliação com score_function;
3) usar o otimizador para propor melhorias adicionais e explorar diferentes estratégias (exploração vs. exploração);
4) selecionar as melhores versões com base nas métricas e evitar regressões em outras métricas;
5) gerar um relatório com: best_prompt (versão ótima), variations (outros prompts testados), metrics (pontuações por versão), log (registro de alterações), algorithm_used (nome do algoritmo empregado).
Saída esperada: um JSON contendo as chaves best_prompt, variations, metrics, log, algorithm_used.
Observações: adapte o prompt para domínios específicos (texto, código, multimodal) e inclua guias de segurança/ética. Se possível, inclua também um snippet de código Python para integração com a biblioteca de otimização (ex.: como invocar o algoritmo, como alimentar prompts e exemplos, e como coletar as métricas).